Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos
Meteorological time series forecasts can help decision-making processes carried out by entities in charge of disaster prevention and early warning generation before the possibility of natural events involving situations which are dangerous for communities. There are a considerable number of methods...
- Autores:
-
Hernández-Leal, Emilcy Juliana
Duque-Méndez, Néstor Darío
Moreno-Cadavid, Julián
- Tipo de recurso:
- Fecha de publicación:
- 2016
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/4916
- Acceso en línea:
- http://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172
http://hdl.handle.net/11634/4916
- Palabra clave:
- Data Analysis
Meteorology
Simplistic (Naïve) Methods
Forecasts
Artificial Neuronal Networks
Neurofuzzy Systems
Análisis de datos
Meteorología
Métodos ingenuos (naïves)
Pronósticos
Redes neuronales artificiales
Sistemas neurodifusos
Análise de dados
Metereologia
Métodos ingênuos
Prognósticos
Redes neurais artificiais
Sistemas neuro difusos
- Rights
- License
- Copyright (c) 2016 Ingenio Magno
| id |
SANTTOMAS2_1c65453fdf7d8a7c5d49996c50277d9e |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/4916 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos |
| dc.title.alternative.eng.fl_str_mv |
Forecast generation for daily precipitation in a time series of meteorological data |
| dc.title.alternative.por.fl_str_mv |
Geração de prognósticos para a precipitação diária em uma série de tempo de dados meteorológicos |
| title |
Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos |
| spellingShingle |
Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos Data Analysis Meteorology Simplistic (Naïve) Methods Forecasts Artificial Neuronal Networks Neurofuzzy Systems Análisis de datos Meteorología Métodos ingenuos (naïves) Pronósticos Redes neuronales artificiales Sistemas neurodifusos Análise de dados Metereologia Métodos ingênuos Prognósticos Redes neurais artificiais Sistemas neuro difusos |
| title_short |
Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos |
| title_full |
Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos |
| title_fullStr |
Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos |
| title_full_unstemmed |
Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos |
| title_sort |
Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicos |
| dc.creator.fl_str_mv |
Hernández-Leal, Emilcy Juliana Duque-Méndez, Néstor Darío Moreno-Cadavid, Julián |
| dc.contributor.author.spa.fl_str_mv |
Hernández-Leal, Emilcy Juliana Duque-Méndez, Néstor Darío Moreno-Cadavid, Julián |
| dc.subject.proposal.eng.fl_str_mv |
Data Analysis Meteorology Simplistic (Naïve) Methods Forecasts Artificial Neuronal Networks Neurofuzzy Systems |
| topic |
Data Analysis Meteorology Simplistic (Naïve) Methods Forecasts Artificial Neuronal Networks Neurofuzzy Systems Análisis de datos Meteorología Métodos ingenuos (naïves) Pronósticos Redes neuronales artificiales Sistemas neurodifusos Análise de dados Metereologia Métodos ingênuos Prognósticos Redes neurais artificiais Sistemas neuro difusos |
| dc.subject.proposal.spa.fl_str_mv |
Análisis de datos Meteorología Métodos ingenuos (naïves) Pronósticos Redes neuronales artificiales Sistemas neurodifusos |
| dc.subject.proposal.por.fl_str_mv |
Análise de dados Metereologia Métodos ingênuos Prognósticos Redes neurais artificiais Sistemas neuro difusos |
| description |
Meteorological time series forecasts can help decision-making processes carried out by entities in charge of disaster prevention and early warning generation before the possibility of natural events involving situations which are dangerous for communities. There are a considerable number of methods for these forecasts, ranging from simplistic or Naïve methods to those which employ more complex techniques such as those using artificial intelligence. This experimental study worked with a meteorological time series from the station agronomy in the city of Manizales, which provides data on the variables: precipitation, average temperature, sunlight and relative humidity. Forecasts were employed with the Naïve approach, with artificial neuronal networks and with neuro-fuzzy networks; also comparing these with a multiple linear regression, with the goal of verifying their precision. The results obtained in this study show firstly that it is possible to refine the models generally used in order to achieve more conclusive results and secondly that they can be extended to other monitoring stations in the region, including new variables, both explanatory and predictive. |
| publishDate |
2016 |
| dc.date.issued.spa.fl_str_mv |
2016-08-29 |
| dc.date.accessioned.spa.fl_str_mv |
2017-09-16T15:57:46Z |
| dc.date.available.spa.fl_str_mv |
2017-09-16T15:57:46Z |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/article |
| dc.identifier.spa.fl_str_mv |
http://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172 |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/4916 |
| url |
http://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172 http://hdl.handle.net/11634/4916 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.spa.fl_str_mv |
http://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172/1136 |
| dc.relation.citationissue.spa.fl_str_mv |
Ingenio Magno; Vol. 7 (2016): Ingenio Magno Vol. 7-1; 144-155 2422-2399 2145-9282 |
| dc.rights.spa.fl_str_mv |
Copyright (c) 2016 Ingenio Magno |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Copyright (c) 2016 Ingenio Magno http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás Seccional Tunja |
| institution |
Universidad Santo Tomás |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
noreply@usta.edu.co |
| _version_ |
1782026383558443008 |
| spelling |
Hernández-Leal, Emilcy JulianaDuque-Méndez, Néstor DaríoMoreno-Cadavid, Julián2017-09-16T15:57:46Z2017-09-16T15:57:46Z2016-08-29http://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172http://hdl.handle.net/11634/4916Meteorological time series forecasts can help decision-making processes carried out by entities in charge of disaster prevention and early warning generation before the possibility of natural events involving situations which are dangerous for communities. There are a considerable number of methods for these forecasts, ranging from simplistic or Naïve methods to those which employ more complex techniques such as those using artificial intelligence. This experimental study worked with a meteorological time series from the station agronomy in the city of Manizales, which provides data on the variables: precipitation, average temperature, sunlight and relative humidity. Forecasts were employed with the Naïve approach, with artificial neuronal networks and with neuro-fuzzy networks; also comparing these with a multiple linear regression, with the goal of verifying their precision. The results obtained in this study show firstly that it is possible to refine the models generally used in order to achieve more conclusive results and secondly that they can be extended to other monitoring stations in the region, including new variables, both explanatory and predictive.Los pronósticos de series de tiempo meteorológicas pueden ayudar a los procesos de toma de decisiones llevados a cabo por entidades encargadas de la prevención de desastres y la generación de alertas tempranas, ante la posibilidad de ocurrencia de eventos naturales que conlleven situaciones de riesgo para las comunidades. Para la realización de estos pronósticos, se cuenta con un número considerable de métodos, que van desde los ingenuos o naïves, hasta los que emplean técnicas más complejas, como las propias de la inteligencia artificial. En este estudio experimental se trabajó una serie de tiempo meteorológica de la estación Agronomía de Manizales, la cual presenta datos de las variables precipitación, temperatura media, brillo solar y humedad relativa. Se emplearon pronósticos por el método naïve, por redes neuronales artificiales y con sistemas neurodifusos; también se hizo una comparación de estos contra una regresión lineal múltiple, con el fin de verificar su precisión. Los resultados obtenidos en este estudio muestran, por una parte, que es posible refinar los modelos generalmente usados para lograr resultados más concluyentes; por otra, que se puedan extender a otras estaciones de monitoreo de la región, incluyendo nuevas variables tanto explicativas como por predecir. Os prognósticos de séries de tempo meteorológicos podem ajudar nos processos de tomada de decisão executados pelas entidades de previsão de desastres e da geração de alertas com antecedência, diante da possibilidade de ocorrência de eventos naturais que acarretam situações de risco para as comunidades. Para a realização destes prognósticos há um número considerável de métodos, desde os ingênuos ou naiive até aqueles que utilizam técnicas mais complexas como a inteligência artificial. Neste estudo experimental foi empregada uma série de tempo metereológica da estação chamada Agronomía da Cidade de Manizales- Colômbia, a qual armazena os seguintes dados de variáveis: precipitação, temperatura média, brilho solar e umidade relativa. Os prognósticos pelo método naiive, redes neurais artificiais e com sistemas neuro difusos foram utilizados; fazendo também uma comparação dos mesmos frente a uma regressão múltipla, destinada a verificar a precisão. Os resultados obtidos neste estudo mostram por um lado, que é possivel refinar os modelos utilizados geralmente para atingir resultados mais conclusivos e, por outro, que sejam extensivos a outras estações de monitorização da zona, incluindo novas variáveis, tanto explicativas, quanto, variáveis que permitem predizer.application/pdfspaUniversidad Santo Tomás Seccional Tunjahttp://revistas.ustatunja.edu.co/index.php/ingeniomagno/article/view/1172/1136Ingenio Magno; Vol. 7 (2016): Ingenio Magno Vol. 7-1; 144-1552422-23992145-9282Copyright (c) 2016 Ingenio Magnohttp://purl.org/coar/access_right/c_abf2Generación de pronósticos para la precipitación diaria en una serie de tiempo de datos meteorológicosForecast generation for daily precipitation in a time series of meteorological dataGeração de prognósticos para a precipitação diária em uma série de tempo de dados meteorológicosinfo:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1Data AnalysisMeteorologySimplistic (Naïve) MethodsForecastsArtificial Neuronal NetworksNeurofuzzy SystemsAnálisis de datosMeteorologíaMétodos ingenuos (naïves)PronósticosRedes neuronales artificialesSistemas neurodifusosAnálise de dadosMetereologiaMétodos ingênuosPrognósticosRedes neurais artificiaisSistemas neuro difusos11634/4916oai:repository.usta.edu.co:11634/49162023-07-14 16:32:22.956metadata only accessRepositorio Universidad Santo Tomásnoreply@usta.edu.co |