Pronostico de la precipitación para la zona de influencia de la estación agroclimática Yariguies,utilizando técnicas de Machine Learning
Compartir en:
- Views
- Downloads
Date
2021Publicador
Fundación Universitaria Los Libertadores. Sede Bogotá.
Documentos PDF
Abstract
Pronosticar la precipitación es ideal porque ayuda a la planeación de la actividad agrícola y
humana, en la actividad agronómica se podría determinar si los requerimientos hídricos de
un cultivo se van a presentar y así no perder una cosecha, o conocer cuántos milímetros se
necesitan conseguir para mantener el cultivo hidratado, por otro lado, como sociedad nos
interesa, porque se puede determinar cuándo se presentarán precipitaciones fuertes o
torrenciales que conlleven a una inundación o a deslizamientos del suelo que pongan en
peligro la vida. Para el análisis estadístico se tomaron los datos de la estación agroclimática
Yariguies ubicada en el municipio de Barrancabermeja, departamento de Santander, país
Colombia, la serie de tiempo está comprendida entre el 01/07/1967 a 30/09/2009, la unidad
de la variable precipitación es milímetros (mm), en total fueron 19266 datos, de los cuales
15.412 (80%) se utilizaron para entrenamiento y 3.854 (20%) para probar el modelo, los
modelos elaborados fueron Holt Winters, Árboles de decisión y una Red Neuronal secuencial
(GRU), las métricas utilizadas fueron el MAE, MSE y RMSE para los modelos,
destacándose la red neuronal GRU con 0,05, 0,01 y 0,1 mm respectivamente, sin embargo
las lluvias fuertes (20-70 mm), intensas (70-150 mm) y torrenciales (>150 mm) no se
observan en la figura porque el error es más alto de lo esperado, con el árbol de decisión se
logró predecir lluvias fuertes, intensas y torrenciales pero el ajuste del modelo no es
adecuado; a pesar que la predicción realizada por el modelo tiende a tener un comportamiento
similar a los datos de reales, posiblemente porque los datos de precipitación no son lineales
en la naturaleza ya que la cantidad, la frecuencia y la intensidad son tres características
principales de las series de tiempo de lluvia y los valores varían por la ubicación, día, mes y
año según Mohini P., Vipul K., & Harshadkumar B., (2015) y a un desbalance en los datos
causado porque el 75% de la base de datos corresponde a precipitaciones inferiores a 5,3 mm,
y el 50% a precipitaciones inferiores a 0,2 mm