Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali
En este documento se presenta el desarrollo de un modelo predictivo, basado en inteligencia artificial, para la identificación temprana de inundaciones, a partir del análisis de las precipitaciones y el despliegue de sus resultados en una API para consumo público y gratuito. El modelo fue entrenado...
- Autores:
-
Noriega Torres, Alejandra
Quiñones Ramirez, Brayan Andres
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/13528
- Acceso en línea:
- https://hdl.handle.net/10614/13528
https://red.uao.edu.co/
- Palabra clave:
- Ingeniería Informática
Redes neurales (Computadores)
Neural networks (Computer science)
Redes neuronales transformer
Deep learning
Machine learning
API
Inteligencia artificial
Inundación
Precipitación
Exploración y modificación
- Rights
- openAccess
- License
- Derechos reservados - Universidad Autónoma de Occidente, 2021
id |
REPOUAO2_2804b0045b37c9ba0eb94d8e38324a75 |
---|---|
oai_identifier_str |
oai:red.uao.edu.co:10614/13528 |
network_acronym_str |
REPOUAO2 |
network_name_str |
RED: Repositorio Educativo Digital UAO |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali |
title |
Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali |
spellingShingle |
Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali Ingeniería Informática Redes neurales (Computadores) Neural networks (Computer science) Redes neuronales transformer Deep learning Machine learning API Inteligencia artificial Inundación Precipitación Exploración y modificación |
title_short |
Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali |
title_full |
Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali |
title_fullStr |
Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali |
title_full_unstemmed |
Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali |
title_sort |
Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de cali |
dc.creator.fl_str_mv |
Noriega Torres, Alejandra Quiñones Ramirez, Brayan Andres |
dc.contributor.advisor.none.fl_str_mv |
Peña Paz, Lyda |
dc.contributor.author.none.fl_str_mv |
Noriega Torres, Alejandra Quiñones Ramirez, Brayan Andres |
dc.subject.spa.fl_str_mv |
Ingeniería Informática |
topic |
Ingeniería Informática Redes neurales (Computadores) Neural networks (Computer science) Redes neuronales transformer Deep learning Machine learning API Inteligencia artificial Inundación Precipitación Exploración y modificación |
dc.subject.armarc.spa.fl_str_mv |
Redes neurales (Computadores) |
dc.subject.armarc.eng.fl_str_mv |
Neural networks (Computer science) |
dc.subject.proposal.eng.fl_str_mv |
Redes neuronales transformer Deep learning Machine learning API |
dc.subject.proposal.spa.fl_str_mv |
Inteligencia artificial Inundación Precipitación Exploración y modificación |
description |
En este documento se presenta el desarrollo de un modelo predictivo, basado en inteligencia artificial, para la identificación temprana de inundaciones, a partir del análisis de las precipitaciones y el despliegue de sus resultados en una API para consumo público y gratuito. El modelo fue entrenado con un conjunto de datos (30658 filas y 6 columnas), de precipitación horaria para 4 estaciones meteorológicas en la ciudad de Santiago de Cali. Los datos de precipitaciones fueron recolectados de la página del IDEAM (Consulta y Descarga de Datos Hidrometeorológicos, 13 de agosto 2021), que proporciona estos datos de forma libre para consulta pública y los datos de las inundaciones en la ciudad de Cali, fueron recolectados de distintas fuentes como; datos abiertos, Twitter, periódicos en línea, periódicos físicos, bomberos Cali, alcaldía de Cali y gobernación del Valle, esto, debido a que no se contaba con la información específica de la forma en que se necesitaba, y se encontraron 244 datos sobre estas inundaciones provenientes de todas las fuentes. Teniendo en cuenta que los datos fueron sometidos a una extracción y transformación con el objetivo de tener datos limpios y coherentes que puedan utilizarse para análisis, los datos de inundaciones a predecir representaron el 0.8% de su total, es decir 30658 registros, por lo que se recurrió a un modelo predictivo donde el entrenamiento en las secuencias fuera más duradero y que lograra extraer la mayor cantidad de información, junto con el ajuste de parámetros del modelo para mitigar el desbalanceo de datos. El modelo que cumplió con las expectativas fue la arquitectura de red neuronal Transformer que obtuvo un 99% de acierto aproximadamente respecto a los datos de prueba. Para evaluar el desempeño se tuvieron en cuenta las métricas precisión y recall, además de la matriz de confusión binaria en donde se encontró que, tenía en cuenta los datos en su contexto, ya que después de haberse producido una inundación es posible que la continuidad de la lluvia contribuya en el aumento de su peligrosidad. Finalmente, para la visualización de los resultados del modelo se realizó el despliegue de este en un alojamiento gratuito y se realizaron ejemplos de cómo utilizar la API construida. |
publishDate |
2021 |
dc.date.accessioned.none.fl_str_mv |
2021-12-17T15:31:36Z |
dc.date.available.none.fl_str_mv |
2021-12-17T15:31:36Z |
dc.date.issued.none.fl_str_mv |
2021-11-24 |
dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_71e4c1898caa6e32 |
dc.type.coar.eng.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.eng.fl_str_mv |
Text |
dc.type.driver.eng.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.redcol.eng.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10614/13528 |
dc.identifier.instname.spa.fl_str_mv |
Universidad Autónoma de Occidente |
dc.identifier.reponame.spa.fl_str_mv |
Repositorio Educativo Digital |
dc.identifier.repourl.spa.fl_str_mv |
https://red.uao.edu.co/ |
url |
https://hdl.handle.net/10614/13528 https://red.uao.edu.co/ |
identifier_str_mv |
Universidad Autónoma de Occidente Repositorio Educativo Digital |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.cites.spa.fl_str_mv |
Noriega Torres, A. y Quiñones Ramírez, B. A. (2021). Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de Santiago de Cali. [Tesis de Pregrado. Universidad Autónoma de Occidente]. https://hdl.handle.net/10614/13528 |
dc.relation.references.none.fl_str_mv |
¿Qué son las inundaciones? (s. f.). floodup. http://www.floodup.ub.edu/inundaciones/ Agudelo Otalora, L. M. Moscoso Barrera, W. D. Paipa Galeano, L. A. Mesa Sciarrotta, C. (2018). Comparación de modelos físicos y de inteligencia artificial para predicción de niveles de inundación. Scielo. DOI:10.24850/j-tyca-2018-04-09. http://www.scielo.org.mx/pdf/tca/v9n4/2007-2422-tca-9-04-209-en.pdf Aprende Machine Learning. (2020, 3 marzo). Clasificación con datos desbalanceados. https://www.aprendemachinelearning.com/clasificacion-con-datos-desbalanceados/ Arturi, G. (Junio 29, 2021). Los Tesla podrán conducirse solos hasta los 130 km/h: conoce el Pure Vision. Forbes México. https://www.forbes.com.mx/los-tesla-podran-conducirse-solos-hasta-los-130-km-h-conoce-el-sistema-pure-vision/ AWS. (s. f.). Clasificación binaria - Amazon Machine Learning https://docs.aws.amazon.com/es_es/machine-learning/latest/dg/binary-classification.html Bedoya, V. H. Lopez Lezama, J. M. (2015). Modelo para el Control de Inundaciones durante el Fenómeno De "La Niña" Utilizando un Embalse Hidroeléctrico. Inf. tecnol. 26(2). 89-100. https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-07642015000200011&lng=es&nrm=iso Bomberos Cali. (2019). ¿Sabes cómo se producen las inundaciones?. https://www.bomberoscali.org/wp-content/uploads/2019/02/Cartilla-PEPE-y-el-Agua.pdf Bustamante Martínez, A. Galvis Lista, E. A. Gomez Florez, L. C. (2013). Técnicas de modelado de procesos de ETL: una revisión de alternativas y su aplicación en un proyecto de desarrollo de una solución de BI. https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&ved=2ahUKEwj3zOirj9HvAhVGi1kKHTwCDVkQFjAPegQIChAD&url=https%3A%2F%2Fdialnet.unirioja.es%2Fdescarga%2Farticulo%2F4271531.pdf&usg=AOvVaw1qGCfwvgVxgChrMGgiN6En Candelaria Martínez, B. Ruiz Rosado, O. Gallardo Lopez, F. Perez Hernandez, P. Martínez Becerra, A. Vargas Villamil, L. (2011). Aplicación de modelos de simulación en el estudio y planificación de la agricultura, una revisión. http://www.scielo.org.mx/pdf/tsa/v14n3/v14n3a4.pdf CVC. (s. f). Informes históricos estado de los rios. https://ecopedia.cvc.gov.co/historico-estado-del-los-rios.html DataRobot. (2021). Machine Learning Model Accuracy | Model Accuracy Definition. DataRobot | AI Cloud. https://www.datarobot.com/wiki/accuracy/ Datos abiertos. Inundaciones Colombia [Dataset]. Datos.gov.co. https://www.datos.gov.co/Ambiente-y-Desarrollo-Sostenible/InundacionesColombia/es7m-wj39 Dietrichson, A. (2019). Métodos Cuantitativos. https://bookdown.org/dietrichson/metodos-cuantitativos/coeficientes-de-correlacion.html El País. (2017). Listo plan para evitar inundaciones en el sur de Cali. https://www.elpais.com.co/cali/listo-plan-para-evitar-inundaciones-en-el-sur-de.html Espino Timón, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. [Tesis de pregrado, Universitat Oberta de Catalunya]. http://openaccess.uoc.edu/webapps/o2/bitstream/10609/59565/6/caresptimTFG0117mem%C3%B2ria.pdf ExperiencIA Oracle. (2018). Diferencias entre la Inteligencia Artificial y el Machine Learning. Medium https://medium.com/@experiencIA18/diferencias-entre-la-inteligencia-artificial-y-el-machine-learning-f0448c503cd4 Florez Lopez, R. Fernandez Fernandez, J. M. (2008). Las redes neuronales artificiales. fundamentos teóricos y aplicaciones prácticas. Netbiblo. https://books.google.com.co/books?hl=es&lr=&id=X0uLwi1Ap4QC&oi=fnd&pg=PA9&dq=redes+neuronales+artificiales&ots=gOICnrrr_d&sig=GIUuPqKjQp-o_XkNVMYBDd62zM8#v=onepage&q&f=false Fujitsu Emei. (2019). Fujitsu desarrolla la tecnología de Mitigación de Desastres de IA para predecir inundaciones de ríos. Fujitsu Spain. https://www.fujitsu.com/es/about/resources/news/press-releases/2019/spain-fujitsu-desarrolla-la-tecnolog-a-de-mitigaci-n-de.html García, G. (2017). Metodología de Simulación: Etapas de un proyecto de Simulación. https://naps.com.mx/blog/metodologia-de-simulacion-etapas-de-un-proyecto-de-simulacion/ Grupo de investigación en telemática e informática aplicada GITI. (s. f) Informe final ResCity. Universidad Autónoma de Occidente.Santiago de Cali.13 Guzmán, J. L. (2019). ¿Qué obras necesita Cali para evitar las inundaciones en tiempo de lluvias?. https://www.acodal.com/queobrasnecesitacaliparaevitarinundadaciones/ Hernandez Orallo, Jose. (2004). Introducción a la Minería de Datos. https://docer.com.ar/doc/eevs8s Hurwitz, J. Kirsch, D. (2018). Machine Learning For Dummies®, IBM Limited Edition. https://www.ibm.com/downloads/cas/GB8ZMQZ3 IDEAM. (s.f). Consulta y Descarga de Datos Hidrometeorológicos. http://dhime.ideam.gov.co/atencionciudadano/ Jianqiang, M. (2016). All of Recurrent Neural Networks. https://medium.com/@jianqiangma/all-about-recurrent-neural-networks-9e5ae2936f6e Jimeno Sáez, P. (2018). Simulación de procesos hidrológicos utilizando técnicas de machine learning y modelos hidrológicos. http://repositorio.ucam.edu/handle/10952/3381 Koldo. (2018). Descubriendo la regresión logística. https://www.google.com/search?q=Descubriendo&oq=Descubriendo&aqs=chrome..69i57.134j0j4&sourceid=chrome&ie=UTF-8 Lejarza, J. (s. f). Distribución normal. https://www.uv.es/ceaces/pdf/normal.pdf Moreno Castillo, J. M. (2019). Generación y simulación de un modelo predictivo para prevenir inundaciones en viviendas aledañas a zonas de riesgo mediante técnicas de inteligencia artificial. Universidad Francisco José de Caldas. [Tesis de pregrado, Universidad Francisco José de Caldas]. https://repository.udistrital.edu.co/bitstream/handle/11349/16327/MorenoCastilloJennyMarcela2019.pdf;jsessionid=A0A360884116CD9F66ABB2173025F343?sequence=1 NASA. (2015) La predicción de inundaciones. https://ciencia.nasa.gov/ciencias-tierra/22jul_floods Payan, X. (2018). Usted puede ayudar a evitar inundaciones en temporada de lluvias. https://www.cali.gov.co/gestiondelriesgo/publicaciones/140425/usted-puede-ayudar-a-evitar-inundaciones-en-temporada-de-lluvias/ Pérez, J. I. Escobar, J. R. Fragozo, J. M. (2018). Modelación Hidráulica 2D de Inundaciones en Regiones con Escasez de Datos. El Caso del Delta del Río Ranchería, Riohacha-Colombia. Información tecnológica, 29(4). https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-07642018000400143 Ponce Cruz, P. (2011). inteligencia artificial con aplicaciones a la ingeniería. https://lelinopontes.files.wordpress.com/2014/09/inteligencia-artificial-con-aplicaciones-a-la-ingenierc3ada.pdf Prabhanshu, A. Yashika, S. Kristi, T. Falak, S. (2020). Timeseries forecasting for weather prediction. https://keras.io/examples/timeseries/timeseries_weather_forecasting/#data-reprocessing Pujol Reig, L. (2009). Predicción de caudales en tiempo real en grandes cuencas utilizando redes neuronales artificiales. [Tesis doctoral, Universidad Politécnica de Valencia]. https://riunet.upv.es/bitstream/handle/10251/6422/tesisUPV3107.pdf?sequence=1&isAllowed=y QuestioPro. (2021).¿Cómo hacer un muestreo por conglomerados? https://www.questionpro.com/blog/es/como-hacer-un-muestreo-por-conglomerados/ Ramírez, J. (2020, 3 febrero). Curvas PR y ROC - bluekiri. Medium. https://medium.com/bluekiri/curvas-pr-y-roc-1489fbd9a527 Ratnadip, A. R. K. Agrawal. Laxmi, K. (s. f.). PSO based Neural Networks vs. Traditional Statistical Models for Seasonal Time Series Forecasting. https://arxiv.org/ftp/arxiv/papers/1302/1302.6615.pdf Ravinesh C. Deo, M. S. (2015). Application of the Artificial Neural Network model for prediction of monthly Standardized Precipitation and Evapotranspiration Index using hydrometeorological parameters and climate indices in eastern Australia. Atmospheric Research. https://www.sciencedirect.com/science/article/pii/S0169809515001003 Red Hat. (s. f.). ¿Qué es una API?. https://www.redhat.com/es/topics/api/what-are-application-programming-interfaces Rodríguez Montequín, M.T. Álvarez Cabal, J. V. Mesa Fernández, J. M. González Valdés, A. (s. f). Metodologías para la realización de proyectos de data mining. https://www.aeipro.com/files/congresos/2003pamplona/ciip03_0257_0265.2134.pdf Rueda, J. (2019) Invierno en el país ha cobrado 45 vidas; hay 569 municipios en alerta. El tiempo. https://www.eltiempo.com/colombia/otras-ciudades/balance-de-muertos-y-afectaciones-por-temporada-de-lluvias-en-colombia-en-2019-352138 Sanchez, J. M. Rodriguez, J. P. Rivas, E. (2020). Análisis estadístico de las precipitaciones en la cuenca del río de Bogotá (Colombia) incluyendo las variables del fenómeno El Niño y La Niña. Revista Espacios. 41 (38). https://www.revistaespacios.com/a20v41n38/a20v41n38p13.pdf Shin, T. (2020). Comprensión de la Matriz de Confusión y Cómo Implementarla en Python. DataSource.ai. https://www.datasource.ai/es/data-science-articles/comprension-de-la-matriz-de-confusion-y-como-implementarla-en-python SIAC. (2013). Mapas de inundación de Colombia. Siac.gov.co. http://www.siac.gov.co/inundaciones Torra, V. (s. f.). La inteligencia artificial. https://www.fgcsic.es/lychnos/es_es/articulos/inteligencia_artificial Torres, J. (2019). DEEP LEARNING Introducción práctica con Keras (Segunda Parte) (Spanish Edition). Kindle Direct Publishing. ISBN 978-1-687-47399-8 en la colección WATCH THIS SPACE – Barcelona (Book 6). UNGRD. (2020). ¿Cuál es el riesgo por inundaciones en Colombia? Unidad Nacional para la Gestión del Riesgo de Desastres. http://portal.gestiondelriesgo.gov.co/Paginas/Noticias/2020/Cual-es-el-riesgo-por-inundaciones-en-Colombia.aspx Universia. (2020). La metodología Design Thinking y sus orígenes. https://www.universia.net/es/actualidad/orientacion-academica/que-design-thinking-como-aplicarlo-educacion-1154003.html Vannieuwenhuyze, A. (2020). Inteligencia artificial fácil. Ediciones ENI. Vaswani, A. Shazeer, N. Parmar, N. Uszkoreit, J. Jones, L. Gomez, A.N. Kaiser, L. Polosukhin, I. (2017). Attention is All you Need. ArXiv, abs/1706.03762. https://arxiv.org/pdf/1706.03762.pdf Villegas, D. M. (2019). Más de 25 barrios de Cali siguen sin energía por las fuertes lluvias.https://www.rcnradio.com/colombia/pacifico/mas-de-25-barrios-de-cali-siguen-sin-energia-por-las-fuertes-lluvias Wu, N. Green, B. Ben, X. O’Banion, S. (2020). Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case. https://www.arxiv-vanity.com/papers/20001.08317 |
dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2021 |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.eng.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.accessrights.eng.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
rights_invalid_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2021 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.spa.fl_str_mv |
112 páginas |
dc.format.mimetype.eng.fl_str_mv |
application/pdf |
dc.coverage.spatial.none.fl_str_mv |
Universidad Autónoma de Occidente, Cll 25 # 115-85 Km 2 Vía Cali - Jamundi |
dc.publisher.spa.fl_str_mv |
Universidad Autónoma de Occidente |
dc.publisher.program.spa.fl_str_mv |
Ingeniería Informática |
dc.publisher.department.spa.fl_str_mv |
Departamento de Operaciones y Sistemas |
dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.place.spa.fl_str_mv |
Cali |
institution |
Universidad Autónoma de Occidente |
bitstream.url.fl_str_mv |
https://red.uao.edu.co/bitstreams/66b5e4d6-c0a1-4ff5-9560-1aa4d98c2aa5/download https://red.uao.edu.co/bitstreams/c32fb4fe-a24d-443b-83c5-a754881a81c6/download https://red.uao.edu.co/bitstreams/483eda37-da1a-49cd-8b32-8c7c61aecc8a/download https://red.uao.edu.co/bitstreams/7a86bf90-d28d-486f-a4e6-1da9ff4aaf80/download https://red.uao.edu.co/bitstreams/7985d460-3780-4d21-9e00-4437e69e0562/download https://red.uao.edu.co/bitstreams/ca4cb13f-7d76-4915-a8c0-e1775b9e34c8/download https://red.uao.edu.co/bitstreams/02f5b845-717c-4d4b-96b8-bac6a5643e35/download |
bitstream.checksum.fl_str_mv |
20b5ba22b1117f71589c7318baa2c560 a5d59d4a11f2ad1929b6152aed6caaaa 70378af4c6e8e7823fae8a984e287f23 0f01c053a300f13a16b54b314acac7c0 55c7f632528328801392f2ed91ed337b 3a5d05ab736ae9ff7ad4b86d2335173e 33207c11fa74779f6a0416e02158668d |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Digital Universidad Autonoma de Occidente |
repository.mail.fl_str_mv |
repositorio@uao.edu.co |
_version_ |
1814259828239892480 |
spelling |
Peña Paz, Lydavirtual::4033-1Noriega Torres, Alejandraf202cb92fd6ed8be19ca1b80a0db7e66Quiñones Ramirez, Brayan Andres5eccd11d60d56053cdd382d59ca513a2Universidad Autónoma de Occidente, Cll 25 # 115-85 Km 2 Vía Cali - Jamundi2021-12-17T15:31:36Z2021-12-17T15:31:36Z2021-11-24https://hdl.handle.net/10614/13528Universidad Autónoma de OccidenteRepositorio Educativo Digitalhttps://red.uao.edu.co/En este documento se presenta el desarrollo de un modelo predictivo, basado en inteligencia artificial, para la identificación temprana de inundaciones, a partir del análisis de las precipitaciones y el despliegue de sus resultados en una API para consumo público y gratuito. El modelo fue entrenado con un conjunto de datos (30658 filas y 6 columnas), de precipitación horaria para 4 estaciones meteorológicas en la ciudad de Santiago de Cali. Los datos de precipitaciones fueron recolectados de la página del IDEAM (Consulta y Descarga de Datos Hidrometeorológicos, 13 de agosto 2021), que proporciona estos datos de forma libre para consulta pública y los datos de las inundaciones en la ciudad de Cali, fueron recolectados de distintas fuentes como; datos abiertos, Twitter, periódicos en línea, periódicos físicos, bomberos Cali, alcaldía de Cali y gobernación del Valle, esto, debido a que no se contaba con la información específica de la forma en que se necesitaba, y se encontraron 244 datos sobre estas inundaciones provenientes de todas las fuentes. Teniendo en cuenta que los datos fueron sometidos a una extracción y transformación con el objetivo de tener datos limpios y coherentes que puedan utilizarse para análisis, los datos de inundaciones a predecir representaron el 0.8% de su total, es decir 30658 registros, por lo que se recurrió a un modelo predictivo donde el entrenamiento en las secuencias fuera más duradero y que lograra extraer la mayor cantidad de información, junto con el ajuste de parámetros del modelo para mitigar el desbalanceo de datos. El modelo que cumplió con las expectativas fue la arquitectura de red neuronal Transformer que obtuvo un 99% de acierto aproximadamente respecto a los datos de prueba. Para evaluar el desempeño se tuvieron en cuenta las métricas precisión y recall, además de la matriz de confusión binaria en donde se encontró que, tenía en cuenta los datos en su contexto, ya que después de haberse producido una inundación es posible que la continuidad de la lluvia contribuya en el aumento de su peligrosidad. Finalmente, para la visualización de los resultados del modelo se realizó el despliegue de este en un alojamiento gratuito y se realizaron ejemplos de cómo utilizar la API construida.Pasantía de investigación (Ingeniero en Informática)-- Universidad Autónoma de Occidente, 2021PregradoIngeniero(a) en Informática112 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería InformáticaDepartamento de Operaciones y SistemasFacultad de IngenieríaCaliDerechos reservados - Universidad Autónoma de Occidente, 2021https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Ingeniería InformáticaRedes neurales (Computadores)Neural networks (Computer science)Redes neuronales transformerDeep learningMachine learningAPIInteligencia artificialInundaciónPrecipitaciónExploración y modificaciónModelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de santiago de caliTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_71e4c1898caa6e32Noriega Torres, A. y Quiñones Ramírez, B. A. (2021). Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de Santiago de Cali. [Tesis de Pregrado. Universidad Autónoma de Occidente]. https://hdl.handle.net/10614/13528¿Qué son las inundaciones? (s. f.). floodup. http://www.floodup.ub.edu/inundaciones/Agudelo Otalora, L. M. Moscoso Barrera, W. D. Paipa Galeano, L. A. Mesa Sciarrotta, C. (2018). Comparación de modelos físicos y de inteligencia artificial para predicción de niveles de inundación. Scielo. DOI:10.24850/j-tyca-2018-04-09. http://www.scielo.org.mx/pdf/tca/v9n4/2007-2422-tca-9-04-209-en.pdfAprende Machine Learning. (2020, 3 marzo). Clasificación con datos desbalanceados. https://www.aprendemachinelearning.com/clasificacion-con-datos-desbalanceados/Arturi, G. (Junio 29, 2021). Los Tesla podrán conducirse solos hasta los 130 km/h: conoce el Pure Vision. Forbes México. https://www.forbes.com.mx/los-tesla-podran-conducirse-solos-hasta-los-130-km-h-conoce-el-sistema-pure-vision/AWS. (s. f.). Clasificación binaria - Amazon Machine Learning https://docs.aws.amazon.com/es_es/machine-learning/latest/dg/binary-classification.htmlBedoya, V. H. Lopez Lezama, J. M. (2015). Modelo para el Control de Inundaciones durante el Fenómeno De "La Niña" Utilizando un Embalse Hidroeléctrico. Inf. tecnol. 26(2). 89-100. https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-07642015000200011&lng=es&nrm=isoBomberos Cali. (2019). ¿Sabes cómo se producen las inundaciones?. https://www.bomberoscali.org/wp-content/uploads/2019/02/Cartilla-PEPE-y-el-Agua.pdfBustamante Martínez, A. Galvis Lista, E. A. Gomez Florez, L. C. (2013). Técnicas de modelado de procesos de ETL: una revisión de alternativas y su aplicación en un proyecto de desarrollo de una solución de BI. https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&ved=2ahUKEwj3zOirj9HvAhVGi1kKHTwCDVkQFjAPegQIChAD&url=https%3A%2F%2Fdialnet.unirioja.es%2Fdescarga%2Farticulo%2F4271531.pdf&usg=AOvVaw1qGCfwvgVxgChrMGgiN6EnCandelaria Martínez, B. Ruiz Rosado, O. Gallardo Lopez, F. Perez Hernandez, P. Martínez Becerra, A. Vargas Villamil, L. (2011). Aplicación de modelos de simulación en el estudio y planificación de la agricultura, una revisión. http://www.scielo.org.mx/pdf/tsa/v14n3/v14n3a4.pdfCVC. (s. f). Informes históricos estado de los rios. https://ecopedia.cvc.gov.co/historico-estado-del-los-rios.htmlDataRobot. (2021). Machine Learning Model Accuracy | Model Accuracy Definition. DataRobot | AI Cloud. https://www.datarobot.com/wiki/accuracy/Datos abiertos. Inundaciones Colombia [Dataset]. Datos.gov.co. https://www.datos.gov.co/Ambiente-y-Desarrollo-Sostenible/InundacionesColombia/es7m-wj39Dietrichson, A. (2019). Métodos Cuantitativos. https://bookdown.org/dietrichson/metodos-cuantitativos/coeficientes-de-correlacion.htmlEl País. (2017). Listo plan para evitar inundaciones en el sur de Cali. https://www.elpais.com.co/cali/listo-plan-para-evitar-inundaciones-en-el-sur-de.htmlEspino Timón, C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. [Tesis de pregrado, Universitat Oberta de Catalunya]. http://openaccess.uoc.edu/webapps/o2/bitstream/10609/59565/6/caresptimTFG0117mem%C3%B2ria.pdfExperiencIA Oracle. (2018). Diferencias entre la Inteligencia Artificial y el Machine Learning. Medium https://medium.com/@experiencIA18/diferencias-entre-la-inteligencia-artificial-y-el-machine-learning-f0448c503cd4Florez Lopez, R. Fernandez Fernandez, J. M. (2008). Las redes neuronales artificiales. fundamentos teóricos y aplicaciones prácticas. Netbiblo. https://books.google.com.co/books?hl=es&lr=&id=X0uLwi1Ap4QC&oi=fnd&pg=PA9&dq=redes+neuronales+artificiales&ots=gOICnrrr_d&sig=GIUuPqKjQp-o_XkNVMYBDd62zM8#v=onepage&q&f=falseFujitsu Emei. (2019). Fujitsu desarrolla la tecnología de Mitigación de Desastres de IA para predecir inundaciones de ríos. Fujitsu Spain. https://www.fujitsu.com/es/about/resources/news/press-releases/2019/spain-fujitsu-desarrolla-la-tecnolog-a-de-mitigaci-n-de.htmlGarcía, G. (2017). Metodología de Simulación: Etapas de un proyecto de Simulación. https://naps.com.mx/blog/metodologia-de-simulacion-etapas-de-un-proyecto-de-simulacion/Grupo de investigación en telemática e informática aplicada GITI. (s. f) Informe final ResCity. Universidad Autónoma de Occidente.Santiago de Cali.13Guzmán, J. L. (2019). ¿Qué obras necesita Cali para evitar las inundaciones en tiempo de lluvias?. https://www.acodal.com/queobrasnecesitacaliparaevitarinundadaciones/Hernandez Orallo, Jose. (2004). Introducción a la Minería de Datos. https://docer.com.ar/doc/eevs8sHurwitz, J. Kirsch, D. (2018). Machine Learning For Dummies®, IBM Limited Edition. https://www.ibm.com/downloads/cas/GB8ZMQZ3IDEAM. (s.f). Consulta y Descarga de Datos Hidrometeorológicos. http://dhime.ideam.gov.co/atencionciudadano/Jianqiang, M. (2016). All of Recurrent Neural Networks. https://medium.com/@jianqiangma/all-about-recurrent-neural-networks-9e5ae2936f6eJimeno Sáez, P. (2018). Simulación de procesos hidrológicos utilizando técnicas de machine learning y modelos hidrológicos. http://repositorio.ucam.edu/handle/10952/3381Koldo. (2018). Descubriendo la regresión logística. https://www.google.com/search?q=Descubriendo&oq=Descubriendo&aqs=chrome..69i57.134j0j4&sourceid=chrome&ie=UTF-8Lejarza, J. (s. f). Distribución normal. https://www.uv.es/ceaces/pdf/normal.pdfMoreno Castillo, J. M. (2019). Generación y simulación de un modelo predictivo para prevenir inundaciones en viviendas aledañas a zonas de riesgo mediante técnicas de inteligencia artificial. Universidad Francisco José de Caldas. [Tesis de pregrado, Universidad Francisco José de Caldas]. https://repository.udistrital.edu.co/bitstream/handle/11349/16327/MorenoCastilloJennyMarcela2019.pdf;jsessionid=A0A360884116CD9F66ABB2173025F343?sequence=1NASA. (2015) La predicción de inundaciones. https://ciencia.nasa.gov/ciencias-tierra/22jul_floodsPayan, X. (2018). Usted puede ayudar a evitar inundaciones en temporada de lluvias. https://www.cali.gov.co/gestiondelriesgo/publicaciones/140425/usted-puede-ayudar-a-evitar-inundaciones-en-temporada-de-lluvias/Pérez, J. I. Escobar, J. R. Fragozo, J. M. (2018). Modelación Hidráulica 2D de Inundaciones en Regiones con Escasez de Datos. El Caso del Delta del Río Ranchería, Riohacha-Colombia. Información tecnológica, 29(4). https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-07642018000400143Ponce Cruz, P. (2011). inteligencia artificial con aplicaciones a la ingeniería. https://lelinopontes.files.wordpress.com/2014/09/inteligencia-artificial-con-aplicaciones-a-la-ingenierc3ada.pdfPrabhanshu, A. Yashika, S. Kristi, T. Falak, S. (2020). Timeseries forecasting for weather prediction. https://keras.io/examples/timeseries/timeseries_weather_forecasting/#data-reprocessingPujol Reig, L. (2009). Predicción de caudales en tiempo real en grandes cuencas utilizando redes neuronales artificiales. [Tesis doctoral, Universidad Politécnica de Valencia]. https://riunet.upv.es/bitstream/handle/10251/6422/tesisUPV3107.pdf?sequence=1&isAllowed=y QuestioPro. (2021).¿Cómo hacer un muestreo por conglomerados? https://www.questionpro.com/blog/es/como-hacer-un-muestreo-por-conglomerados/Ramírez, J. (2020, 3 febrero). Curvas PR y ROC - bluekiri. Medium. https://medium.com/bluekiri/curvas-pr-y-roc-1489fbd9a527Ratnadip, A. R. K. Agrawal. Laxmi, K. (s. f.). PSO based Neural Networks vs. Traditional Statistical Models for Seasonal Time Series Forecasting. https://arxiv.org/ftp/arxiv/papers/1302/1302.6615.pdfRavinesh C. Deo, M. S. (2015). Application of the Artificial Neural Network model for prediction of monthly Standardized Precipitation and Evapotranspiration Index using hydrometeorological parameters and climate indices in eastern Australia. Atmospheric Research. https://www.sciencedirect.com/science/article/pii/S0169809515001003 Red Hat. (s. f.). ¿Qué es una API?. https://www.redhat.com/es/topics/api/what-are-application-programming-interfacesRodríguez Montequín, M.T. Álvarez Cabal, J. V. Mesa Fernández, J. M. González Valdés, A. (s. f). Metodologías para la realización de proyectos de data mining. https://www.aeipro.com/files/congresos/2003pamplona/ciip03_0257_0265.2134.pdfRueda, J. (2019) Invierno en el país ha cobrado 45 vidas; hay 569 municipios en alerta. El tiempo. https://www.eltiempo.com/colombia/otras-ciudades/balance-de-muertos-y-afectaciones-por-temporada-de-lluvias-en-colombia-en-2019-352138Sanchez, J. M. Rodriguez, J. P. Rivas, E. (2020). Análisis estadístico de las precipitaciones en la cuenca del río de Bogotá (Colombia) incluyendo las variables del fenómeno El Niño y La Niña. Revista Espacios. 41 (38). https://www.revistaespacios.com/a20v41n38/a20v41n38p13.pdfShin, T. (2020). Comprensión de la Matriz de Confusión y Cómo Implementarla en Python. DataSource.ai. https://www.datasource.ai/es/data-science-articles/comprension-de-la-matriz-de-confusion-y-como-implementarla-en-pythonSIAC. (2013). Mapas de inundación de Colombia. Siac.gov.co. http://www.siac.gov.co/inundacionesTorra, V. (s. f.). La inteligencia artificial. https://www.fgcsic.es/lychnos/es_es/articulos/inteligencia_artificialTorres, J. (2019). DEEP LEARNING Introducción práctica con Keras (Segunda Parte) (Spanish Edition). Kindle Direct Publishing. ISBN 978-1-687-47399-8 en la colección WATCH THIS SPACE – Barcelona (Book 6).UNGRD. (2020). ¿Cuál es el riesgo por inundaciones en Colombia? Unidad Nacional para la Gestión del Riesgo de Desastres. http://portal.gestiondelriesgo.gov.co/Paginas/Noticias/2020/Cual-es-el-riesgo-por-inundaciones-en-Colombia.aspxUniversia. (2020). La metodología Design Thinking y sus orígenes. https://www.universia.net/es/actualidad/orientacion-academica/que-design-thinking-como-aplicarlo-educacion-1154003.htmlVannieuwenhuyze, A. (2020). Inteligencia artificial fácil. Ediciones ENI.Vaswani, A. Shazeer, N. Parmar, N. Uszkoreit, J. Jones, L. Gomez, A.N. Kaiser, L. Polosukhin, I. (2017). Attention is All you Need. ArXiv, abs/1706.03762. https://arxiv.org/pdf/1706.03762.pdfVillegas, D. M. (2019). Más de 25 barrios de Cali siguen sin energía por las fuertes lluvias.https://www.rcnradio.com/colombia/pacifico/mas-de-25-barrios-de-cali-siguen-sin-energia-por-las-fuertes-lluviasWu, N. Green, B. Ben, X. O’Banion, S. (2020). Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case. https://www.arxiv-vanity.com/papers/20001.08317GeneralPublicationhttps://scholar.google.com/citations?user=czXZ0VAAAAAJ&hl=esvirtual::4033-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000504823virtual::4033-1d2a46a1b-1b77-45dd-83dc-904c73ca6ad4virtual::4033-1d2a46a1b-1b77-45dd-83dc-904c73ca6ad4virtual::4033-1LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/66b5e4d6-c0a1-4ff5-9560-1aa4d98c2aa5/download20b5ba22b1117f71589c7318baa2c560MD53ORIGINALT10054_Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de Santiago de Cali.pdfT10054_Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de Santiago de Cali.pdfTexto archivo completo del trabajo de grado, PDFapplication/pdf1757760https://red.uao.edu.co/bitstreams/c32fb4fe-a24d-443b-83c5-a754881a81c6/downloada5d59d4a11f2ad1929b6152aed6caaaaMD54TA10054_Autorización trabajo de grado.pdfTA10054_Autorización trabajo de grado.pdfAutorización publicación del trabajo de gradoapplication/pdf430384https://red.uao.edu.co/bitstreams/483eda37-da1a-49cd-8b32-8c7c61aecc8a/download70378af4c6e8e7823fae8a984e287f23MD55TEXTT10054_Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de Santiago de Cali.pdf.txtT10054_Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de Santiago de Cali.pdf.txtExtracted texttext/plain136467https://red.uao.edu.co/bitstreams/7a86bf90-d28d-486f-a4e6-1da9ff4aaf80/download0f01c053a300f13a16b54b314acac7c0MD56TA10054_Autorización trabajo de grado.pdf.txtTA10054_Autorización trabajo de grado.pdf.txtExtracted texttext/plain4080https://red.uao.edu.co/bitstreams/7985d460-3780-4d21-9e00-4437e69e0562/download55c7f632528328801392f2ed91ed337bMD58THUMBNAILT10054_Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de Santiago de Cali.pdf.jpgT10054_Modelo para simulación de datos relacionados con inundaciones, basado en precipitaciones en la ciudad de Santiago de Cali.pdf.jpgGenerated Thumbnailimage/jpeg6906https://red.uao.edu.co/bitstreams/ca4cb13f-7d76-4915-a8c0-e1775b9e34c8/download3a5d05ab736ae9ff7ad4b86d2335173eMD57TA10054_Autorización trabajo de grado.pdf.jpgTA10054_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg14006https://red.uao.edu.co/bitstreams/02f5b845-717c-4d4b-96b8-bac6a5643e35/download33207c11fa74779f6a0416e02158668dMD5910614/13528oai:red.uao.edu.co:10614/135282024-03-12 15:03:29.621https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2021open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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 |