Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.
Introducción— La sequía es uno de los fenómenos hidrometeorológicos más críticos por sus impactos en la sociedad. A pesar de que Colombia es un país tropical, existen zonas del territorio que presentan periodos de sequía, lo que ocasiona importantes perjuicios económicos. Objetivo— Debido a los reci...
- Autores:
-
Herrera Posada, Daissy Milenys
Aristizábal, Edier
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2022
- Institución:
- Corporación Universidad de la Costa
- Repositorio:
- REDICUC - Repositorio CUC
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.cuc.edu.co:11323/12337
- Palabra clave:
- Drought
Standardized Precipitation Index
Satellite Imagery
Machine Learning
Random Forest
Decision Tree Classifier
Sequía
Índice de precipitación estandarizado
Imágenes Satelitales
Aprendizaje automático
Bosque Aleatorio
Árboles de decisión
predicción de sequías
- Rights
- openAccess
- License
- INGE CUC - 2022
| Summary: | Introducción— La sequía es uno de los fenómenos hidrometeorológicos más críticos por sus impactos en la sociedad. A pesar de que Colombia es un país tropical, existen zonas del territorio que presentan periodos de sequía, lo que ocasiona importantes perjuicios económicos. Objetivo— Debido a los recientes avances en cuanto a las resoluciones espaciales y temporales de la teledetección, y a las técnicas de inteligencia artificial, es posible desarrollar modelos de aprendizaje automático apoyados en información histórica. Metodología— En este estudio se construyó un modelo clasificador de Bosque Aleatorio (RF) y Árbol de Decisión en Bolsa (DTC) para realizar la predicción espacial y temporal de sequía en el departamento del Magdalena utilizando las siguientes características: Índice de Vegetación de Diferencia Normalizada (NDVI), temperatura de la superficie terrestre (LST), precipitación, Índice de Agua de Diferencia Normalizada (NDWI), Índice de Sequía Multibanda Normalizada (NMDI), evapotranspiración (ET), humedad superficial del suelo (SSM), humedad subsuperficial del suelo (SUSM), Índice ENSO Multivariado (MEI), Índice de Oscilación del Sur (SOI) e Índice del Niño Oceánico (ONI). Resultados— Para el etiquetado, que permite entrenar y evaluar el modelo, se utilizó el Índice de Precipitación Estandarizado (SPI) para identificar los eventos de sequía. Conclusiones— La implementación del modelo desarrollado puede permitir a las entidades gubernamentales tomar acciones para mitigar los impactos generados por sequías recurrentes en sus territorios. |
|---|