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...

Full description

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

id	RCUC2_84def1e60c5e38cb9c9b1eb6f701a692
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/12337
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.
dc.title.translated.eng.fl_str_mv	Artificial Intelligence and machine learning model for spatial and temporal prediction of Drought events in the Magdalena department, Colombia.
title	Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.
spellingShingle	Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia. 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
title_short	Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.
title_full	Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.
title_fullStr	Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.
title_full_unstemmed	Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.
title_sort	Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.
dc.creator.fl_str_mv	Herrera Posada, Daissy Milenys Aristizábal, Edier
dc.contributor.author.spa.fl_str_mv	Herrera Posada, Daissy Milenys Aristizábal, Edier
dc.subject.eng.fl_str_mv	Drought Standardized Precipitation Index Satellite Imagery Machine Learning Random Forest Decision Tree Classifier
topic	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
dc.subject.spa.fl_str_mv	Sequía Índice de precipitación estandarizado Imágenes Satelitales Aprendizaje automático Bosque Aleatorio Árboles de decisión predicción de sequías
description	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.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-09-11 00:00:00 2024-04-09T20:21:44Z
dc.date.available.none.fl_str_mv	2022-09-11 00:00:00 2024-04-09T20:21:44Z
dc.date.issued.none.fl_str_mv	2022-09-11
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0122-6517
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11323/12337
dc.identifier.url.none.fl_str_mv	https://doi.org/10.17981/ingecuc.18.2.2022.20
dc.identifier.doi.none.fl_str_mv	10.17981/ingecuc.18.2.2022.20
dc.identifier.eissn.none.fl_str_mv	2382-4700
identifier_str_mv	0122-6517 10.17981/ingecuc.18.2.2022.20 2382-4700
url	https://hdl.handle.net/11323/12337 https://doi.org/10.17981/ingecuc.18.2.2022.20
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.ispartofjournal.spa.fl_str_mv	Inge Cuc
dc.relation.references.spa.fl_str_mv	D. Wilhite, M. Sivakumar & D. Wood, Early warning systems for drought preparedness and drought management. GEN, CH: WMO, 2000. Available from http://www.wamis.org/agm/pubs/agm2/agm02.pdf T. McKee, N. Doesken & J. Kleistet, “The relationship of drought frequency and duration to time scales,” presented at 8th Conference on Applied Climatology, ANA, CA, USA, 17-22 Jan. 1993. Available from https://www.droughtmanagement.info/literature/AMS_Relationship_Drought_Frequency_Duration_Time_Scales_1993.pdf WMO, “Índice normalizado de precipitación Guía de usuario”, GEN, CH: WMO, Report No. 1090, 2012. Available: https://library.wmo.int/doc_num.php?explnum_id=7769 FAO, Sequía: FAO in Emergencies. [Online] Disponible en http://www.fao.org/emergencies/tipos-de-peligros-y-de-emergencias/sequia/es/ [Fecha de consulta 31 Ene. 2020]. W. Cramer, G. Yohe, M. Auffhammer, C. Huggel, U. Molau, M. Dias, A. Solow, D. Stone, & L. Tibig, “Detection and attribution of observed impacts”, in Climate Change 2014: Impacts, Adaptation,and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the FifthAssessment Report of the Intergovernmental Panel on Climate Change, C. Field, V. Barros, D. Dokken, K. Mach, M. Mastrandrea, T. Bilir, M. Chatterjee, K. Ebi, Y. Estrada, R. Genova, B. Girma, E. Kissel, A. Levy, S. MacCracken, P. Mastrandrea & L. White, eds, CAMB, UK/NYC, NY, USA: Cambridge UP, 2014, pp. 979-1037. https://doi.org/10.1017/CBO9781107415379.023 S. Solomon, D. Qin, M. Manning, Z. Chen, M. Marquis, K. Averyt, M. Tig-nor & H. Miller, “Climate change 2007: the physical science basis,” Cambridge UP, CAMB, UK/NY, USA, Report, 2007. Available: https://www.ipcc.ch/report/ar4/wg1/ A. Dai, T. Zhao & J. Chen, “Climate change and drought: A precipitation and evaporation perspective,” Curr Clim Change Rep, vol. 4, no. 9, pp. 301–312, May. 2018. https://doi.org/10.1007/s40641-018-0101-6 S. Mukherjee, A. Mishra & K. Trenberth, “Climate change and drought: a perspective on drought indices,” Curr Clim Change Rep, vol. 4, no. 2, pp. 145–163, Jun. 2018. https://doi.org/10.1007/s40641-018-0098-x Revista SEMANA, “Las graves secuelas económicas de la sequía”, Semana, 23 Jul. 2014. [Online]. Disponible en https://www.semana.com/nacion/articulo/las-graves-secuelas-economicas-de-la-sequia/396750-3 Redacción El Heraldo, “Magdalena, el más azotado por la temporada de sequía”, El Heraldo, 27 Sep. 2015. [Online]. Disponible en https://www.elheraldo.co/magdalena/magdalena-el-mas-azotado-por-la-temporada-de-sequia-219590 O. Rahmati, F. Falah, K. Dayal, R. Deo, F. Mohammadi, T. Biggs, D. Moghaddam, S. Naghibi & D. Bui, “Machine learning approaches for spatial modeling of agricultural droughts in the south-east region of Queensland Australia,” Sci Total Environ, vol. 699, pp. 1–10, Jan. 2020. https://doi.org/10.1016/j.scitotenv.2019.134230 S. Park, J. Im, E. Jang & J. Rhee, “Drought assessment and monitoring through blending of multi-sensor indices using machine learning approaches for different climate regions,” Agric For Meteorol, vol. 216, pp. 157–169, Jan. 2016. https://doi.org/10.1016/j.agrformet.2015.10.011 K. Fung, Y. Huang, C. Koo & M. Mirzaei, “Improved SVR machine learning models for agricultural drought prediction at downstream of Langat River Basin, Malaysia,” J Water Clim Chang, vol. 11, no. 4, pp. 1383–1398, Jun. 2019. https://doi.org/10.2166/wcc.2019.295 P. Feng, B. Wang, D. Li Liu & Q. Yu, “Machine learning-based integration of remotely-sensed drought factors can improve the estimation of agricultural drought in south-eastern Australia,” Agric. Syst, vol. 173, pp. 303–316, Aug. 2015. https://doi.org/10.1016/j.agsy.2019.03.015 A. Belayneh, J. Adamowski, B. Khalil & J. Quilty, “Coupling machine learning methods with wavelet transforms and the bootstrap and boosting ensemble approaches for drought prediction,” Atmos Res, vol. 172-173, pp. 37–47, Jun. 2016. https://doi.org/10.1016/j.atmosres.2015.12.017 X. Liu, X. Zhu, Q. Zhang, T. Yang, Y. Pan & P. Sun, “A remote sensing and artificial neural network-based integrated agricultural drought index: Index development and applications,” Catena, vol. 186, no. 2, pp. 1–10, Mar. 2020. https://doi.org/10.1016/j.catena.2019.104394 J. Cruz & D. Wishart, “Applications of machine learning in cancer prediction and prognosis,” Cancer Inform, vol. 2, pp. 59–77, Dec. 2006. https://doi.org/10.1177/11769351060020003 L. Deng & X. Li, “Machine learning paradigms for speech recognition: An overview,” IEEE Trans Audio Speech Lang Process, vol. 21, no. 5, pp. 1060–1089, May. 2013. https://doi.org/10.1109/TASL.2013.2244083 K. Rasouli, W. Hsieh & A. Cannon, “Daily streamflow forecasting by machine learning methods with weather and climate inputs,” J. Hydrol., vol. 414-415, pp. 284–293, Jan. 2012. https://doi.org/10.1016/j.jhydrol.2011.10.039 D. Lary, A. Alavi, A. Gandomi & A. Walker, “Machine learning in geosciences and remote sensing,” GSF, vol.7, no. 1, pp. 3–10, Apr. 2015. https://doi.org/10.1016/j.gsf.2015.07.003 Minambiente, UNGRD, IDEAM, Estrategia Nacional para la gestión integral de la sequía en Colombia. BO, CO: MinAmbiente, IDEAM, & UNGRD, 2018. Recuperado de https://www.unccd.int/sites/default/files/country_profile_documents/ENGIS%2520para%2520publicaci%25C3%25B3n_Colombia.pdf UNGRD, “Consolidado anual de emergencias”, (1998-2021), Gobierno de Colombia [Online]. Disponible en http://portal.gestiondelriesgo.gov.co/Paginas/Consolidado-Atencion-de-Emergencias.aspx (consultado 2020, May. 18). Gobernación del Magdalena, “Nuestro departamento”, Gobierno de Colombia [Online]. Disponible en http://www.magdalena.gov.co/departamento/nuestro-departamento (consultado 2020, May. 18) DANE, Resultados Censo Nacional de Población y Vivienda 2018. BO, CO: Gobierno de Colombia. Recuperado de https://www.dane.gov.co/files/censo2018/informacion-tecnica/presentaciones-territorio/191004-CNPV-presentacion-Magdalena.pdf IDEAM, Magdalena. BO, CO: Gobierno de Colombia. Recuperado de http://atlas.ideam.gov.co/basefiles/magdalena_texto.pdf K. Trenberth, A. Dai, G. Van Der Schrier, P. Jones, J. Barichivich, K. Briffa & J. Sheffield, “Global warming and changes in drought,” Nat Clim Change, vol. 4, no. 1, pp. 17–22, Dec. 2013. https://doi.org/10.1038/nclimate2067 N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau & R. Moore, “Google Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sens Environ, vol. 202, pp. 18–27, Jul. 2016. https://doi.org/10.1016/j.rse.2017.06.031 NASA. Normalized Difference Vegetation Index (NDVI), 30 Aug. 2000. Available: https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetation_2.php T. Du, D. Bui, M. Nguyen & H. Lee, “Satellite-based, multi-indices for evaluation of agricultural droughts in a highly dynamic tropical catchment, central Vietnam,” J Water, vol. 10, no. 5, pp. 1–24, Jan. 2018. https://doi.org/10.3390/w10050659 L. Wang & J. Qu, “NMDI: A normalized multi-band drought index for monitoring soil and vegetation moisture with satellite remote sensing,” Geophys Res Lett, vol. 34, no. 20, pp. 1–5, Jul. 2007. https://doi.org/10.1029/2007GL031021 G. Poveda y O. Mesa, “Las fases extremas del fenómeno ENSO (El Niño y La Niña) y su influencia sobre la hidrología de Colombia”, Ing Hidraulic Mex, vol. 11, no. 1, pp. 21–37, Ene. 1996. Disponible en http://www.revistatyca.org.mx/ojs/index.php/tyca/article/view/765 D. Edwards & T. McKee, “Characteristics of 20th century drought in the United States at multiple time scales,” Dept. Atmos. Sci., CSU, FRT COLL., CO, USA, Climatology Report No. 97-2, Paper no. 634, 1997. Available: http://hdl.handle.net/10217/170176 O. Valiente, “Sequía: definiciones, tipologías y métodos de cuantificación”, Invest Geogr, no. 26, pp. 59–80, Mar. 2001. https://doi.org/10.14198/INGEO2001.26.06 R. Mayorga y G. Hurtado, “La sequía en Colombia, Documento tecnico de respaldo a la informacion en la pagina web del IDEAM”, IDEAM, BO, CO, Report IDEAM–METEO/004-2006, 2006. Recuperado de http://www.cambioclimatico.gov.co/documents/21021/21147/NotaT%C3%A9cnicaSequia.pdf/d9ba4965-f7cd-4a2f-a875-2a38b1d6a941 G. Hurtado, Sequía meteorológica y sequía agrícola en Colombia: Incidencia y tendencias. BO, CO: IDEAM, 2012. Disponible en http://www.ideam.gov.co/documents/21021/21138/Sequias+Incidencias+y+Tendencias.pdf/3e72c86c-cf4a-42f9-95f1-07e7cf88861a J. Gómez y M. Cadena, “Actualización de las estadísticas de la sequía en Colombia”, IDEAM, BO, CO, Nota técnica IDEAM-METEO/001-2018, Jun. 2017. Recupearado de http://www.ideam.gov.co/documents/21021/124446218/NT+001-2018_Actualizaci%C3%B3n+de+las+estad%C3%ADsticas+de+la+sequia+en+Colombia/d47113b3-536b-4c83-a69c-22f97993016f?version=1.1 NDMC, “Climographs,” SNR [Online]. Available: https://drought.unl.edu/Climographs.aspx (consultado: 2018, dec. 7). W. Koehrsen, “A feature selection tool for machine learning in Python, Towards Data Science,” 22 Jun. 2018. Available: https://towardsdatascience.com/a-feature-selection-tool-for-machine-learning-in-python-b64dd23710f0 C. Sutton, “11 - Classification and regression trees, bagging, and boosting,” Handb Stat, vol. 24, pp. 303–329, Dec. 2005. https://doi.org/10.1016/S0169-7161(04)24011-1 E. Bauer & R. Kohavi, “An empirical comparison of voting classification algorithms: Bagging, boosting, and variants,” Mach Learn, vol. 36, no. 1-2, pp. 1–38, Jan. 1996. Available: http://robotics.stanford.edu/~ronnyk/vote.pdf S. Safavian & D. Landgrebe, “A survey of decision tree classifier methodology,” IEEE Trans Syst Man Cybern, vol. 21, no. 3, pp. 660–674, Jun. 1991. https://doi.org/10.1109/21.97458 M. Pal, “Random forest classifier for remote sensing classification,” Int J Remote Sens, vol. 26, no. 1, pp. 217–222, Oct. 2003. https://doi.org/10.1080/01431160412331269698 F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot & É. Duchesnay, “Scikit-learn: Machine learning in Python”, J Mach Learn Res, vol. 12, no. 85, pp. 2825–2830, Mar. 2011. Available: https://www.jmlr.org/papers/v12/pedregosa11a.html Scikit-Learn, Scikit-Learn Machine Learning in Python [Online]. Available: https://scikit-learn.org/stable/index.html (consultado: 2020, May. 18). W Fin de Semana, “Declaran calamidad pública por sequía en cinco municipios del Magdalena”, W Radio, 27 Jul. 2014. Disponible en https://www.wradio.com.co/noticias/actualidad/declaran-calamidad-publica-por-sequia-en-cinco-municipios-del-magdalena/20140727/nota/2341212.aspx M. Correa, “La sequía impacta a 7 departamentos”, El Colombiano, 22 Jul. 2014. Disponible en https://www.elcolombiano.com/historico/la_sequia_impacta_a_7_departamentos-IGEC_303649
dc.relation.citationendpage.none.fl_str_mv	265
dc.relation.citationstartpage.none.fl_str_mv	249
dc.relation.citationissue.spa.fl_str_mv	2
dc.relation.citationvolume.spa.fl_str_mv	18
dc.relation.bitstream.none.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/download/3812/4416 https://revistascientificas.cuc.edu.co/ingecuc/article/download/3812/4620 https://revistascientificas.cuc.edu.co/ingecuc/article/download/3812/4621
dc.relation.citationedition.spa.fl_str_mv	Núm. 2 , Año 2022 : (Julio-Diciembre)
dc.rights.spa.fl_str_mv	INGE CUC - 2022
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	INGE CUC - 2022 http://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf text/html text/xml
dc.publisher.spa.fl_str_mv	Universidad de la Costa
dc.source.spa.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/view/3812
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/0c0e1051-28ec-42cd-bd07-a21cfb290852/download
bitstream.checksum.fl_str_mv	6f04dc38f5c0ac566a20edec8eb8092c
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1828166889366355968
spelling	Herrera Posada, Daissy MilenysAristizábal, Edier2022-09-11 00:00:002024-04-09T20:21:44Z2022-09-11 00:00:002024-04-09T20:21:44Z2022-09-110122-6517https://hdl.handle.net/11323/12337https://doi.org/10.17981/ingecuc.18.2.2022.2010.17981/ingecuc.18.2.2022.202382-4700Introducción— 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.Introduction— Drought is one of the most critical hydrometeorological phenomenon in terms of its impacts on society. Although Colombia is a tropical country, there are areas of the territory which have periods of drought, and this causes significant economic damage. Objective— Due to recent advances in terms of the spatial and temporal resolutions of remote sensing, and artificial intelligence techniques, it is possible to develop automatic learning models supported by historical information. Methodology— In this study, a Random Forest (RF) and Bagged Decision Tree Classifier (DTC) model was built to perform spatial and temporal drought prediction in the department of Magdalena using the following features: Normalized Difference Vegetation Index (NDVI), land surface temperature (LST), precipitation, Normalized Difference Water Index (NDWI), Normalized Multiband Drought Index (NMDI), evapotranspiration (ET), surface soil moisture (SSM), subsurface soil moisture (SUSM), Multivariate ENSO Index (MEI), Southern Oscillation Index (SOI), and Oceanic Niño Index (ONI). Results— For labelling, which allows one to train and evaluate the model, the Standardized Precipitation Index (SPI) was used to identify drought events. Conclusions— The implementation of the developed model can allow governmental entities to take actions to mitigate impacts generated by recurring droughts in their territories.application/pdftext/htmltext/xmlspaUniversidad de la CostaINGE CUC - 2022http://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/ingecuc/article/view/3812DroughtStandardized Precipitation IndexSatellite ImageryMachine LearningRandom ForestDecision Tree ClassifierSequíaÍndice de precipitación estandarizadoImágenes SatelitalesAprendizaje automáticoBosque AleatorioÁrboles de decisiónpredicción de sequíasModelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.Artificial Intelligence and machine learning model for spatial and temporal prediction of Drought events in the Magdalena department, Colombia.Artículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Inge CucD. Wilhite, M. Sivakumar & D. Wood, Early warning systems for drought preparedness and drought management. GEN, CH: WMO, 2000. Available from http://www.wamis.org/agm/pubs/agm2/agm02.pdfT. McKee, N. Doesken & J. Kleistet, “The relationship of drought frequency and duration to time scales,” presented at 8th Conference on Applied Climatology, ANA, CA, USA, 17-22 Jan. 1993. Available from https://www.droughtmanagement.info/literature/AMS_Relationship_Drought_Frequency_Duration_Time_Scales_1993.pdfWMO, “Índice normalizado de precipitación Guía de usuario”, GEN, CH: WMO, Report No. 1090, 2012. Available: https://library.wmo.int/doc_num.php?explnum_id=7769FAO, Sequía: FAO in Emergencies. [Online] Disponible en http://www.fao.org/emergencies/tipos-de-peligros-y-de-emergencias/sequia/es/ [Fecha de consulta 31 Ene. 2020].W. Cramer, G. Yohe, M. Auffhammer, C. Huggel, U. Molau, M. Dias, A. Solow, D. Stone, & L. Tibig, “Detection and attribution of observed impacts”, in Climate Change 2014: Impacts, Adaptation,and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the FifthAssessment Report of the Intergovernmental Panel on Climate Change, C. Field, V. Barros, D. Dokken, K. Mach, M. Mastrandrea, T. Bilir, M. Chatterjee, K. Ebi, Y. Estrada, R. Genova, B. Girma, E. Kissel, A. Levy, S. MacCracken, P. Mastrandrea & L. White, eds, CAMB, UK/NYC, NY, USA: Cambridge UP, 2014, pp. 979-1037. https://doi.org/10.1017/CBO9781107415379.023S. Solomon, D. Qin, M. Manning, Z. Chen, M. Marquis, K. Averyt, M. Tig-nor & H. Miller, “Climate change 2007: the physical science basis,” Cambridge UP, CAMB, UK/NY, USA, Report, 2007. Available: https://www.ipcc.ch/report/ar4/wg1/A. Dai, T. Zhao & J. Chen, “Climate change and drought: A precipitation and evaporation perspective,” Curr Clim Change Rep, vol. 4, no. 9, pp. 301–312, May. 2018. https://doi.org/10.1007/s40641-018-0101-6S. Mukherjee, A. Mishra & K. Trenberth, “Climate change and drought: a perspective on drought indices,” Curr Clim Change Rep, vol. 4, no. 2, pp. 145–163, Jun. 2018. https://doi.org/10.1007/s40641-018-0098-xRevista SEMANA, “Las graves secuelas económicas de la sequía”, Semana, 23 Jul. 2014. [Online]. Disponible en https://www.semana.com/nacion/articulo/las-graves-secuelas-economicas-de-la-sequia/396750-3Redacción El Heraldo, “Magdalena, el más azotado por la temporada de sequía”, El Heraldo, 27 Sep. 2015. [Online]. Disponible en https://www.elheraldo.co/magdalena/magdalena-el-mas-azotado-por-la-temporada-de-sequia-219590O. Rahmati, F. Falah, K. Dayal, R. Deo, F. Mohammadi, T. Biggs, D. Moghaddam, S. Naghibi & D. Bui, “Machine learning approaches for spatial modeling of agricultural droughts in the south-east region of Queensland Australia,” Sci Total Environ, vol. 699, pp. 1–10, Jan. 2020. https://doi.org/10.1016/j.scitotenv.2019.134230S. Park, J. Im, E. Jang & J. Rhee, “Drought assessment and monitoring through blending of multi-sensor indices using machine learning approaches for different climate regions,” Agric For Meteorol, vol. 216, pp. 157–169, Jan. 2016. https://doi.org/10.1016/j.agrformet.2015.10.011K. Fung, Y. Huang, C. Koo & M. Mirzaei, “Improved SVR machine learning models for agricultural drought prediction at downstream of Langat River Basin, Malaysia,” J Water Clim Chang, vol. 11, no. 4, pp. 1383–1398, Jun. 2019. https://doi.org/10.2166/wcc.2019.295P. Feng, B. Wang, D. Li Liu & Q. Yu, “Machine learning-based integration of remotely-sensed drought factors can improve the estimation of agricultural drought in south-eastern Australia,” Agric. Syst, vol. 173, pp. 303–316, Aug. 2015. https://doi.org/10.1016/j.agsy.2019.03.015A. Belayneh, J. Adamowski, B. Khalil & J. Quilty, “Coupling machine learning methods with wavelet transforms and the bootstrap and boosting ensemble approaches for drought prediction,” Atmos Res, vol. 172-173, pp. 37–47, Jun. 2016. https://doi.org/10.1016/j.atmosres.2015.12.017X. Liu, X. Zhu, Q. Zhang, T. Yang, Y. Pan & P. Sun, “A remote sensing and artificial neural network-based integrated agricultural drought index: Index development and applications,” Catena, vol. 186, no. 2, pp. 1–10, Mar. 2020. https://doi.org/10.1016/j.catena.2019.104394J. Cruz & D. Wishart, “Applications of machine learning in cancer prediction and prognosis,” Cancer Inform, vol. 2, pp. 59–77, Dec. 2006. https://doi.org/10.1177/11769351060020003L. Deng & X. Li, “Machine learning paradigms for speech recognition: An overview,” IEEE Trans Audio Speech Lang Process, vol. 21, no. 5, pp. 1060–1089, May. 2013. https://doi.org/10.1109/TASL.2013.2244083K. Rasouli, W. Hsieh & A. Cannon, “Daily streamflow forecasting by machine learning methods with weather and climate inputs,” J. Hydrol., vol. 414-415, pp. 284–293, Jan. 2012. https://doi.org/10.1016/j.jhydrol.2011.10.039D. Lary, A. Alavi, A. Gandomi & A. Walker, “Machine learning in geosciences and remote sensing,” GSF, vol.7, no. 1, pp. 3–10, Apr. 2015. https://doi.org/10.1016/j.gsf.2015.07.003Minambiente, UNGRD, IDEAM, Estrategia Nacional para la gestión integral de la sequía en Colombia. BO, CO: MinAmbiente, IDEAM, & UNGRD, 2018. Recuperado de https://www.unccd.int/sites/default/files/country_profile_documents/ENGIS%2520para%2520publicaci%25C3%25B3n_Colombia.pdfUNGRD, “Consolidado anual de emergencias”, (1998-2021), Gobierno de Colombia [Online]. Disponible en http://portal.gestiondelriesgo.gov.co/Paginas/Consolidado-Atencion-de-Emergencias.aspx (consultado 2020, May. 18).Gobernación del Magdalena, “Nuestro departamento”, Gobierno de Colombia [Online]. Disponible en http://www.magdalena.gov.co/departamento/nuestro-departamento (consultado 2020, May. 18)DANE, Resultados Censo Nacional de Población y Vivienda 2018. BO, CO: Gobierno de Colombia. Recuperado de https://www.dane.gov.co/files/censo2018/informacion-tecnica/presentaciones-territorio/191004-CNPV-presentacion-Magdalena.pdfIDEAM, Magdalena. BO, CO: Gobierno de Colombia. Recuperado de http://atlas.ideam.gov.co/basefiles/magdalena_texto.pdfK. Trenberth, A. Dai, G. Van Der Schrier, P. Jones, J. Barichivich, K. Briffa & J. Sheffield, “Global warming and changes in drought,” Nat Clim Change, vol. 4, no. 1, pp. 17–22, Dec. 2013. https://doi.org/10.1038/nclimate2067N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau & R. Moore, “Google Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sens Environ, vol. 202, pp. 18–27, Jul. 2016. https://doi.org/10.1016/j.rse.2017.06.031NASA. Normalized Difference Vegetation Index (NDVI), 30 Aug. 2000. Available: https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetation_2.phpT. Du, D. Bui, M. Nguyen & H. Lee, “Satellite-based, multi-indices for evaluation of agricultural droughts in a highly dynamic tropical catchment, central Vietnam,” J Water, vol. 10, no. 5, pp. 1–24, Jan. 2018. https://doi.org/10.3390/w10050659L. Wang & J. Qu, “NMDI: A normalized multi-band drought index for monitoring soil and vegetation moisture with satellite remote sensing,” Geophys Res Lett, vol. 34, no. 20, pp. 1–5, Jul. 2007. https://doi.org/10.1029/2007GL031021G. Poveda y O. Mesa, “Las fases extremas del fenómeno ENSO (El Niño y La Niña) y su influencia sobre la hidrología de Colombia”, Ing Hidraulic Mex, vol. 11, no. 1, pp. 21–37, Ene. 1996. Disponible en http://www.revistatyca.org.mx/ojs/index.php/tyca/article/view/765D. Edwards & T. McKee, “Characteristics of 20th century drought in the United States at multiple time scales,” Dept. Atmos. Sci., CSU, FRT COLL., CO, USA, Climatology Report No. 97-2, Paper no. 634, 1997. Available: http://hdl.handle.net/10217/170176O. Valiente, “Sequía: definiciones, tipologías y métodos de cuantificación”, Invest Geogr, no. 26, pp. 59–80, Mar. 2001. https://doi.org/10.14198/INGEO2001.26.06R. Mayorga y G. Hurtado, “La sequía en Colombia, Documento tecnico de respaldo a la informacion en la pagina web del IDEAM”, IDEAM, BO, CO, Report IDEAM–METEO/004-2006, 2006. Recuperado de http://www.cambioclimatico.gov.co/documents/21021/21147/NotaT%C3%A9cnicaSequia.pdf/d9ba4965-f7cd-4a2f-a875-2a38b1d6a941G. Hurtado, Sequía meteorológica y sequía agrícola en Colombia: Incidencia y tendencias. BO, CO: IDEAM, 2012. Disponible en http://www.ideam.gov.co/documents/21021/21138/Sequias+Incidencias+y+Tendencias.pdf/3e72c86c-cf4a-42f9-95f1-07e7cf88861aJ. Gómez y M. Cadena, “Actualización de las estadísticas de la sequía en Colombia”, IDEAM, BO, CO, Nota técnica IDEAM-METEO/001-2018, Jun. 2017. Recupearado de http://www.ideam.gov.co/documents/21021/124446218/NT+001-2018_Actualizaci%C3%B3n+de+las+estad%C3%ADsticas+de+la+sequia+en+Colombia/d47113b3-536b-4c83-a69c-22f97993016f?version=1.1NDMC, “Climographs,” SNR [Online]. Available: https://drought.unl.edu/Climographs.aspx (consultado: 2018, dec. 7).W. Koehrsen, “A feature selection tool for machine learning in Python, Towards Data Science,” 22 Jun. 2018. Available: https://towardsdatascience.com/a-feature-selection-tool-for-machine-learning-in-python-b64dd23710f0C. Sutton, “11 - Classification and regression trees, bagging, and boosting,” Handb Stat, vol. 24, pp. 303–329, Dec. 2005. https://doi.org/10.1016/S0169-7161(04)24011-1E. Bauer & R. Kohavi, “An empirical comparison of voting classification algorithms: Bagging, boosting, and variants,” Mach Learn, vol. 36, no. 1-2, pp. 1–38, Jan. 1996. Available: http://robotics.stanford.edu/~ronnyk/vote.pdfS. Safavian & D. Landgrebe, “A survey of decision tree classifier methodology,” IEEE Trans Syst Man Cybern, vol. 21, no. 3, pp. 660–674, Jun. 1991. https://doi.org/10.1109/21.97458M. Pal, “Random forest classifier for remote sensing classification,” Int J Remote Sens, vol. 26, no. 1, pp. 217–222, Oct. 2003. https://doi.org/10.1080/01431160412331269698F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot & É. Duchesnay, “Scikit-learn: Machine learning in Python”, J Mach Learn Res, vol. 12, no. 85, pp. 2825–2830, Mar. 2011. Available: https://www.jmlr.org/papers/v12/pedregosa11a.htmlScikit-Learn, Scikit-Learn Machine Learning in Python [Online]. Available: https://scikit-learn.org/stable/index.html (consultado: 2020, May. 18).W Fin de Semana, “Declaran calamidad pública por sequía en cinco municipios del Magdalena”, W Radio, 27 Jul. 2014. Disponible en https://www.wradio.com.co/noticias/actualidad/declaran-calamidad-publica-por-sequia-en-cinco-municipios-del-magdalena/20140727/nota/2341212.aspxM. Correa, “La sequía impacta a 7 departamentos”, El Colombiano, 22 Jul. 2014. Disponible en https://www.elcolombiano.com/historico/la_sequia_impacta_a_7_departamentos-IGEC_303649265249218https://revistascientificas.cuc.edu.co/ingecuc/article/download/3812/4416https://revistascientificas.cuc.edu.co/ingecuc/article/download/3812/4620https://revistascientificas.cuc.edu.co/ingecuc/article/download/3812/4621Núm. 2 , Año 2022 : (Julio-Diciembre)PublicationOREORE.xmltext/xml2760https://repositorio.cuc.edu.co/bitstreams/0c0e1051-28ec-42cd-bd07-a21cfb290852/download6f04dc38f5c0ac566a20edec8eb8092cMD5111323/12337oai:repositorio.cuc.edu.co:11323/123372024-09-17 14:22:32.781http://creativecommons.org/licenses/by-nc-nd/4.0INGE CUC - 2022metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co

Modelo de inteligencia artificial y aprendizaje automático para la predicción espacial y temporal de eventos de sequía en el departamento del Magdalena, Colombia.

Publicaciones similares