Geração de prognósticos para a precipitação diária em uma série de tempo de dados meteorológicos
##plugins.themes.bootstrap3.article.sidebar##
Publicado:
Ago 29, 2016
Palavras-chave:
análise de dados, metereologia, métodos ingênuos, prognósticos, redes neurais artificiais, sistemas neuro difusos
##plugins.themes.bootstrap3.article.main##
Resumo
Os prognósticos de séries de tempo meteorológicos podem ajudar nos processos de tomada de decisão executados pelas entidades de previsão de desastres e da geração de alertas com antecedência, diante da possibilidade de ocorrência de eventos naturais que acarretam situações de risco para as comunidades. Para a realização destes prognósticos há um número considerável de métodos, desde os ingênuos ou naiive até aqueles que utilizam técnicas mais complexas como a inteligência artificial. Neste estudo experimental foi empregada uma série de tempo metereológica da estação chamada Agronomía da Cidade de Manizales- Colômbia, a qual armazena os seguintes dados de variáveis: precipitação, temperatura média, brilho solar e umidade relativa. Os prognósticos pelo método naiive, redes neurais artificiais e com sistemas neuro difusos foram utilizados; fazendo também uma comparação dos mesmos frente a uma regressão múltipla, destinada a verificar a precisão. Os resultados obtidos neste estudo mostram por um lado, que é possivel refinar os modelos utilizados geralmente para atingir resultados mais conclusivos e, por outro, que sejam extensivos a outras estações de monitorização da zona, incluindo novas variáveis, tanto explicativas, quanto, variáveis que permitem predizer.
Downloads
Não há dados estatísticos.
##plugins.themes.bootstrap3.article.details##
Como Citar
Hernández-Leal, E. J., Duque-Méndez, N. D., & Moreno-Cadavid, J. (2016). Geração de prognósticos para a precipitação diária em uma série de tempo de dados meteorológicos. Ingenio Magno, 7(1), 144-155. Recuperado de http://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172
Seção
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.
Referências
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.