Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos
Barra lateral del artículo
Publicado:
ago 29, 2016
Palabras clave:
análisis de datos, meteorología, métodos ingenuos (naïves), pronósticos, redes neuronales artificiales, sistemas neurodifusos
Contenido principal del artículo
Resumen
Los pronósticos de series de tiempo meteorológicas pueden ayudar a los procesos de toma de decisiones llevados a cabo por entidades encargadas de la prevención de desastres y la generación de alertas tempranas, ante la posibilidad de ocurrencia de eventos naturales que conlleven situaciones de riesgo para las comunidades. Para la realización de estos pronósticos, se cuenta con un número considerable de métodos, que van desde los ingenuos o naïves, hasta los que emplean técnicas más complejas, como las propias de la inteligencia artificial. En este estudio experimental se trabajó una serie de tiempo meteorológica de la estación Agronomía de Manizales, la cual presenta datos de las variables precipitación, temperatura media, brillo solar y humedad relativa. Se emplearon pronósticos por el método naïve, por redes neuronales artificiales y con sistemas neurodifusos; también se hizo una comparación de estos contra una regresión lineal múltiple, con el fin de verificar su precisión. Los resultados obtenidos en este estudio muestran, por una parte, que es posible refinar los modelos generalmente usados para lograr resultados más concluyentes; por otra, que se puedan extender a otras estaciones de monitoreo de la región, incluyendo nuevas variables tanto explicativas como por predecir.
Descargas
La descarga de datos todavía no está disponible.
Detalles del artículo
Cómo citar
Hernández-Leal, E. J., Duque-Méndez, N. D., & Moreno-Cadavid, J. (2016). Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos. Ingenio Magno, 7(1), 144-155. Recuperado a partir de http://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172
Sección
Artículos Vol. 7-1
DECLARACIÓN DE ORIGINALIDAD DE ARTÍCULO PRESENTADO
Por medio del presente documento, certifico(amos) que el artículo que se presenta para posible publicación en la revista institucional INGENIO MAGNO del Centro de Investigaciones de Ingeniería Alberto Magno CIIAM de la Universidad Santo Tomás, seccional Tunja, es de mi (nuestra) entera autoría, siendo su contenido producto de mi (nuestra) directa contribución intelectual y aporte al conocimiento.
Todos los datos y referencias a publicaciones hechas están debidamente identificados con su respectiva nota bibliográfica y en las citas que se destacan como tal. De requerir alguna clase de ajuste o corrección, comunicaré(emos) de tal procedimiento con antelación a los responsables de la revista.
Por lo anteriormente expresado, declaro(amos) que el material presentado en su totalidad se encuentra conforme a la legislación aplicable en materia de propiedad intelectual e industrial de ser el caso, y por lo tanto, me(nos) hago (hacemos) absolutamente responsable(s) de cualquier reclamación relacionada a esta.
En caso que el artículo presentado sea publicado, manifiesto(amos) que cedo(emos) plenamente a la Universidad Santo Tomás, seccional Tunja, los derechos de reproducción del mismo.
Citas
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.