APLICACIÓN DE INTELIGENCIA ARTIFICIAL PARA
LA OBTENCIÓN DE DATOS FALTANTES DE
PRECIPITACIÓN PLUVIAL EN LA CUENCA RAVELO
PARA LA CAPTACIÓN DE AGUA DULCE
APPLICATION OF ARTIFICIAL INTELLIGENCE FOR
RETRIEVING MISSING RAINFALL DATA IN THE RAVELO
BASIN FOR FRESHWATER COLLECTION
José Edgar Campos Serrano
Universidad Mayor Real y Pontificia de San Francisco Xavier de Chuquisaca , Bolivia
José Boris Bellido Santa María
Universidad Mayor Real y Pontificia de San Francisco Xavier de Chuquisaca , Bolivia
Carla Veronica Espada Aguilar
Universidad Mayor Real y Pontificia de San Francisco Xavier de Chuquisaca , Bolivia
Janeth Maciel Huaranca Callejas
Universidad Mayor Real y Pontificia de San Francisco Xavier de Chuquisaca , Bolivia
Alex Daniel Ibarra Tumiri
Universidad Mayor Real y Pontificia de San Francisco Xavier de Chuquisaca , Bolivia
pág. 3373
DOI: https://doi.org/10.37811/cl_rcm.v8i4.12579
Aplicación de Inteligencia Artificial para la Obtención de Datos Faltantes
de Precipitación Pluvial en la Cuenca Ravelo para la Captación de Agua
Dulce
José Edgar Campos Serrano1
campos.edgar@usfx.bo
https://orcid.org/0009-0009-7682-7534
Universidad Mayor Real y Pontificia
de San Francisco Xavier de Chuquisaca
Sucre, Bolivia
José Boris Bellido Santa María
bellido.boris@usfx.bo
https://orcid.org/0000-0002-2380-7785
Universidad Mayor, Real y Pontificia
de San Francisco Xavier de Chuquisaca
Sucre, Bolivia
Carla Veronica Espada Aguilar
carlyveronica93@gmail.com
https://orcid.org/0009-0002-3078-7193
Universidad Mayor, Real y Pontificia
de San Francisco Xavier de Chuquisaca
Sucre, Bolivia
Janeth Maciel Huaranca Callejas
huaranca@gmail.com
https://orcid.org/0009-0005-0905-0703
Universidad Mayor Real y Pontificia
de San Francisco Xavier de Chuquisaca
Sucre, Bolivia
Alex Daniel Ibarra Tumiri
sensey.dumb12@gmail.com
https://orcid.org/0009-0002-0635-5972
Universidad Mayor Real y Pontificia
de San Francisco Xavier de Chuquisaca
Sucre, Bolivia
RESUMEN
El objetivo general es mejorar la obtención de datos faltantes de precipitación pluvial de la cuenta de
Ravelo para la captación de agua dulce. Se sistematizaron métodos convencionales y de Inteligencia
Artificial (IA) para imputar precipitaciones pluviales. Los métodos convencionales fueron: Servicio
Meteorológico Nacional de EE.UU., Razón Normal y Regresión Lineal Simple. En IA, se aplicaron:
Regresión Lineal Múltiple, Redes Neuronales Artificiales, Series Temporales, Árbol de Decisión,
Perceptrón Multicapa, Bosques Aleatorios y Redes Neuronales Recurrentes, que requieren grandes
volúmenes de datos. ELAPAS proporcionó datos de las estaciones de Tumpeka, Ravelo y Cajamarca
(2018-2024). Se desarrollaron programas en Python para aplicar métodos convencionales e IA, usando
los datos proporcionados para el entrenamiento y pruebas. La comparación de métodos se basó en el
error cuadrático medio porcentual. La Regresión Lineal Simple resultó ser el mejor método
convencional y el Árbol de Decisión fue el mejor método de IA. Los métodos convencionales dependen
de estaciones meteorológicas cercanas, limitando su uso en áreas sin estas estaciones. Los métodos de
IA, no requieren esta información y proporcionan estimaciones precisas con pocos años. Este estudio,
realizado en la Cuenca de Ravelo, demostró que los modelos de IA son efectivos para estimar la
precipitación pluvial.
Palabras clave: imputación, precipitación, hidrología, inteligencia artificial
1
Autor principal.
Correspondencia: bellido.boris@usfx.bo
pág. 3374
Application of Artificial Intelligence for Retrieving Missing Rainfall Data
in the Ravelo Basin for Freshwater Collection
ABSTRACT
The general objective is to improve the retrieval of missing rainfall data from the Ravelo Basin for
freshwater collection. Conventional and Artificial Intelligence (AI) methods were systematized to
impute rainfall. The conventional methods were: U.S. National Weather Service, Normal Ratio, and
Simple Linear Regression. In AI, Multiple Linear Regression, Artificial Neural Networks, Time Series,
Decision Tree, Multilayer Perceptron, Random Forests, and Recurrent Neural Networks were applied,
which require large volumes of data. ELAPAS provided data from the Tumpeka, Ravelo, and Cajamarca
stations (2018-2024). Python programs were developed to apply conventional and AI methods, using
the provided data for training and testing. The comparison of methods was based on the mean squared
percentage error. Simple Linear Regression proved to be the best conventional method, and the Decision
Tree was the best AI method. Conventional methods rely on nearby weather stations, limiting their use
in areas without such stations. AI methods do not require this information and provide accurate
estimates with just a few years of data. This study, conducted in the Ravelo Basin, demonstrated that
AI models are effective in estimating rainfall.
Keywords: imputation, precipitation, hydrology, artificial intelligence
Artículo recibido 14 junio 2024
Aceptado para publicación: 17 julio 2024
pág. 3375
INTRODUCCIÓN
La vida humana depende de la presencia de agua dulce. De los 1,4 BCM disponibles de los suministros
de agua de nuestro planeta, el agua dulce representa menos del tres por ciento (Jumapam,2018) como
se muestra en la figura 1.
La mayor parte está ligada a los glaciares, los casquetes polares y los campos nevados, particularmente
en la Antártida1.(Vereda, 2008). A diferencia de estos sectores particulares en el planeta, en nuestro
entorno el ciclo del agua llega a tener un papel muy importante, entre sus tantas fases la que más destaca
es la precipitación siendo la misma una de las fuentes de abastecimiento fundamentales, sobre todo en
el la zona del altiplano y parte de los valles de Bolivia.(Pacheco Apaza, 2016). Los datos de
precipitación y temperatura son captados a través del uso de pluviómetros y estaciones meteorológicas
terrestres. El Servicio Nacional de Meteorología e Hidrología (SENAMHI), entidad encargada de
recopilar la información, cuenta con un total de 699 estaciones pluviométricas distribuidas en todo el
país, de las cuales 547 se encuentran funcionando. (Ureña et al., 2018, p. 2). Su distribución se halla
centrada en los ejes metropolitanos y sus alrededores, sin embargo, estos datos se recopilan
manualmente y están sujetos a errores humanos, siendo una recolección aún más compleja la toma de
datos en las zonas montañosas,1. (Huanca Aspi, 2019) alejadas y de difícil acceso. Debido a esto, el
análisis de precipitaciones utilizando estaciones terrestres y de telemetría, presenta varios
inconvenientes. (Araoz Rojas, 2018)
Por otro lado, la Empresa Local de Agua Potable y Alcantarillado Sucre (ELAPAS) cuenta con
estaciones meteorológicas en diferentes cuencas que pueden servir para el suministro de agua potable
para la ciudad de Sucre.(ELAPAS, Sucre, s. f.) En la cuenta Ravelo, se encuentran las estaciones de
Ravelo, Cajamarca, Tumpeka y Potolo que proporcionan lecturas cada 15 minutos.
Como es el caso de la cuenca Ravelo, la cual se encuentra ubicada en una zona montañosa, lo que
dificulta la obtención de datos y su accesibilidad. s (temporadas de lluvias).(Montero Torres, 2023) A
causa de ese problema, la cuantificación del caudal genera incertidumbre en la toma de decisiones, para
proyecciones futuras de estudios y proyectos hidráulicos e hidrológicos.(Caloir & Molina Carpio, 2015)
pág. 3376
Planteamiento del problema de Investigación
¿Cómo obtener datos faltantes de precipitación pluvial de la cuenta de Ravelo para la captación de agua
dulce?
Sustento Teórico
La presente investigación se basa en la integración de conocimientos de hidrología y de inteligencia
artificial, con el objetivo de mejorar la captación de agua dulce en la cuenca Ravelo a través de la
obtención de datos faltantes de precipitación pluvial. La combinación de ambas áreas de estudio
permitiría desarrollar soluciones innovadoras y eficientes para la gestión hídrica en esta región.
U.S.National Weather Service
Este procedimiento ha sido verificado teóricamente como empíricamente y considera que el dato
faltante de una estación X por ejemplo, puede ser estimada en base a los datos observados en las
estaciones circundantes. (Toro Trujillo et al., 2015)
El método puede ser aplicado para estimar valores diarios, mensuales o anuales faltantes. El método
consiste en ponderar los valores observados en una cantidad W, igual al recíproco del cuadrado de la
distancia entre cada estación vecina y la estación (Coras Merido, 2020)
Como se observa en la ecuación:
󰆚
󰆚
󰆚
󰆚
󰆚
󰆚 (1)
Donde:
Pi = Precipitación observada para la fecha de la faltante, en las estaciones auxiliares circundantes.
wi = 1/Di2 Siendo Di la distancia entre cada estación circundante y la estación incompleta, en km.
Razón normal
Este método se basa en la relación constante entre los valores de precipitación de dos estaciones, una
de las cuales tiene datos completos y la otra no.
Los valores mensuales, anuales o medios tiende a ser constante. Para aplicar este método, se necesitan
tres o más estaciones cercanas y confiables, que estén uniformemente espaciadas con respecto a la
estación en estudio. (Pizarro et al., 2009)
pág. 3377
󰆚

(2)
Donde:
Px = registro de precipitación a ser completado
n = número de estaciones auxiliares
Pi = precipitaciones de las estaciones vecinas
Regresión Lineal
En el modelo de regresión lineal se requiere de una estación “donante” y preferiblemente cercana a la
estación con datos faltantes.(Scheaffer, s. f.)
La fórmula es:
(3)
Donde:
y = es el dato de precipitación a rellenar
y = coeficientes de la regresión
x = precipitaciones de la estación “donante”
Este método es mayormente usado cuando no se disponen de muchos datos de precipitación.
La inteligencia artificial se refiere al campo de estudio que busca desarrollar sistemas y algoritmos
capaces de imitar el comportamiento humano, procesamiento de información y toma de decisiones de
manera autónoma.(Moreno & Balcázar, 2023)
En el campo de la hidrología, la inteligencia artificial ha tenido una intervención significativa, utilizando
técnicas como el aprendizaje automático, cómo las que se describen a continuación:
Regresión Lineal Múltiple
La regresión lineal múltiple es un método estadístico utilizado para modelar la relación entre una
variable dependiente y dos o más variables independientes. (Rojo & Abuín, s. f.)
En el contexto de la precipitación pluvial, este método se aplica para predecir la cantidad de lluvia
utilizando múltiples variables ambientales como la temperatura, la humedad, la presión atmosférica.
pág. 3378
Redes Neuronales Artificiales (RNA)
Las redes neuronales artificiales son modelos computacionales inspirados en el funcionamiento del
cerebro humano, utilizados para el aprendizaje automático y el procesamiento de datos. (Veintimilla
& Cisneros, 2014)
En el caso de la precipitación pluvial, las RNAs pueden ser entrenadas para analizar múltiples variables
ambientales y predecir la cantidad de lluvia con precisión.
Series Temporales
Las series temporales son conjuntos de datos ordenados en función del tiempo. Estos datos se recopilan
en intervalos regulares y se utilizan para analizar patrones, tendencias y comportamientos a lo largo del
tiempo. (Corres et al., 2009)
En el contexto de la precipitación pluvial, las series temporales se emplean para estudiar y predecir la
variabilidad de la lluvia en diferentes períodos.
Árbol de Decisión
Un árbol de decisión es una estructura de árbol que representa un conjunto de decisiones y sus posibles
consecuencias. En el aprendizaje automático, los árboles de decisión se utilizan para clasificar y
predecir resultados en función de múltiples variables. (Hastie et al., 2009)
En el contexto de la precipitación pluvial, un árbol de decisión podría utilizarse para determinar las
condiciones que influyen en la cantidad de lluvia en una región.
Perceptrón Multicapa
El perceptrón multicapa es una arquitectura de red neuronal artificial que consta de múltiples capas de
neuronas interconectadas, incluyendo una capa de entrada, una o más capas ocultas y una capa de salida.
Este modelo es capaz de aprender y reconocer patrones complejos en los datos. (LeCun et al., 1989)
En el contexto de la precipitación pluvial, un perceptrón multicapa podría emplearse para modelar y
predecir la cantidad de lluvia en función de diversas variables ambientales.
Bosques Aleatorios (Random Forests)
Los bosques aleatorios son un conjunto de árboles de decisión que se utilizan para la clasificación y la
regresión. Cada árbol en el bosque se entrena de forma independiente y la predicción final se obtiene
pág. 3379
mediante la combinación de las predicciones de todos los árboles.(Medina Merino & Ñique Chacón,
2017)
En el contexto de la precipitación pluvial, los bosques aleatorios pueden utilizarse para predecir la
cantidad de lluvia en función de múltiples variables ambientales.
Redes Neuronales Recurrentes(RNR)
Las redes neuronales recurrentes (RNN) son modelos avanzados diseñados para procesar y analizar
secuencias de datos temporales debido a su capacidad de mantener información de eventos pasados a
través de sus conexiones recurrentes. (Centeno Franco Alba TFG.pdf, s. f.)
En la estimación de datos faltantes de precipitación pluvial, las RNN son especialmente útiles ya que
pueden capturar las dependencias temporales en los datos históricos de precipitación.
Objetivo General: Mejorar la obtención de datos faltantes de precipitación pluvial de la cuenta de
Ravelo para la captación de agua dulce.
Objetivos específicos:
▪ Sistematizar los métodos hidrológicos convencionales para completar datos de precipitaciones.
▪ Sistematizar los métodos de Inteligencia Artificial para completar datos.
▪ Caracterizar la cuenca de estudio con los datos proporcionados de la Empresa ELAPAS y visitas
In-Situ.
▪ Aplicar modelos hidrológicos para completar datos faltantes de precipitaciones de los años 2018-
2023.
▪ Aplicar modelos de Inteligencia Artificial para completar datos faltantes de precipitaciones de los
años 2018-2023.
▪ Comparar los resultados obtenidos para verificar su validez.
METODOLOGÍA
1. Caracterizar la cuenca de estudio con los datos proporcionados por ELAPAS y visitas In-Situ
Para caracterizar la cuenca de estudio se utilizó el Dron para obtener una información mucho más
detallada de la zona como se muestra en la Figura 2.
pág. 3380
Cobertura Vegetal y uso de suelo
En los diferentes pisos altitudinales (alto, medio y bajo), se distingue diferente cobertura vegetal como
pudimos observar en las visitas realizadas; así por ejemplo, en la parte alta (3800 a 4000 msnm)
predomina la formación de pastizal con poca presencia de cultivos y la de pajonal como se observa en
la Figura 4. La parte media (3500 a 3800 msnm) es ocupada por matorral de porte bajo, cultivos anuales
a secano en las planicies y pequeñas manchas de especies forestales. (Revista de SIGEP)
Finalmente en las partes bajas partes bajas (3500 a 2300 msnm), predominan los cultivos cercanos en
las laderas y cultivos bajo riego en los márgenes del río como se muesta en la figura 3. También se
encuentran sectores con especies introducidas de árboles, como pinos y eucaliptos. En sectores se
observa la presencia de molles, sauces y otras especies nativas.
Análisis hidrológico
Los análisis y procesamiento de los registros de precipitación en estaciones dentro y cerca del área de
las cuencas, ha permitido establecer las precipitaciones promedio en la cuenca, de donde se observa que
la cuenca Ravelo hasta la Toma Existente, es la que mayor precipitación recibe a nivel anual y mensual,
en tanto que la cuenca conjunta de los ríos Potolo y Ravelo hasta el sitio de la Toma Nueva Proyectada,
tiene una precipitación promedio anual de unos 930,1 mm.
En toda el área, la época de lluvias abarca los meses de noviembre a marzo, con octubre y abril como
periodo de transición, en tanto que los meses de mayo a septiembre constituyen el periodo de estiaje,
con apenas un 5% del total anual.
Obtener los datos de ELAPAS
Para la investigación se solicitó la información necesaria de la empresa ELAPAS gracias a solicitudes
y los convenios existentes entre la universidad y la empresa, se obtuvo información de los datos de las
estaciones de Ravelo, Tumpeka y Cajamarca, como se observa en la Tabla 1.
Obtención de los parámetros de la cuenca: Para realizar un estudio hidrológico de la cuenca, fue
necesario la recopilación de información acerca de la geografía de la cuenca, como su área, tipo de
suelo, vegetación. Datos que fueron obtenidos gracias a la empresa ELAPAS.
pág. 3381
Recolección de los datos meteorológicos: Es fundamental recopilar datos sobre la precipitación,
temperatura, etc. y cualquier otro dato meteorológico relevante para la cuenca en estudio. Estos datos
también fueron brindados por la empresa ELAPAS, con las siguientes variables:
▪ TIMESTAMP: Fecha y hora del registro de la lectura.
▪ RECORD: Número incremental con el número de la lectura.
▪ PBar: Medida de la presión barométrica.
▪ PrecipP: Medición de la precipitación pluvial.
▪ DirV: Dirección de viento.
▪ RH: Humedad relativa.
▪ TA: Temperatura ambiente.
▪ VelV: Velocidad del viento.
▪ ET: Evapotranspiración.
▪ R-Rad: Radiación.
▪ Rso: No se conoce el significado de la variable.
▪ Velv_TMn: No se conoce el significado de la variable.
Visita de campo
Con el uso del Dron se pudo obtener mayor detalle en la caracterización de la cuenca, Al emplear
técnicas de fotogrametría y teledetección se puede obtener información detallada sobre el uso de suelo
y cobertura vegetal de la cuenca, lo que facilitó la caracterización de la misma.
2. Limpieza de los datos
Antes de poder determinar los métodos es necesario un preprocesamiento y análisis de los datos, para
ello se creó un código de python utilizando la librería Pandas.
El código lee los datos, elimina los datos que no sean relevantes en la precipitación y elimina las lecturas
que tengan datos faltantes, también se eligió un rango de fechas para el entrenamiento y otro para las
pruebas.
3. Determinar las variables que influyen en la precipitación
Una vez los datos hayan sido procesados se procederá a realizar la correlación entre la precipitación y
las distintas variables, para ello se usa la correlación de Pearson, como se puede ver en la tabla 2.
pág. 3382
4. Obtención de las distancias entre estaciones
Mediante el uso de Google Earth se obtuvo las distancias entre las diferentes estaciones y la estación
de Tumpeka, estas distancias son necesarias para algunos métodos hidrológicos convencionales
5. Aplicar los métodos hidrológicos convencionales
Para aplicar los métodos convencionales, se recopiló información completa de los datos reales de las
estaciones meteorológicas de Ravelo, Tumpeka y Cajamarca, identificando los meses más lluviosos.
Posteriormente, se eliminaron los datos reales de los meses de noviembre y diciembre de 2022, así como
de enero y febrero de 2023, para luego ser estimados utilizando los siguientes métodos de estimación:
Método del Servicio Meteorológico Nacional de EE.UU., Método de la Razón Normal y el Método de
Regresión Lineal.
6. Aplicar los métodos de Inteligencia Artificial
Para utilizar los métodos de Inteligencia Artificial, primero se obtuvo información pluviométrica y
meteorológica de la estación de Tumpeka, con mediciones cada 15 minutos desde el año 2018 hasta el
2024. Posteriormente, se utilizó la biblioteca Pandas para manejar los más de 200,000 datos recopilados.
Se realizó un filtrado de datos, limpiando las columnas sin información, y se llevó a cabo una
correlación para identificar las variables más adecuadas y óptimas para el entrenamiento. Las variables
seleccionadas fueron: presión barométrica, humedad relativa, velocidad del viento y dirección del
viento. Luego, se identificaron los rangos de fechas para el entrenamiento y la prueba, siendo estos:
Fechas de entrenamiento: 2018-01-01 al 2022-10-31, y 2023-03-01, 2024-01-31
Fechas de prueba: 2022-11-01 al 2023-02-28
Estos rangos se aplicaron a los métodos de inteligencia artificial, tales como regresión lineal múltiple,
redes neuronales artificiales, series temporales, árbol de decisión, perceptrón multicapa, bosques
aleatorios y redes neuronales recurrentes, mismos que se encuentra implementados en la biblioteca
sklearn.
pág. 3383
7. Comparar los resultados de los métodos hidrológicos y de los métodos de Inteligencia
Artificial.
Para realizar la comparación se aplicó el error porcentual:
1.
Calcular el Error Cuadrático Medio (ECM):

󰆚
 󰇛󰇜
donde:
 son los valores reales
 son los valores predichos.
2.
Calcular la Raíz del Error Cuadrático Medio (RECM):
 
3. Calcular el rango de los valores reales:
 󰇛󰇜󰇛󰇜
4. Convertir el RECM en porcentaje del rango:
 

RESULTADOS Y DISCUSIÓN
Después de aplicar los métodos hidrológicos convencionales y de los métodos de Inteligencia Artificial
se obtuvieron los resultados de la tabla 3, donde se puede observar el error cuadrático medio porcentual
(ECM%) de cada método.
El uso del Método del Servicio Meteorológico Nacional de EE.UU. proporciona estimaciones
razonables para los datos faltantes. Las diferencias entre los valores originales y estimados son
esperadas debido a la combinación ponderada de los datos de la estaciones de Ravelo y Cajamarca,
reflejando una media basada en la proximidad de las estaciones vecinas. La variabilidad climática y las
diferencias en las condiciones locales también contribuyen a estas diferencias. La inclusión de una o
más estaciones adicionales en un radio de 20 km, proporcionará una muestra más amplia y diversa,
pág. 3384
permitiendo una representación más precisa de las condiciones climáticas de la región y reduciendo el
sesgo presente al usar solo dos estaciones.
La razón normal es uno de los métodos más utilizados en el relleno de datos según los datos de error
obtenidos es el segundo más eficaz de los método convencionales con un valor de 6,62% , Algunas
razones por la que el método puede variar son: en primer lugar, el número de estaciones de referencia:
se deben seleccionar estaciones de referencia que sean representativas de la región en la que se está
trabajando y que tengan datos suficientes para calcular las razones normales. En segundo lugar, la
variabilidad climática: factores como el cambio climático pueden afectar la validez de las razones
normales, por lo que es importante tener en cuenta la variabilidad climática al aplicar este método.
La Regresión Lineal Simple estima un error del 1,54% indica una alta precisión en la predicción de
precipitaciones. Este bajo nivel de error sugiere que el modelo de regresión lineal utilizado es capaz de
capturar de manera efectiva las relaciones lineales entre las variables involucradas en la predicción, esto
es importante en el contexto de la meteorología, donde incluso pequeñas desviaciones en las
predicciones pueden tener un impacto significativo en la toma de decisiones y la planificación de
actividades sensibles al clima. Si las condiciones meteorológicas entre estas estaciones son
significativamente diferentes, esto puede llevar a una mayor discrepancia entre las predicciones y las
observaciones reales. Por lo tanto, es fundamental considerar la representatividad de las estaciones
cercanas al realizar predicciones meteorológicas basadas en modelos estadísticos como la regresión
lineal.
El uso de la regresión lineal múltiple para la predicción de precipitaciones ha mostrado un error
porcentual del 2,23%. Este método, que modela la relación entre una variable dependiente y múltiples
variables independientes, es eficaz para capturar relaciones lineales entre los datos, proporcionando
predicciones razonablemente precisas. Sin embargo, la regresión lineal múltiple puede ser limitada en
su capacidad para modelar relaciones no lineales complejas presentes en los datos. Para asegurar un
rendimiento consistente y robusto, es crucial prestar atención a la selección de variables y a la calidad
de los datos, así como utilizar técnicas de validación cruzada para evaluar y mejorar la generalización
del modelo.
pág. 3385
El uso de redes neuronales artificiales para la predicción de precipitaciones ha mostrado resultados
prometedores, con un error porcentual del 2,93%. Este bajo nivel de error destaca la eficacia de las
redes neuronales artificiales, en capturar relaciones complejas en los datos y su capacidad para
proporcionar predicciones precisas, sin embargo este valor es significativo en comparación a los
resultados de los demás métodos por lo que se recomienda ajustar los hiperparámetros del modelo,
normalizar los datos de entrada, aumentar la cantidad de datos de entrenamiento, para lograr una mejor
generalización y reducir el riesgo de sobreajuste.
El uso de técnicas de predicción basadas en series temporales para la estimación de precipitaciones ha
mostrado un error porcentual del 2,61%, destacando su eficacia en capturar patrones dependientes del
tiempo. Estos modelos son adecuados para datos secuenciales y proporcionan predicciones precisas.
Para mantener un rendimiento consistente y robusto, es crucial asegurar la calidad de los datos, ajustar
adecuadamente el modelo y utilizar validación cruzada temporal. Incorporar factores exógenos
relevantes y un adecuado preprocesamiento de datos también puede mejorar la precisión.
El método de regresión basado en un árbol de decisión, configurado con una profundidad máxima de 5,
mostró un desempeño razonable al predecir la precipitación total, con un error cuadrático medio relativo
al rango (RECM%) de 1.84%. Esto indica una desviación mínima respecto al rango total de los valores
reales de precipitación. Aunque el modelo es interpretable y captura relaciones no lineales, existe el
riesgo de sobreajuste y sensibilidad a variaciones en los datos.Aunque el modelo es interpretable y
captura relaciones no lineales, existe el riesgo de sobreajuste y sensibilidad a variaciones en los datos.
El uso del Perceptrón Multicapa para la predicción de precipitaciones ha mostrado un error porcentual
del 3,87%. Aunque este método tiene la capacidad de capturar relaciones no lineales en los datos, el
mayor nivel de error en comparación con otros modelos sugiere que puede no ser el más adecuado para
este conjunto de datos específico, se estima que el modelo MLP no está capturando adecuadamente la
relación entre las variables independientes y la variable objetivo. Para mejorar el modelo, se pueden
ajustar los hiperparámetros, normalizar los datos de entrada, aumentar la cantidad de datos de
entrenamiento y explorar otras arquitecturas de redes neuronales según el tipo de datos y el problema a
resolver.
pág. 3386
El uso de Bosques Aleatorios para la predicción de precipitaciones ha mostrado resultados
sobresalientes, con un error porcentual del 1,94%. Este bajo nivel de error destaca la capacidad de los
Bosques Aleatorios para manejar complejidades en los datos sin sobreajustar, proporcionando
predicciones precisas y confiables. Este valor relativamente bajo sugiere que el modelo tiene una buena
capacidad para hacer predicciones precisas en este conjunto de datos específico. Las ventajas del
método de Bosques Aleatorios incluyen su capacidad para manejar conjuntos de datos grandes con
muchas características, su resistencia al sobreajuste gracias a la combinación de múltiples árboles, y su
capacidad para manejar datos faltantes y variables categóricas sin necesidad de preprocesamiento
adicional.
El uso de Redes Neuronales Recurrentes para la predicción de precipitaciones ha mostrado un error
porcentual del 2,19%. Este resultado indica que las RNNs son eficaces en capturar dependencias
temporales en los datos, proporcionando predicciones precisas. Para asegurar un rendimiento
consistente y robusto, es crucial optimizar la arquitectura de la red, ajustar los hiperparámetros y mejorar
la calidad de los datos. Utilizar técnicas de validación cruzada también es esencial para evaluar y
mejorar la generalización del modelo.
ILUSTRACIONES, TABLAS, FIGURAS
Tabla 1.: Valores de precipitaciones de las estaciones meteorológicas.
Estación
Registros meteorológicos (Cada 15 minutos)
Cajamarca
109 329
Tumpeka
110 134
Ravelo
145 131
Fuente: Elaboración Propia
Tabla 2.: Correlación de variables para la precipitación.
Variables
Correlación
Humedad Relativa
0,110408
Velocidad del viento
0,011158
Dirección del viento
0,009436
Presión Barométrica
0,005318
Fuente: Elaboración Propia
pág. 3387
Tabla 3.: Distancia entre la estación de Tumpeka y otras estaciones.
Estación
Distancia (km)
Potolo
10,730
Cajamarca
5,890
Ravelo
18,445
Fuente: Elaboración propia
Tabla 4.: Error cuadrático medio porcentual (ECM%) de cada método.
Tipo
ECM %
Hidrológico convencional
31,78
Hidrológico convencional
6,62
Hidrológico convencional
1,54
Inteligencia Artificial
2,23
Inteligencia Artificial
2,93
Inteligencia Artificial
2,61
Inteligencia Artificial
1,84 %
Inteligencia Artificial
3,87 %
Inteligencia Artificial
1,94 %
Inteligencia Artificial
2,19 %
Fuente: Elaboración Propia
Figura 1: Distribución global del agua
Fuente: (Distribución de Agua en el Planeta | Jumapam, s. f., p. 20)
pág. 3388
Figura 2.: Vista panoramica de la obra de toma vista desde el Dron
Fuente: Elaboración Propia
Figura 3.: Cobertura Vegetal de la zona
Fuente: Elaboración Propia
Figura 4.: Cobertura Vegetal de la zona
Fuente: Elaboración Propia
pág. 3389
CONCLUSIONES
Los métodos convencionales utilizados fueron: Servicio Meteorológico Nacional de EE.UU., Razón
Normal y Regresión Lineal Simple, los mismos que permiten completar los datos faltantes de
precipitaciones pluviales a partir de la información de otras estaciones.
Los métodos de Inteligencia Artificial que pueden ser usados en la predicción de datos de precipitación
pluvial fueron: Regresión Lineal Múltiple, Redes Neuronales Artificiales, Series Temporales, Árbol de
Decisión, Perceptrón Multicapa, Bosques Aleatorios y Redes neuronales Recurrentes, los cuales
requieren grandes volúmenes de datos para encontrar un modelo que permita realizar la predicción de
manera adecuada.
Se realizaron las visitas a campo, en donde se observaron los pluviómetros cercanos a la zona de estudio,
los pluviómetros que se encuentran en funcionamiento, se observaron los manejos y manipulación por
el personal, también se observó el tipo de cobertura vegetal con la que cuenta el lugar. Por otro lado,
la empresa ELAPAS proporcionó datos históricos de las estaciones de Tumpeka, Ravelo y Cajamarca
de precipitación desde 2018 a 2024 con las variables: Fecha y hora del registro de la lectura, Número
incremental con el número de la lectura, Medida de la presión barométrica, Medición de la precipitación
pluvial, Dirección de viento, Humedad relativa, Temperatura ambiente, Velocidad del viento,
Evapotranspiración, Radiación.
Se desarrollaron programas usando python que implementan los métodos hidrológicos convencionales,
dicho programas permiten la aplicación rápida y efectiva de los métodos sobre un conjunto de datos de
precipitaciones pluviales. De los meses de noviembre de 2022, diciembre de 2022, enero de 2023 y
febrero de 2023.
Con sklearn se desarrollaron programas usando python que permiten realizar el entrenamiento,
predicción y cálculo de errores de todos los métodos de Inteligencia Artificial estudiados. Se utilizaron
los datos de los meses de noviembre de 2022, diciembre de 2022, enero de 2023 y febrero de 2023,
como datos de pruebas; con los otros datos se procedió a entrenar cada método.
Para poder realizar la comparación entre los diferentes métodos se utilizó el error cuadrático medio
porcentual, dando como resultado a la Regresión Lineal Simple como el mejor método hidrológico
convencional con un error del 1,54 %. Por otro lado, el método de Árbol de Decisión es el mejor método
pág. 3390
de Inteligencia Artificial con un error de 1,84 % y en segundo lugar el método de Bosques Aleatorios
con un error de 1,94 %. La diferencia de error entre los métodos es tan pequeña que no se puede
determinar claramente cual es el mejor de todos.
Finalmente, los métodos hidrológicos tradicionales dependen de estaciones meteorológicas cercanas
para completar datos faltantes, lo que limita su utilidad en áreas sin estas estaciones. En contraste, los
métodos basados en Inteligencia Artificial, como los modelos de Bosques Aleatorios y Árbol de
Decisión, no requieren esta información externa y logran estimaciones precisas de datos faltantes de
precipitación pluvial, incluso con pocos años de información disponible, pero con una gran cantidad de
datos de las precipitaciones en dichos años. Estos métodos consideran variables dependientes como
dirección del viento, presión barométrica, velocidad del viento y humedad relativa, lo que resalta su
capacidad para proporcionar resultados efectivos y confiables en condiciones de datos limitados. El
estudio se llevó a cabo en la estación de Tumpeka, la obra de toma de agua potable de Sucre, utilizando
datos de una estación meteorológica ubicada en el mismo lugar. A pesar de la limitación en la
disponibilidad de años de información, los modelos de Inteligencia Artificial demostraron su eficacia
al proporcionar estimaciones precisas de precipitación pluvial, mostrando su utilidad incluso en
ubicaciones estratégicas como la estación de Tumpeka.
REFERENCIAS BIBLIOGRAFICAS
1. Araoz Rojas, J. (2018). Elaboración de un Plan de Seguridad del Agua PSA, para el
aprovechamiento de las fuentes hídricas que abastecen los municipios de Dibulla y Riohacha.
Ingeniería Civil. https://ciencia.lasalle.edu.co/ing_civil/530
2. Caloir, B., & Molina Carpio, J. (2015). Modelo de gestión de la cuenca Mauri – Desaguadero
y escenarios de cambio climático. Informe final. https://doi.org/10.13140/RG.2.2.18203.89122
3. Coras Merido, P. (2020). Drenaje Agricola.
4. Corres, G., Esteban, A., García, J. C., & Zárate, C. (2009). Análisis de series temporales.
Revista Ingeniería Industrial, 8(1), Article 1.
https://revistas.ubiobio.cl/index.php/RI/article/view/80
5. ELAPAS - Empresa Local de Agua Potable y Alcantarrillado Sucre. (s. f.). Recuperado 25 de
julio de 2024, de https://web.elapas.com.bo/contenido.php?id=8
pág. 3391
6. Huanca Aspi, N. (2019). Uso de tecnologías de información geográfica para el modelamiento
de riesgos de inundación en la canalización del rio Huayllani—Zona de Achumani, La Paz
[Thesis]. http://repositorio.umsa.bo/xmlui/handle/123456789/33349
7. Inicio—Jumapam.gob.mx. (s. f.). Recuperado 25 de julio de 2024, de https://jumapam.gob.mx/
8. Medina Merino, R. F., & Ñique Chacón, C. I. (2017). Bosques aleatorios como extensión de
los árboles de clasificación con los programas R y Python. Interfases, 10, 165-189.
9. Montero Torres, J. (2023). Importancia de las cuencas Cachi Mayu y Cajamarca en Sucre: Una
revisión basada en ecorregiones, políticas y servicios ambientales. Revista de Investigación e
Innovación Agropecuaria y de Recursos Naturales, 10(3), 106-125.
https://doi.org/10.53287/mgso3359ju99y
10. Moreno, E. G., & Balcázar, M. del C. S. (2023). EFECTOS DE LA APLICACIÓN DE LA
INTELIGENCIA ARTIFICIAL EN LA CONTABILIDAD Y LA TOMA DE DECISIONES.
GESTIÓN, 1(1), Article 1. https://revistap.ejeutap.edu.co/index.php/Gestion/article/view/71
11. Pacheco Apaza, R. R. (2016). Análisis de la disponibilidad de agua en el crecimiento
económico de Bolivia: Periodo 1990 - 2014 [Thesis].
http://repositorio.umsa.bo/xmlui/handle/123456789/9952
12. Pizarro, R., Ausensi, P., Aravena, D., Sangüesa, C., León, L., & Balocchi, F. (2009). Evaluación
de Métodos Hidrológicos para la Completación de datos faltantes de precipitación en estaciones
de la Región del Maule, Chile. Aqua-LAC, 1, 172-184.
https://doi.org/10.29104/phi-aqualac/2009-v1-2-07
13. Rojo, J. M., & Abuín, J. M. R. (s. f.). Regresión lineal múltiple.
14. Scheaffer, R. L. (s. f.). Elementary Survey Sampling.
15. Toro Trujillo, A. M., Arteaga Ramírez, R., Vázquez Peña, M. A., & Ibáñez Castillo, L. A.
(2015). Relleno de series diarias de precipitación, temperatura mínima, máxima de la región
norte del Urabá Antioqueño. Revista mexicana de ciencias agrícolas, 6(3), 577-588.
16. Ureña, J. E., Vallejos, A. G., Saavedra, O. C., & Escalera, A. C. (2018). EVALUACIÓN DE
LA PRECIPITACIÓN DISTRIBUIDA EN LA CUENCA KATARI BASADO EN
pág. 3392
TECNOLOGÍA SATELITAL Y PRODUCTOS DERIVADOS. Investigación &
Desarrollo, 18(1), 35-51.
17. Veintimilla, J. E., & Cisneros, F. (2014). Redes Neuronales Artificiales (RNA) aplicadas en la
prediccion de caudales para intervalos de tiempo horarios. Revista Tecnológica - ESPOL, 27(2),
Article 2. https://rte.espol.edu.ec/index.php/tecnologica/article/view/304
18. Vereda, M. (2008). Tierra del Fuego y Antártica: Un inventario de recursos turísticos desde la
idea de complementariedad de destino. Estudios y perspectivas en turismo, 17(3), 199-225.
19. Hastie, T., Tibshirani, R., & Friedman, J. (2009b). Neural Networks. En T. Hastie, R.
Tibshirani, & J. Friedman (Eds.), The Elements of Statistical Learning: Data Mining, Inference,
and Prediction (pp. 389-416). Springer. https://doi.org/10.1007/978-0-387-84858-7_11
20. LeCun, Y., Boser, B., Denker, J., Henderson, D., Howard, R., Hubbard, W., & Jackel, L.
(1989). Handwritten Digit Recognition with a Back-Propagation Network. Advances in Neural
Information Processing Systems, 2.
https://proceedings.neurips.cc/paper/1989/hash/53c3bce66e43be4f209556518c2fcb54-
Abstract.html