Evaluación de modelos para el pronóstico de precipitaciones en dos estaciones pluviométricas de Bogotá D.C.

Vista sencilla de ítem
dc.contributor.advisorGonzález Martínez, Edwin Fernando
dc.contributor.authorBain Loayza, Johanna Carolina
dc.coverage.spatialBogotá, D.C. - Colombia
dc.creator.emailjcbainl@libertadores.edu.co
dc.date.accessioned2024-06-14T23:00:36Z
dc.date.available2024-06-14T23:00:36Z
dc.date.issued2023-12
dc.description.abstractSe evaluaron modelos estadísticos para el pronóstico de series temporales de dos estaciones pluviométricas de Bogotá D.C., de acuerdo a la exactitud de los modelos estocásticos y de Machine Learning; para esto se emplea la metodología de Box Jenkins, la cual permite estimar y evaluar el mejor modelo y proyección a partir de los registros iniciales, obtenidos de bases de acceso libre, y posteriormente extraída la información de las estaciones cuya homogeneidad, es decir, densidad de los datos fuese similar. Para lo cual se seleccionan dos (2) estaciones pluviométricas automáticas denominas IDEAM y CATAM, dada su localización y se obtiene que para ambas series de tiempo el mejor modelo estocástico fue el modelo SARIMA, mientras que para la estación IDEAM el mejor desempeño para Machine Learning, correspondió al modelo XGBoost, mientras que para la estación CATAM fue el modelo Elastic Net. Concluyendo de esta forma que los modelos para las proyecciones de precipitación permiten estimar de mejor forma de acuerdo con el tipo de registro y/o manipulación de la data; así mismo, se recomienda para futuras investigaciones relacionadas, explorar distintos modelos estocásticos y de Machine Learning, con el fin de buscar mayor exactitud para un conjunto de información multivariada.spa
dc.description.abstractStatistical models for time series forecasting of two rainfall stations in Bogotá D.C. were evaluated according to the accuracy of stochastic and Machine Learning models. The Box Jenkins methodology is used for this purpose, which allows estimating and evaluating the best model and projection from the initial records, obtained from open access databases, and subsequently extracting the information from the stations whose homogeneity, i.e., data density was similar. For this purpose, two (2) automatic pluviometric stations named IDEAM and CATAM were selected, given their location, and it was obtained that for both time series the best stochastic model was the SARIMA model, while for the IDEAM station the best performance for Machine Learning corresponded to the XGBoost model, while for the CATAM station it was the Elastic Net model. Thus concluding that the models for precipitation projections allow better estimation according to the type of record and/or data manipulation; likewise, it is recommended for future related research to explore different stochastic and Machine Learning models, in order to seek greater accuracy for a set of multivariate information.eng
dc.description.degreelevelEspecialización
dc.formatPDF
dc.identifier.urihttp://hdl.handle.net/11371/6911
dc.language.isospa
dc.rights.accessrightsOpenAccess
dc.subject.lembAprendizaje Automáticospa
dc.subject.lembPronóstico del tiempospa
dc.subject.lembEstado atmosférico - Pronósticospa
dc.subject.lembPredicciones geofísicasspa
dc.subject.proposalSeries de tiempospa
dc.subject.proposalMachine Learningspa
dc.subject.proposalPrecipitacionesspa
dc.subject.proposalPronósticospa
dc.subject.proposalTime serieseng
dc.subject.proposalMachine Learningeng
dc.subject.proposalPrecipitationeng
dc.subject.proposalForecastingeng
dc.titleEvaluación de modelos para el pronóstico de precipitaciones en dos estaciones pluviométricas de Bogotá D.C.spa
dc.titleEvaluation of rainfall forecasting models at two rainfall stations in Bogotá D.C. pluviometric stations in Bogota D.C.eng
dc.typebachelor thesis
Archivos
Colecciones
Especialización en Estadística Aplicada