Pronostico de la precipitación para la zona de influencia  de la estación agroclimática Yariguies,utilizando técnicas de Machine Learning

Naranjo Polania, Diego Fernando

Pronostico de la precipitación para la zona de influencia de la estación agroclimática Yariguies,utilizando técnicas de Machine Learning

dc.contributor.advisor	González Veloza, José John Fredy
dc.contributor.author	Naranjo Polania, Diego Fernando
dc.creator.email	dfnaranjop@libertadores.edu.co	spa
dc.date.accessioned	2022-08-08T19:47:34Z
dc.date.available	2022-08-08T19:47:34Z
dc.date.created	2021
dc.description	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	spa
dc.description.abstract	Predicting precipitation is ideal because it helps in the planning of agricultural activity and human, in the agronomic activity it could be determined if the hydric requirements of a crop will be presented and thus not lose a harvest, or know how many millimeters needs to achieve to keep the crop hydrated, on the other hand, as a society we Interesting, because it is possible to determine when strong precipitations end or torrential that lead to a flood or landslides that put in danger life. For the statistical analysis, data from the agroclimatic station were taken. Yariguies located in the municipality of Barrancabermeja, department of Santander, country Colombia, the time series is between 07/01/1967 to 09/30/2009, the unit of the precipitation variable is millimeters (mm), in total there were 19266 data, of which 15,412 (80%) were used for training and 3,854 (20%) to test the model, the elaborated models were Holt Winters, Decision Trees and a Sequential Neural Network (GRU), the metrics used were the MAE, MSE and RMSE for the models highlighting the GRU neural network with 0.05, 0.01 and 0.1 mm respectively, however heavy (20-70 mm), intense (70-150 mm) and torrential (>150 mm) rains are not observed in the figure because the error is higher than expected, with the decision tree predict predict heavy, intense and torrential rain but the model fit is not appropriate; despite the fact that the prediction made by the model tends to have a behavior similar to real data, possibly because precipitation data is not linear in nature since quantity, frequency and intensity are three characteristics of the rainfall time series and the values vary by location, day, month and year according to Mohini P., Vipul K., & Harshadkumar B., (2015) and an imbalance in the data because 75% of the database corresponds to rainfall less than 5.3 mm, and 50% to rainfall less than 0.2 mm	spa
dc.format	PDF	spa
dc.identifier.uri	http://hdl.handle.net/11371/4913
dc.language.iso	spa	spa
dc.publisher	Fundación Universitaria Los Libertadores. Sede Bogotá.	spa
dc.rights.acceso	Abierto (Texto Completo)	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.subject.lemb	Agricultura	spa
dc.subject.lemb	Cambios climáticos	spa
dc.subject.lemb	Aprendizaje experimental	spa
dc.subject.lemb	Humedad relativa	spa
dc.subject.proposal	Precipitación	spa
dc.subject.proposal	Actividad agrícola	spa
dc.subject.proposal	Estación climática	spa
dc.subject.proposal	Aprendizaje automático	spa
dc.subject.subjectenglish	Precipitation	spa
dc.subject.subjectenglish	Agricultural activity	spa
dc.subject.subjectenglish	Climatic station	spa
dc.subject.subjectenglish	Machine learning	spa
dc.title	Pronostico de la precipitación para la zona de influencia de la estación agroclimática Yariguies,utilizando técnicas de Machine Learning	spa
dc.type	info:eu-repo/semantics/bachelorThesis	spa