Forecast generation for daily precipitation in a time series of meteorological data
Article Sidebar
Published:
Aug 29, 2016
Keywords:
Data Analysis, Meteorology, Simplistic (Naïve) Methods, Forecasts, Artificial Neuronal Networks, Neurofuzzy Systems
Main Article Content
Abstract
Meteorological time series forecasts can help decision-making processes carried out by entities in charge of disaster prevention and early warning generation before the possibility of natural events involving situations which are dangerous for communities. There are a considerable number of methods for these forecasts, ranging from simplistic or Naïve methods to those which employ more complex techniques such as those using artificial intelligence. This experimental study worked with a meteorological time series from the station agronomy in the city of Manizales, which provides data on the variables: precipitation, average temperature, sunlight and relative humidity. Forecasts were employed with the Naïve approach, with artificial neuronal networks and with neuro-fuzzy networks; also comparing these with a multiple linear regression, with the goal of verifying their precision. The results obtained in this study show firstly that it is possible to refine the models generally used in order to achieve more conclusive results and secondly that they can be extended to other monitoring stations in the region, including new variables, both explanatory and predictive.
Downloads
Download data is not yet available.
Article Details
How to Cite
Hernández-Leal, E. J., Duque-Méndez, N. D., & Moreno-Cadavid, J. (2016). Forecast generation for daily precipitation in a time series of meteorological data. Ingenio Magno, 7(1), 144-155. Retrieved from http://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172
Section
Artículos Vol. 7-1
DECLARATION OF ORGINIALITY OF SUBMITTED ARTICLE
With this document, I/We certify that the article submitted for possible publication in the institutional journal INGENIO MAGNO of the Research Center Alberto Magno CIIAM of the University Santo Tomás, Tunja campus, is entirely of my(our) own writing, and is a product of my(our) direct intellectual contribution to knowledge.
All data and references to completed publications are duly identified with their respective bibliographical entries and in the citations thus highlighted. If any adjustment or correction is needed, I(we) will contact the journal authorities in advance.
Due to that stated above, I(we) declare that the entirety of the submitted material is in accordance with applicable laws regarding intellectual and industrial property, and therefore, I(we) hold myself(ourselves) responsible for any complaint related to it.
If the submitted article is published, I(we) declare that I(we) fully relinquish publishing rights of the article to the University Santo Tomás, Tunja campus. As remuneration for this relinquishment of rights, I(we) declare my(our) agreement to receive two (2) copies of the edition of the journal in which my(our) article appears.
References
Benadero, F. R. (2001). Los conocimientos geográficos en la predicción de fenómenos meteorológicos de rango extraordinario. Boletín de la Asociación de Geógrafos Españoles, 31, 195-204.
Cedeño, F., Ortega, J. e Infante, S. (2008). Estimación de datos faltantes en estaciones meteorológicas de Venezuela vía un modelo de redes neuronales. Revista de Climatología, 8, 51-70.
Duque-Méndez, N. D., Orozco-Alzate, M. y Vélez, J. J. (2014). Hydro-meteorological data analysis using OLAP techniques. DYNA, 81(185).
Instituto de Estudios Ambientales (IDEA) (2014). Recuperado de http://idea.manizales.unal.edu.co/
Jodeiri Shokri, B., Ramazi, H., Doulati Ardejani, F. D. y Sadeghiamirshahidi, M. (2014). Prediction of pyrite oxidation in a coal washing waste pile applying artificial neural networks (ANNs) and adaptive neurofuzzy inference systems (ANFIS). Mine Water and the Environment, 33(2), 146–156.
López-Cruz, I. L. y Hernández-Larragoiti, L. (2010). Modelos neuro-difusos para temperatura y humedad del aire en invernaderos de tipo cenital y capilla en el centro de México. Agrociencia, 44, 791-805.
Makridakis, S. (2004). Métodos de pronósticos. Ciudad de México: Limusa.
Müller, O. V. y García, N. (2010). Análisis de la predicción de precipitaciones mediante relaciones canónicas en el NE de Argentina. Revista Geofísica, 62, 61-78.
Ocampo López, O. L. y Vélez Upegui, J. J. (2015). Análisis climatológico para el departamento de Caldas. En Entendimiento de fenómenos ambientales mediante análisis de datos (pp. 1-44). Manizales: Universidad Nacional de Colombia.
Pachón Gómez, J. A. (2011). Distribución de la lluvia y umbrales de alerta temprana con base en la Red de Estaciones Hidrometeorológicas de Manizales. En 200 años de la meteorología y de la climatología en América Latina: memorias. Bogotá: IDEAM y Universidad Nacional de Colombia.
Peña Durán1, J. D., Ayala de la Vega, J. y Aguilar Juárez, I. (2015). Red neuro-difusa para el relleno de datos faltantes en la estación meteorológica Chapingo. Revista Iberoamericana de las Ciencias Computacionales e Informática, 4(7).
Prieto Hernández, Y., Hernández Montero, F. E. y Novales Ojeda, A. (2014). Reducción de ruido aplicando redes neuronales artificiales. Investigación Operacional, 35(2), 110–120.
Ramírez, N. V. y Laguna, M. (2012, diciembre). La lógica borrosa: conjuntos borrosos, razonamiento aproximado y control borroso. Pistas Educativas, 100, 55-65.
Rincón, L. (2012). Introducción a los procesos estocásticos. Ciudad de México: Universidad Nacional Autónoma de México.
Rodríguez, E. A., Torres, J. A. y León Díaz, P. J. (2000). Pronóstico de la precipitación máxima en 24 horas en la zona cafetera. Ingeniería e Investigación, 46, 5-11.
Salini Calderón, G. y Pérez Jara, P. (2006). Estudio de series temporales de contaminación ambiental mediante técnicas de redes neuronales artificiales. Ingeniare, Revista Chilena de Ingeniería, 14(3), 284-290.
Suresh, S., Dong, K. y Kim, H. J. (2010). A sequential learning algorithm for self-adaptive resource allocation network classifier. Neurocomputing, 73(16-18), 30123019.
Velásquez Henao, J. D. (2011). Acotación del error de modelos de redes neuronales Aplicados al pronóstico de series de tiempo. UIS Ingenierías, 10(1), 65-71.
Velásquez, J. D. y Franco, C. J. (2012). Pronóstico de series de tiempo con tendencia y ciclo estacional usando el modelo airline y redes neuronales artificiales. Ingeniería y Ciencia, 8(15), 171-189.
Wade, J. J., McDaid, L. J., Santos, J. A. y Sayers, H.M. (2010). SWAT: a spiking neural network training algorithm for classification problems. IEEE Transactions on Neural Networks, 21(11), 1817-1830.
Cedeño, F., Ortega, J. e Infante, S. (2008). Estimación de datos faltantes en estaciones meteorológicas de Venezuela vía un modelo de redes neuronales. Revista de Climatología, 8, 51-70.
Duque-Méndez, N. D., Orozco-Alzate, M. y Vélez, J. J. (2014). Hydro-meteorological data analysis using OLAP techniques. DYNA, 81(185).
Instituto de Estudios Ambientales (IDEA) (2014). Recuperado de http://idea.manizales.unal.edu.co/
Jodeiri Shokri, B., Ramazi, H., Doulati Ardejani, F. D. y Sadeghiamirshahidi, M. (2014). Prediction of pyrite oxidation in a coal washing waste pile applying artificial neural networks (ANNs) and adaptive neurofuzzy inference systems (ANFIS). Mine Water and the Environment, 33(2), 146–156.
López-Cruz, I. L. y Hernández-Larragoiti, L. (2010). Modelos neuro-difusos para temperatura y humedad del aire en invernaderos de tipo cenital y capilla en el centro de México. Agrociencia, 44, 791-805.
Makridakis, S. (2004). Métodos de pronósticos. Ciudad de México: Limusa.
Müller, O. V. y García, N. (2010). Análisis de la predicción de precipitaciones mediante relaciones canónicas en el NE de Argentina. Revista Geofísica, 62, 61-78.
Ocampo López, O. L. y Vélez Upegui, J. J. (2015). Análisis climatológico para el departamento de Caldas. En Entendimiento de fenómenos ambientales mediante análisis de datos (pp. 1-44). Manizales: Universidad Nacional de Colombia.
Pachón Gómez, J. A. (2011). Distribución de la lluvia y umbrales de alerta temprana con base en la Red de Estaciones Hidrometeorológicas de Manizales. En 200 años de la meteorología y de la climatología en América Latina: memorias. Bogotá: IDEAM y Universidad Nacional de Colombia.
Peña Durán1, J. D., Ayala de la Vega, J. y Aguilar Juárez, I. (2015). Red neuro-difusa para el relleno de datos faltantes en la estación meteorológica Chapingo. Revista Iberoamericana de las Ciencias Computacionales e Informática, 4(7).
Prieto Hernández, Y., Hernández Montero, F. E. y Novales Ojeda, A. (2014). Reducción de ruido aplicando redes neuronales artificiales. Investigación Operacional, 35(2), 110–120.
Ramírez, N. V. y Laguna, M. (2012, diciembre). La lógica borrosa: conjuntos borrosos, razonamiento aproximado y control borroso. Pistas Educativas, 100, 55-65.
Rincón, L. (2012). Introducción a los procesos estocásticos. Ciudad de México: Universidad Nacional Autónoma de México.
Rodríguez, E. A., Torres, J. A. y León Díaz, P. J. (2000). Pronóstico de la precipitación máxima en 24 horas en la zona cafetera. Ingeniería e Investigación, 46, 5-11.
Salini Calderón, G. y Pérez Jara, P. (2006). Estudio de series temporales de contaminación ambiental mediante técnicas de redes neuronales artificiales. Ingeniare, Revista Chilena de Ingeniería, 14(3), 284-290.
Suresh, S., Dong, K. y Kim, H. J. (2010). A sequential learning algorithm for self-adaptive resource allocation network classifier. Neurocomputing, 73(16-18), 30123019.
Velásquez Henao, J. D. (2011). Acotación del error de modelos de redes neuronales Aplicados al pronóstico de series de tiempo. UIS Ingenierías, 10(1), 65-71.
Velásquez, J. D. y Franco, C. J. (2012). Pronóstico de series de tiempo con tendencia y ciclo estacional usando el modelo airline y redes neuronales artificiales. Ingeniería y Ciencia, 8(15), 171-189.
Wade, J. J., McDaid, L. J., Santos, J. A. y Sayers, H.M. (2010). SWAT: a spiking neural network training algorithm for classification problems. IEEE Transactions on Neural Networks, 21(11), 1817-1830.