Aplicación de Inteligencia Artificial para la Obtención de Datos Faltantes de Precipitación Pluvial en la Cuenca Ravelo para la Captación de Agua Dulce
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.
Descargas
Citas
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
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 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
Derechos de autor 2024 José Boris Bellido Santa María, José Edgar Campos Serrano , Carla Veronica Espada Aguilar , Janeth Maciel Huaranca Callejas , Alex Daniel Ibarra Tumiri
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
.png)
