����������������������������������������������������������������������������������

 

 

Patrones de comportamiento de precipitaci�n utilizando T�cnicas de Aprendizaje Autom�tico

 

Precipitation behavior patterns using Machine Learning Techniques

 

Padr�es de comportamento da precipita��o usando t�cnicas de aprendizagem autom�tica

 

 

 

 

 

 

 

 

 

 

Correspondencia: wilson.miranda@espoch.edu.ec

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 31 de mayo de 2024 *Aceptado: 20 de junio de 2024 * Publicado: �05 de julio de 2024

 

        I.            Ingeniero en Estad�stica Inform�tica, Investigador Externo en la Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

      II.            M�ster en Ciencias, Tecnolog�as, Salud Menci�n Matem�ticas y Aplicaciones-Matem�ticas para las Ciencias de la Vida, Profesor Ocasional Tiempo Completo en la Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

   III.            M�ster Universitario en Estad�stica Aplicada, Profesor Ocasional en la Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

   IV.            M�ster of Science in Applied Mathematics, Profesor Ocasional Tiempo Completo en la Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

Resumen

Esta investigaci�n tiene como objetivo identificar patrones de comportamiento de las precipitaciones durante el per�odo 2020-2050 a trav�s de herramientas estad�sticas, t�cnicas de aprendizaje autom�tico utilizando datos de precipitaci�n. Para ello, se utilizaron modelos atmosf�ricos del Centro Nacional de Investigaciones Meteorol�gicas (CNRM), de precipitaci�n diaria para el periodo 2020-2050. En la primera etapa se utiliza estad�sticas descriptivas: gr�ficas, medidas de tendencia central y dispersi�n, en la segunda etapa se utiliza t�cnicas multivariadas de reducci�n de dimensionalidad y� se aplicaron diferentes t�cnicas de Machine Learning para identificar patrones de comportamiento como: K-Means, Agrupaci�n espacial de aplicaciones con ruido basada en densidad (DBSCAN), donde la t�cnica (DBSCAN) determin� 4 agrupaciones de precipitaci�n, la m�trica de precisi�n Silhouette y la informaci�n de precipitaci�n registrada para el a�o 2021 se ha utilizado para comparar la precisi�n de la t�cnica. Como resultado de este an�lisis, la mejor t�cnica para patrones de comportamiento de precipitaciones se considera el algoritmo con m�tricas euclidianas, con una efectividad del 70.92%. Los patrones de comportamientos observados se asemejan a las precipitaciones habituales en cada regi�n ecuatoriana.

Palabras clave: Patrones de precipitaci�n; Aprendizaje autom�tico; Algoritmo DBSCAN.

 

Abstract

This research aims to identify precipitation behavior patterns during the period 2020-2050 through statistical tools, machine learning techniques using precipitation data. For this purpose, atmospheric models from the National Center for Meteorological Research (CNRM) were used, of daily precipitation for the period 2020-2050. In the first stage, descriptive statistics are used: graphs, measures of central tendency and dispersion, in the second stage, multivariate dimensionality reduction techniques are used and different Machine Learning techniques were applied to identify behavior patterns such as: K-Means, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), where the technique (DBSCAN) determined 4 precipitation clusters, the Silhouette accuracy metric and the precipitation information recorded for the year 2021 has been used to compare the accuracy of the technique. As a result of this analysis, the best technique for precipitation behavior patterns is considered to be the algorithm with Euclidean metrics, with an effectiveness of 70.92%. The observed patterns of behavior resemble the usual rainfall in each Ecuadorian region.

Keywords: Precipitation patterns; Machine learning; DBSCAN algorithm.

 

Resumo

Esta pesquisa tem como objetivo identificar padr�es de comportamento da precipita��o durante o per�odo 2020-2050 atrav�s de ferramentas estat�sticas, t�cnicas de aprendizagem autom�tica utilizando dados de precipita��o. Para tal foram utilizados modelos atmosf�ricos do Centro Nacional de Pesquisas Meteorol�gicas (CNRM), com precipita��o di�ria para o per�odo 2020-2050. Na primeira etapa s�o utilizadas estat�sticas descritivas: gr�ficos, medidas de tend�ncia central e dispers�o, na segunda etapa s�o utilizadas t�cnicas multivariadas de redu��o de dimensionalidade e aplicadas diferentes t�cnicas de Machine Learning para identificar padr�es comportamentais como: K-Means, Agrupamento de Aplica��es Espaciais com ru�do baseado na densidade (DBSCAN), onde a t�cnica (DBSCAN) determinou 4 clusters de precipita��o, a m�trica de precis�o Silhouette e a informa��o de precipita��o registada para o ano de 2021 foram utilizadas para comparar a precis�o da t�cnica. Como resultado desta an�lise, considera-se que a melhor t�cnica para os padr�es de comportamento da precipita��o � o algoritmo com m�tricas euclidianas, com uma efic�cia de 70,92%. Os padr�es de comportamento observados assemelham-se aos das chuvas habituais em cada regi�o equatoriana.

Palavras-chave: Padr�es de precipita��o; aprendizagem de m�quina; Algoritmo DBSCAN.

 

Introducci�n

En las �ltimas d�cadas, la influencia del cambio clim�tico se ha vuelto cada vez mayor, planteando desaf�os importantes, particularmente para los pa�ses emergentes. Estas naciones a menudo carecen de los recursos y la infraestructura para hacer frente de manera efectiva a los efectos adversos de los patrones clim�ticos cambiantes. El cambio clim�tico exacerba las vulnerabilidades existentes, provocando una intensificaci�n de fen�menos meteorol�gicos como tormentas, sequ�as e inundaciones, que afectan desproporcionadamente a las comunidades marginadas. En consecuencia, comprender la din�mica de la variabilidad clim�tica y sus impactos es importante para desarrollar estrategias de adaptaci�n efectivas, especialmente en regiones donde el desarrollo socioecon�mico est� estrechamente vinculado con las condiciones ambientales (Sebenius, 1991; Useros, 2013).

Se han logrado avances significativos en la predicci�n de las precipitaciones, que desempe�an un papel vital en la vida humana. Todav�a resulta dif�cil predecir con precisi�n la cantidad de lluvia que caer� durante las estaciones secas y h�medas. Los centros meteorol�gicos integran inteligencia artificial para mejorar las previsiones num�ricas (Slater et al., 2023). La Oficina Nacional de Administraci�n Oce�nica y Atmosf�rica (NOAA), la principal agencia gubernamental de EE. UU., tiene como objetivo ampliar el uso de la IA en cada misi�n de la NOAA para mejorar la eficiencia, la eficacia y la coordinaci�n en el desarrollo, los productos y los servicios cient�ficos (Lima et al., 2023; Waqas et al., 2023; Materia et al., 2023; Khandelwal et al., 2020).

El impacto observado en Ecuador se refleja en la percepci�n biof�sica del territorio, incluyendo la degradaci�n de los glaciares andinos, aumento de temperatura y nivel del mar, inundaciones, sequ�as, impactos negativos en las actividades productivas y la biodiversidad, etc. Adem�s, El Ni�o Oscilaci�n del Sur (ENSO) influyen en Ecuador en dos escenarios: ENSO (fase c�lida) y ENSO (fase fr�a), donde la precipitaci�n aumenta y disminuye, respectivamente. Las consecuencias observadas se manifiestan en cambios de temperatura y precipitaciones intensas (Vega et al., 2020; Campozano et al., 2020; Perez et al., 2010; World Bank Group, 2021).

Seg�n el Panel Intergubernamental sobre Cambio Clim�tico (IPCC), Am�rica Latina es una de las regiones m�s vulnerable, enfrentando p�rdidas econ�micas, humanas, de infraestructura, agr�colas y ambientales. El informe del IPCC afirma que la concentraci�n de di�xido de carbono en la atm�sfera ha aumentado hasta las 379 partes por mill�n (un umbral no alcanzado en los �ltimos 650.000 a�os de la historia de la Tierra), junto con un aumento de las concentraciones de metano y �xido nitroso entre 1995 y 2005 (Zhang, 2024). El oc�ano est� 17 cm m�s alto que a principios del siglo XX y la temperatura es 0,7 �C m�s c�lida que en 1850. En consecuencia, las precipitaciones han aumentado en determinadas regiones, con sequ�as m�s intensas y prolongadas en extensas zonas tropicales y subtropicales, y la frecuencia de fuertes lluvias en varios pa�ses (Magrin et al., 2007; (IPCC), 2023).

Las t�cnicas de aprendizaje autom�tico han apoyado varios campos, incluida la climatolog�a, debido a su capacidad para analizar grandes conjuntos de datos de manera eficiente (Slater et al., 2023; Lima et al., 2023). Estas t�cnicas ofrecen estad�sticas avanzadas para comprender y predecir los patrones de precipitaci�n, que son cruciales para informar las estrategias de adaptaci�n clim�tica. La complejidad y variabilidad de los sistemas clim�ticos, agravadas por factores como la topograf�a y los microclimas, plantean obst�culos importantes para una predicci�n precisa (Slater et al., 2023). A pesar de estos desaf�os, los m�todos de aprendizaje autom�tico tienen potencial para mejorar nuestra comprensi�n de la din�mica de las precipitaciones y mejorar la precisi�n de los pron�sticos. Ecuador se caracteriza por su diversa topograf�a y variabilidad clim�tica (Campozano et al., 2020). Los ecosistemas diversos, que van desde llanuras costeras hasta regiones andinas de gran altitud, que contribuye a la complejidad de su sistema clim�tico. En consecuencia, la necesidad de explorar t�cnicas avanzadas de aprendizaje autom�tico debido a que los m�todos estad�sticos tradicionales pueden no capturar las caracter�sticas de la diversidad clim�tica de Ecuador.

Con base en estos antecedentes, la investigaci�n se gu�a por las siguientes preguntas: �Existen cambios significativos en las precipitaciones en el Ecuador durante el periodo 2020 al 2050? �Qu� factores definen el comportamiento clim�tico en el Ecuador? �Cu�l es la mejor t�cnica de aprendizaje autom�tico que ha producido resultados para determinar patrones de comportamiento? �Y qu� precisi�n tiene la t�cnica de aprendizaje autom�tico para lograr el objetivo de la investigaci�n? Este estudio tiene como objetivo comprender los patrones de comportamiento de la precipitaci�n utilizando herramientas estad�sticas y de aprendizaje autom�tico en datos de los modelos de circulaci�n atmosf�rica de 2020 a 2050 que podr�an apoyar el desarrollo de pol�ticas y la toma de decisiones gubernamentales.

 

Materiales y M�todos

La presente investigaci�n considera datos diarios de precipitaci�n de la (CNRM), que son utilizados para estudiar el comportamiento del patr�n de precipitaci�n durante los �ltimos 30 a�os (Lima et al., 2023; Loritzet al., 2021). Se ha utilizado el lenguaje de programaci�n Python.

Modelo Estad�stico: En la investigaci�n se utiliz� la estad�stica descriptiva, como gr�ficas y medidas de tendencia central y dispersi�n para explorar las caracter�sticas de la variable precipitaci�n. Los datos provienen de una distribuci�n de probabilidad normal est�ndar Ν (0,1). Adem�s, se aplic� t�cnicas multivariadas para reducir la dimensionalidad de los datos. Posteriormente, se aplicaron t�cnicas de aprendizaje autom�tico, K-means, DBSCAN y Agglomerative Clustering, para identificar patrones de comportamiento en la precipitaci�n.

An�lisis de Datos: Se realiz� el An�lisis de Componentes Principales para reducir la complejidad de los datos, se obtuvo el 70% de la variabilidad explicada con cuarenta componentes,� de la misma manera, se aplicaron las t�cnicas de aprendizaje autom�tico como: K-Means, DBSCAN y Agglomerative Clustering utilizando m�tricas como� Chebyshev y Euclidiana, al mismo tiempo se aplic� Stochastic Neighbor Embedding Technique in t (t-SNE) y Uniform Manifold Approximation and Projection para identificar patrones de comportamiento de precipitaci�n. Se realiz� una comparaci�n entre t�cnicas para determinar cu�l de ellos es m�s efectivo.

 

Resultados y Discusi�n

La variable precipitaci�n diaria presenta tres dimensiones diferentes con sus respectivas coordenadas: Y para latitud, X para longitud y T para tiempo. Los datos de precipitaci�n son estandarizados mediante una de distribuci�n normal.

 

Figura 1: Histograma de frecuencias

 

Exploraci�n de Anomal�as: La Figura 2 y la Figura 3 muestran el comportamiento de la precipitaci�n en el tiempo. Como se muestra, los d�as de lluvia (fuertes precipitaciones) alcanzan su punto m�ximo durante los a�os 2036-2040, as� como las escasas precipitaciones. Tambi�n se puede observar que el rango de variaciones positivas (extremadamente h�medo) es mayor que el de variaciones negativas (extremadamente seco).

 

Figura 2: Serie de tiempo de Precipitaci�n (a�os)

 

Reducci�n de dimensionalidad: se aplic� el An�lisis de Componentes Principales (PCA) para reducir la dimensionalidad; Sesenta componentes principales representan el 80% de la variabilidad explicada de los datos, como se presenta en la Figura 3.

 

Figura 3: An�lisis de Componentes Principales

Stochastic Neighbor Embedding Technique in t (t-SNE): Esta t�cnica no supervisada se utiliza principalmente para la exploraci�n, visualizaci�n y reducci�n de datos de alta dimensi�n.

La Figura 4 muestra similitud entre las observaciones de precipitaci�n, pero no hay agrupaci�n de patrones definidos.

UMAP: Uniform Manifold Approximation and Projection: La Figura 5 muestra la t�cnica UMAP que ha identificado 6 patrones de comportamiento de la precipitaci�n, no definidos.

 

Figura 4: T�cnica t-SNE

 

Figura 5: Gr�fica de dispersi�n del agrupamiento mediante UMAP

Selecci�n del n�mero �ptimo de conglomerados: La Figura 6 presenta el m�todo del codo que indica que el n�mero �ptimo de conglomerados es cuatro.

 

Figura 6: Gr�fico del m�todo del codo. El eje x representa el n�mero de grupos y el eje y representa la suma de distancias.

 

UMAP Algorithm (Euclidean Metric) with DBSCAN Clustering: En la Figura 7 se observa la dispersi�n de los patrones de precipitaci�n, con cuatro grupos definidos. Las caracter�sticas de la precipitaci�n est�n agrupadas.

 

Figura 7: UMAP diagrama de dispersi�n con la t�cnica DBSCAN

Se utiliz� la m�trica de Chebyshev y el resultado se muestra en la Tabla 1 y en la Tabla 2, el valor de precisi�n de 0,85 indica que el algoritmo DBSCAN es un buen estimador para identificar patrones de comportamiento de precipitaci�n clasificados en cuatro grupos. Dado que se trata de un enfoque de aprendizaje no supervisado, la matriz de confusi�n se utiliza simplemente para observar la predicci�n del algoritmo.

 

Tabla 1: Agrupaci�n de precipitaci�n

 

Tabla 2: Matriz de Confusi�n

 

Representaci�n de Resultados mediante Algoritmo DBSCAN: Los resultados se interpretan como: i) moderadamente seco est� formado por el grupo de formulario -1, ya que Ecuador generalmente no experimenta d�as extremadamente secos. ii) La precipitaci�n normal o aproximadamente normal est� formada por el grupo 0. iii) La precipitaci�n muy h�meda est� formada por el grupo 1 y iv) La precipitaci�n extremadamente h�meda est� formada por el grupo 2, como se muestra en la Tabla 3.

 

Table 3: Agrupaciones

 

Patrones de Comportamiento: En la Figura 8A se puede observar que en el a�o 2044 podr�a haber pocos d�as extremadamente secos, mientras que en el a�o 2032 podr�a haber d�as extremadamente h�medos. Adem�s, podr�a haber un aumento de d�as extremadamente secos en el a�o 2030 en comparaci�n con el resto de los a�os. Siguiendo esto, en la Figura 8B, en el a�o 2027 podr�a haber menos d�as moderadamente h�medos, mientras que en el a�o 2028 podr�an disminuir los d�as moderadamente secos. Adem�s, en el a�o 2029 podr�an disminuir los d�as extremadamente secos y las lluvias frecuentes en comparaci�n con el resto del a�o. La Figura 8C muestra que en el a�o 2030 podr�a haber pocos d�as moderadamente secos, mientras que en el a�o 2034 podr�a haber d�as moderadamente h�medos, mientras que en el a�o 2032. De manera similar, en la Figura 8D, en la regi�n costera podr�a haber mucha humedad en 2033. a�o, mientras que en las regiones monta�osas y orientales podr�an presentarse d�as moderadamente secos. Adem�s, en la regi�n costera y parte de la regi�n monta�osa, podr�a haber d�as moderadamente secos en el a�o 2039, mientras que en las regiones altas y orientales podr�a haber d�as muy h�medos con menos frecuencia.

 

 

 

 

 

 

 

Figura 8: Mapa de calor patrones de comportamiento

 

Aplicaci�n de Varios Algoritmos de Agrupaci�n: Las Figuras 9 y 10 muestran la dispersi�n de los datos, donde emergen cuatro grupos o patrones de precipitaci�n diferentes. Las agrupaciones no son bien definidas. La m�trica de Chebyshev se utiliza para evaluar esta dispersi�n y, si bien muestra cierta variaci�n entre grupos.

 

Figura 9: UMAP K-Means clustering algorithm.

Figura 10: UMAP Agglomerative Clustering algorithm.

 

Comparaci�n de los modelos: Los valores del �ndice de Silhouette se calcularon para diferentes algoritmos de agrupamiento, y el algoritmo DBSCAN con UMAP y la m�trica de Chebyshev demostr� la mayor efectividad con una precisi�n del 70,97% como se presenta en la Tabla 4. Esto indica que DBSCAN es la mejor t�cnica para agrupar patrones de comportamiento de precipitaci�n. Adem�s, se proporcionan los datos de precipitaci�n mensual registrados a partir de 2021 para compararlos con los patrones previstos.

 

Tabla 4: Comparaci�n del index Silhouette

 

La informaci�n de precipitaci�n obtenida de INOCAR para Ecuador en 2021 se asemeja con los patrones de comportamiento previstos identificados por la t�cnica de aprendizaje autom�tico DBSCAN (Li et al., 2021). Esto sugiere que DBSCAN es un m�todo confiable para representar patrones de precipitaci�n, indicando variaciones significativas que conducen a d�as moderadamente secos y d�as extremadamente h�medos (Jianwei et al., 2023; Jin et al., 2021; Chen et al., 2023). Adem�s, se observan patrones estacionales de precipitaci�n, como precipitaciones intensas en febrero-marzo y d�as secos en octubre-noviembre, con d�as extremadamente secos en junio-agosto y menor probabilidad de ocurrencia de ENSO en diciembre y enero (Intergovernmental Panel on Climate Change, 2023). Nuestros hallazgos tienen implicaciones importantes en la comprensi�n de los patrones de precipitaci�n aplicando t�cnicas de aprendizaje autom�tico como los algoritmos DBSCAN y UMAP.

Se representa los patrones de precipitaci�n en cuatro grupos: moderadamente seco, normal a moderadamente h�medo, muy h�medo a moderadamente h�medo y extremadamente h�medo. Estas caracter�sticas son frecuentes en las observaciones diarias a trav�s del tiempo. La representaci�n de diagramas de dispersi�n ilustra las observaciones de precipitaci�n diaria que mostraron cambios entre los per�odos secos y h�medos, enfatizando la variabilidad inherente a la din�mica de la precipitaci�n. La identificaci�n de posibles eventos extremos en 2030 y 2044 a�os, caracterizadas por variaciones de los patrones de precipitaci�n t�picos. Estas caracter�sticas sirven como indicadores cr�ticos de posibles eventos clim�ticos, destacando la importancia del estudio continuo de comportamiento de variables meteorol�gicas para una gesti�n eficaz de riesgos y estrategias de adaptaci�n.

Adem�s, la comparaci�n del modelo con datos reales proporcionados por INOCAR con �ndice Silhouette, en donde el algoritmo DBSCAN es considerado adecuado para capturar las caracter�sticas de la precipitaci�n. Las t�cnicas de aprendizaje autom�tico son convenientes para extraer informaci�n significativa de conjuntos de datos clim�ticos, como lo han empleado otros autores con resultados similares (Pamuji & Rongtao, 2020; Chefrour, 2022; Cammalleri & Toreti, 2023).

Nuestros hallazgos tienen implicaciones significativas para la planificaci�n de la adaptaci�n, particularmente en regiones vulnerables a eventos clim�ticos extremos. Al representar la din�mica temporal y espacial de los patrones de precipitaci�n, las partes interesadas pueden anticipar y responder mejor a las condiciones clim�ticas cambiantes, reduciendo la vulnerabilidad.

Sin embargo, el conjunto de datos reales para comparar con las proyecciones del modelo (CNRM) es una limitaci�n de este estudio. Los esfuerzos de investigaci�n futuros deber�an centrarse en probar otras t�cnicas de agrupaci�n e incorporar variables adicionales.

 

Conclusiones

�         Se realiz� una exploraci�n de datos, describiendo las estad�sticas descriptivas, representaciones gr�ficas que ayudaron a comprender el comportamiento de la precipitaci�n.

�         Se identificaron cuatro grupos mediante la t�cnica DBSCAN. Que podr�an corresponder a la frecuencia de los d�as con precipitaci�n: Moderadamente Seco, Normal - Aproximadamente Normal, Muy H�medo o Moderadamente H�medo y Extremadamente H�medo.

�         Se concluye que la mejor t�cnica para identificar patrones de comportamiento de precipitaci�n es DBSCAN, la cual tuvo un �ndice Silhouette de 70,92% en comparaci�n con otras t�cnicas utilizadas.

�         Los resultados de las t�cnicas de agrupaci�n se han comparado considerando el informe climatol�gico de INNOCAR correspondiente al a�o 2021, mostrando patrones de comportamiento similares.

�         Este estudio proporcion� informaci�n para comprender la variabilidad de las precipitaciones, que podr�a utilizarse para evaluar los riesgos clim�ticos.

Contribuciones de los autores: Todos los autores han le�do y aceptado la versi�n publicada del manuscrito.

Financiamiento: Esta investigaci�n no recibi� financiamiento externo.

Conflictos de intereses: Los autores declaran no tener ning�n conflicto de intereses.

 

Referencias

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

      2.            Campozano, L., Ballari, D., Montenegro, M., & Avil�s, 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

      3.            Chefrour, A. (2022). Weather forecasting using DBSCAN clustering algorithm. In Annales Mathematicae et Informaticae (Vol. 55, pp. 12-27). Eszterh�zy K�roly Egyetem L�ceum Kiad�. https://real.mtak.hu/155440/

      4.            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

      5.            Grupo Intergubernamental de Expertos sobre el Cambio Clim�tico (IPCC). (2023). Am�rica Central y del Sur. En Cambio clim�tico 2022 � Impactos, adaptaci�n y vulnerabilidad: Contribuci�n del Grupo de Trabajo II al Sexto Informe de Evaluaci�n del Grupo Intergubernamental de Expertos sobre el Cambio Clim�tico (pp. 1689�1816). cap�tulo, Cambridge: Cambridge University Press. https://www.cambridge.org/core/books/climate-change-2022-impacts-adaptation-and-vulnerability/central-and-south-america/A9FC9F29685A35A7BF8C6D832E7B2A2A

      6.            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/

      7.            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

      8.            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

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

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

  11.            Lima, E., Nogueira, A., Paes, A., Wanzeler, C., Gon�alves, J., Martins, P., De Lima, R., Cley, R., Dos Santos, V., Costa, E., & Gon�alves, R.� (2023). Predicci�n de precipitaciones: desde aspectos geof�sicos hasta aplicaciones de aprendizaje autom�tico. Frontiers in Climate, 5, 1250201. https://www.frontiersin.org/journals/climate/articles/10.3389/fclim.2023.1250201/full

  12.            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/

  13.            Magrin, G., Gay, C., Cruz, D., Gim�nez, 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

  14.            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

  15.            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

  16.            P�rez, C., Nicklin, C., Dangles, O., Vanek, S., Sherwood, S., Halloy, S., Garrett, K., & Forbes, G. (2010). Cambio clim�tico en los Altos Andes: Implicancias y estrategias de adaptaci�n para los peque�os agricultores. Revista Internacional de Sostenibilidad Ambiental, Cultural, Econ�mica y Social, 6, 71-88. https://research.wur.nl/en/publications/climate-change-in-the-high-andesimplications-and-adaptation-strat

  17.            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

  18.            Slater, L, Arnal, L., Boucher, M., Chang, A., Moulds, S., Murphy, C., & Zappa, M. (2023). Pron�stico h�brido: combinaci�n de predicciones clim�ticas con modelos de IA. Hidrolog�a y ciencias del sistema terrestre, 27 (9), 1865-1889. https://hess.copernicus.org/articles/27/1865/2023/hess-27-1865-2023.html

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

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

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

  22.            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

  23.            Zhang, Y. (2024). El calentamiento del sistema clim�tico es inequ�voco�: Aspectos m�s destacados del Cuarto Informe de Evaluaci�n del Grupo Intergubernamental de Expertos sobre el Cambio Clim�tico. Naciones Unidas. https://www.un.org/es/chronicle/article/el-calentamiento-del-sistema-climatico-es-inequivocoaspectos-mas-destacados-del-cuarto-informe-de

 

 

 

 

 

 

 

 

 

� 2024 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).

 

 

 

 

 

 

 

�������������������������������������������������������������������������������������������������������������������������