Patrones de comportamiento de precipitación utilizando Técnicas de Aprendizaje Automático

Wilson Geovanny Miranda Sayay, Alex Eduardo Pozo Valdiviezo, Natalia Alexandra Pérez Londo, Cristina Estefanía Ramos Araujo

Resumen


Esta investigación tiene como objetivo identificar patrones de comportamiento de las precipitaciones durante el período 2020-2050 a través de herramientas estadísticas, técnicas de aprendizaje automático utilizando datos de precipitación. Para ello, se utilizaron modelos atmosféricos del Centro Nacional de Investigaciones Meteorológicas (CNRM), de precipitación diaria para el periodo 2020-2050. En la primera etapa se utiliza estadísticas descriptivas: gráficas, medidas de tendencia central y dispersión, en la segunda etapa se utiliza técnicas multivariadas de reducción de dimensionalidad y  se aplicaron diferentes técnicas de Machine Learning para identificar patrones de comportamiento como: K-Means, Agrupación espacial de aplicaciones con ruido basada en densidad (DBSCAN), donde la técnica (DBSCAN) determinó 4 agrupaciones de precipitación, la métrica de precisión Silhouette y la información de precipitación registrada para el año 2021 se ha utilizado para comparar la precisión de la técnica. Como resultado de este análisis, la mejor técnica para patrones de comportamiento de precipitaciones se considera el algoritmo con métricas euclidianas, con una efectividad del 70.92%. Los patrones de comportamientos observados se asemejan a las precipitaciones habituales en cada región ecuatoriana.


Palabras clave


Patrones de precipitación; Aprendizaje automático; Algoritmo DBSCAN.

Texto completo:

PDF HTML

Referencias


Cammalleri, C., & Toreti, A. (2023). Un algoritmo generalizado basado en densidad para el seguimiento espaciotemporal de eventos de sequía. Journal of Hydrometeorology, 24 (3), 537-548. https://journals.ametsoc.org/view/journals/hydr/24/3/JHM-D-22-0115.1.xml

Campozano, L., Ballari, D., Montenegro, M., & Avilés, A. (2020). Future meteorological droughts in Ecuador: decreasing trends and associated spatio-temporal features derived from CMIP5 models. Frontiers in Earth Science, 8, 17. https://www.frontiersin.org/journals/earth-science/articles/10.3389/feart.2020.00017/full

Chefrour, A. (2022). Weather forecasting using DBSCAN clustering algorithm. In Annales Mathematicae et Informaticae (Vol. 55, pp. 12-27). Eszterházy Károly Egyetem Líceum Kiadó. https://real.mtak.hu/155440/

Chen, H., Wang, S., Zhu, J., & Wang, D. (2023). Projected changes in the pattern of spatially compounding drought and pluvial events over Eastern China under a warming climate. Earth's Future, 11(5), e2022EF003397. https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2022EF003397

Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC). (2023). América Central y del Sur. En Cambio climático 2022 – Impactos, adaptación y vulnerabilidad: Contribución del Grupo de Trabajo II al Sexto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático (pp. 1689–1816). capítulo, Cambridge: Cambridge University Press. https://www.cambridge.org/core/books/climate-change-2022-impacts-adaptation-and-vulnerability/central-and-south-america/A9FC9F29685A35A7BF8C6D832E7B2A2A

Intergovernmental Panel on Climate Change. (2023). Weather and Climate Extreme Events in a Changing Climate. Climate Change 2021 – The Physical Science Basis. 1513–1766. https://www.ipcc.ch/report/ar6/wg1/

Jianwei, L., Zheng, A., Wei, G., Bandyopadhyay, N., Zhang, Y., & Qianfeng, R. (2023). Urban flood risk assessment based on DBSCAN and K-means clustering algorithm. Geomatics, Natural Hazards and Risk, 14(1), 2250527. https://www.tandfonline.com/doi/full/10.1080/19475705.2023.2250527

Jin H, Chen X, Wu P, Song C, & Xia W. (2021). Evaluation of spatial-temporal distribution of precipitation in mainland China by statistic and clustering methods. Atmospheric Research, 262, 105772. https://www.sciencedirect.com/science/article/abs/pii/S0169809521003288

Khandelwal, A., Xu, S., Li, X., Jia, X., Stienbach, M., Duffy, C., Nieber, J., & Kumar, V. (2020). Physics Guided Machine Learning Methods for Hydrology. Preimpresión de arXiv arXiv:2012.02854. http://arxiv.org/abs/2012.02854

Li, X., Yang, Y., Mi, J., Bi, X., Zhao, Y., Huang, Z., Liu, C., Zong, L., & Wanju, L. (2021). Aprovechamiento del aprendizaje automático para la estimación cuantitativa de precipitaciones a partir de observaciones geoestacionarias de Fengyun-4 y mediciones meteorológicas terrestres. Atmospheric Measurement Techniques, 14 (11), 7007-7023. https://amt.copernicus.org/articles/14/7007/2021/amt-14-7007-2021.html

Lima, E., Nogueira, A., Paes, A., Wanzeler, C., Gonçalves, J., Martins, P., De Lima, R., Cley, R., Dos Santos, V., Costa, E., & Gonçalves, R. (2023). Predicción de precipitaciones: desde aspectos geofísicos hasta aplicaciones de aprendizaje automático. Frontiers in Climate, 5, 1250201. https://www.frontiersin.org/journals/climate/articles/10.3389/fclim.2023.1250201/full

Loritz, R., Hrachowitz, M., Neuper, M., & Zehe, E. (2021). The role and value of distributed precipitation data in hydrological models. Hydrology and Earth System Sciences, 25(1), 147-167. https://hess.copernicus.org/articles/25/147/2021/

Magrin, G., Gay, C., Cruz, D., Giménez, J., Moreno, A., Nagy, G., Nobre, C., & Villamizar, A., (2007). Latin America. Climate Change 2007: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden and C.E. Hanson, Eds., Cambridge University Press, Cambridge, UK, 581-615.https://www.ipcc.ch/site/assets/uploads/2018/02/ar4-wg2-chapter13-1.pdf

Materia S, Palma, L., Van Straaten, C., O, S., Mamalakis, A., Cavicchia. L., Coumou, D., De Luca, P., Kretschmer, M., & Donat, M. (2023). Artificial Intelligence for Prediction of Climate Extremes: State of the art, challenges and future perspectives. arXiv preprint arXiv:2310.01944. https://arxiv.org/abs/2310.01944

Pamuji, G., & Rongtao, H. (2020, July). A Comparison study of DBScan and K-Means Clustering in Jakarta rainfall based on the Tropical Rainfall Measuring Mission (TRMM) 1998-2007. In IOP conference series: materials science and engineering (Vol. 879, No. 1, p. 012057). IOP Publishing. https://iopscience.iop.org/article/10.1088/1757-899X/879/1/012057/meta

Pérez, C., Nicklin, C., Dangles, O., Vanek, S., Sherwood, S., Halloy, S., Garrett, K., & Forbes, G. (2010). Cambio climático en los Altos Andes: Implicancias y estrategias de adaptación para los pequeños agricultores. Revista Internacional de Sostenibilidad Ambiental, Cultural, Económica y Social, 6, 71-88. https://research.wur.nl/en/publications/climate-change-in-the-high-andesimplications-and-adaptation-strat

Sebenius, J. (1991). Designing negotiations toward a new regime: The case of global warming. International Security, 15(4), 110-148. https://www.jstor.org/stable/2539013

Slater, L, Arnal, L., Boucher, M., Chang, A., Moulds, S., Murphy, C., & Zappa, M. (2023). Pronóstico híbrido: combinación de predicciones climáticas con modelos de IA. Hidrología y ciencias del sistema terrestre, 27 (9), 1865-1889. https://hess.copernicus.org/articles/27/1865/2023/hess-27-1865-2023.html

Useros J. (2013). El Cambio Climático: Sus Causas Y Efectos Medioambientales Climate Change: Causes and Environmental Effects. An la Real Acad Med y Cirugía Valladolid, 50, 71-98. https://uvadoc.uva.es/handle/10324/23839

Vega, S., Malla, C., & Bejarano, H. (2020). Evidencias del cambio climático en Ecuador. Revista Científica Agroecosistemas, 8(1), 72-76. https://aes.ucf.edu.cu/index.php/aes/article/view/388/367

Waqas, M., Wannasingha, E., Wangwongchai A., Dechpichai, C., & Ahmad, S. (2023). Potencial de las técnicas basadas en inteligencia artificial para la previsión de precipitaciones en Tailandia: una revisión exhaustiva. Water, 15 (16), 2979. https://www.mdpi.com/2073-4441/15/16/2979

World Bank Group (WBG). (2021). Climate Risk Country Profile: Ecuador. https://climateknowledgeportal.worldbank.org/sites/default/files/country-profiles/15988-WB_Ecuador%20Country%20Profile-WEB.pdf

Zhang, Y. (2024). El calentamiento del sistema climático es inequívoco”: Aspectos más destacados del Cuarto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el Cambio Climático. Naciones Unidas. https://www.un.org/es/chronicle/article/el-calentamiento-del-sistema-climatico-es-inequivocoaspectos-mas-destacados-del-cuarto-informe-de




DOI: https://doi.org/10.23857/pc.v9i7.7658

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/