Revista Científica de Ingeniería, Industria y Arquitectura
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Cita sugerida: Rogel, A., Hidalgo, A., Castro, F., Morales, F., Moya, D., &
Paredes, B. (2024). Aplicación de Redes Neuronales Artificiales para la
Estimación de Precipitaciones: Caso de Estudio de la Cuenca del Río Pastaza,
Ecuador. Revista Científica FINIBUS – Ingeniería, Industria y Arquitectura.
7(14) 131-146 https://doi.org/10.56124/finibus.v7i14.013
DOI: https://doi.org/10.56124/finibus.v7i14.013
Recibido: 12-junio-2023 Revisado: 28-junio-2024
Aceptado: 01-julio-2024 Publicado: 31-julio-2024
Artículo
Aplicación de Redes Neuronales Artificiales para la
Estimación de Precipitaciones: Caso de Estudio de la
Cuenca del Río Pastaza, Ecuador
Alexander Rogel
[1]
Andrés Hidalgo
[1]
Fidel Castro
[1]
Fabián Morales
[1]
Dilon Moya
[1]
Bolívar Paredes
[1]
[1] Universidad Técnica de Ambato, Facultad de Ingeniería Civil y Mecánica, Carrera de Ingeniería Civil, Ambato 180206, Ecuador
Autor para correspondencia: be.paredes@uta.edu.ec
Resumen
La cuenca del Río Pastaza en Ecuador, crucial por su biodiversidad y gestión hídrica, enfrenta desafíos significativos debido al
cambio climático. Este estudio presenta la aplicación de redes neuronales artificiales (RNA) para abordar las deficiencias en
los datos pluviométricos de esta cuenca. Implementando un modelo optimizado con 5000 iteraciones, se logró una fiabilidad
del 95% en la estimación de datos pluviométricos. Se analizaron datos de múltiples estaciones meteorológicas, ajustando el
modelo según las distancias entre estaciones, y se demostró una mejora en precisión y coherencia en comparación con métodos
tradicionales. Los resultados destacan la capacidad de las RNA para adaptarse a variaciones significativas en los datos,
mejorando la planificación hídrica y mitigando los efectos de eventos climáticos extremos mediante una mejor predicción
pluviométrica. La capacidad de las RNA para procesar grandes volúmenes de datos con complejas interacciones es
particularmente relevante en el campo hidrometeorológico, donde la variabilidad espacial y temporal de los datos es sustancial.
Este avance evidencia la aplicabilidad de las RNA en hidrología y climatología, contribuyendo al entendimiento de la
variabilidad climática de la región. La integración de técnicas avanzadas de inteligencia artificial en la estimación y
homogeneización de datos hidrológicos proporciona una base sólida para desarrollar estrategias de adaptación y mitigación
más efectivas frente al cambio climático. A medida que la tecnología evoluciona, se abren nuevas perspectivas para aplicar
técnicas similares en otras cuencas hidrográficas de la región, mejorando la gestión de los recursos hídricos en Ecuador.
Palabras Clave: redes neuronales artificiales; estimación de precipitaciones; gestión hídrica; cuenca del río Pastaza
Application of Artificial Neural Networks for Rainfall Estimation: Case Study in the Pastaza
River Basin, Ecuador
Abstract
The Pastaza River basin in Ecuador, crucial for its biodiversity and water management, faces significant challenges due to
climate change. This study presents the application of artificial neural networks (ANN) to address deficiencies in pluviometric
data for this basin. By implementing an optimised model with 5000 iterations, a 95% reliability in precipitation data estimation
was achieved. Data from multiple meteorological stations were analysed, adjusting the model based on the distances between
stations, demonstrating improved accuracy and coherence compared to traditional methods. The results highlight the ANN's
capability to adapt to significant data variations, enhancing water management planning and mitigating the effects of extreme
weather events through better precipitation prediction. The ability of ANN to process large volumes of data with complex
interactions is particularly relevant in the hydrometeorological field, where spatial and temporal data variability is substantial.
This advancement demonstrates the applicability of ANN in hydrology and climatology, contributing to the understanding of
regional climate variability. The integration of advanced artificial intelligence techniques in the estimation and homogenization
of hydrological data provides a solid foundation for developing more effective adaptation and mitigation strategies in response
to climate change. As technology evolves, new perspectives emerge for applying similar techniques in other river basins in the
region, improving the management of water resources in Ecuador.
Keywords: artificial neural networks; rainfall estimation; water management; pastaza river basin
132
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Rogel et al. (2024) https://doi.org/10.56124/finibus.v7i14.013
1. Introducción
En un contexto global cada vez más influenciado por el
cambio climático, la precisión en la recopilación de datos
meteorológicos es fundamental para una gestión eficaz de los
recursos hídricos. Las transformaciones climáticas se
manifiestan intensamente en regiones sensibles como la
cuenca del Río Pastaza, rica en biodiversidad y vital para el
equilibrio ecológico del Ecuador. Este entorno requiere una
monitorización detallada para enfrentar los desafíos
climáticos y asegurar un manejo sostenible y justo de sus
recursos hídricos (Flores Llampazo et al., 2022; López &
Sierra, 2010). Además, es crucial entender no solo la
dinámica actual de los recursos hídricos, sino también
anticipar futuros escenarios. En regiones como la cuenca del
Río Pastaza, la variabilidad temporal de los fenómenos
meteorológicos podría aumentar, lo que exige estrategias
proactivas basadas en datos precisos para fortalecer las
tácticas de gestión hídrica frente a la variabilidad climática
(Serrano-Vincenti et al., 2022).
La cuenca del Río Pastaza, situada entre la región
Interandina y la Amazonía de Ecuador, desempeña un papel
crucial en la geografía y ecología del país, siendo uno de los
principales sistemas fluviales que sustentan tanto a grandes
comunidades humanas como a ecosistemas clave a nivel
regional (Cruzatty et al., 2021). La interacción entre
dinámicas naturales y antropogénicas ha fortalecido la
importancia socioeconómica y ambiental de la cuenca. Su
extenso recorrido por diversas regiones geográficas le
confiere una biodiversidad única, estableciéndola como un
recurso hídrico esencial para actividades agrícolas,
industriales y domésticas. La cuenca se caracteriza por una
diversidad climática que abarca zonas subtropicales,
templadas y altoandinas, lo cual contribuye a una rica
biodiversidad de flora y fauna, destacándola como un área de
significativa importancia ecológica y económica. Además,
es responsable del 45% de la producción nacional de
hortalizas, subrayando su papel vital en la economía y
sustento alimenticio del país. Su confluencia en el río
Marañón, principal afluente del Amazonas, refuerza su
importancia como una de las arterias hídricas más críticas a
nivel global (López & Sierra, 2010; Siren, 2014). Sin
embargo, a pesar de su potencial como una de las mayores
reservas de agua dulce del mundo y su capacidad para la
generación de energía, la cuenca enfrenta desafíos
significativos que comprometen su gestión y conservación
(Abril-Saltos et al., 2021; Herrmann, 2002; López & Sierra,
2010). Estos desafíos se deben a factores como la alteración
del uso del suelo, la variabilidad meteorológica y el cambio
climático, que se manifiestan en alteraciones de los patrones
de precipitación y eventos extremos, comprometiendo la
capacidad del ecosistema para seguir funcionando como
fuente primordial de agua para la región (Carrera-Villacrés
et al., 2016; Cruzatty et al., 2021; Serrano-Vincenti et al.,
2022).
Las redes neuronales artificiales (RNA), inspiradas en la
estructura y función de las neuronas biológicas, se han
consolidado como herramientas poderosas en diversos
ámbitos, incluyendo la predicción de series temporales y el
reconocimiento de patrones (Goos et al., 2012; Lee & Kang,
2015). Estos modelos computacionales aprenden y
generalizan a partir de los datos, adaptándose y mejorando
su desempeño con cada nueva información. Gracias a su
capacidad para modelar relaciones no lineales y procesar
grandes volúmenes de datos, las RNA se han convertido en
una alternativa prometedora a los métodos tradicionales en
las ciencias atmosféricas e hidrológicas, permitiendo
capturar complejas interacciones sin necesidad de un
conocimiento exhaustivo de los procesos físicos subyacentes
(Gómez Guerrero & Aguayo Arias, 2019; Najarchi et al.,
2020). En el ámbito hidrometeorológico, las RNA podrían
ofrecer soluciones innovadoras para la modelización y
predicción de variables clave, desempeñando un rol crucial
en un mundo donde el cambio climático presenta desafíos
sin precedentes para la gestión de los recursos hídricos. En
Ecuador, un desafío notable en la gestión hídrica es la calidad
y precisión de los datos meteorológicos recolectados, que a
menudo presentan deficiencias debido a factores como
mediciones incorrectas, falta de presupuestos adecuados,
variabilidad de equipos de medición o cambios inesperados
en el entorno. Estas inconsistencias representan un riesgo
para la toma de decisiones y la planificación hídrica basadas
en esta información. Por ello, es crucial someter cualquier
serie de datos pluviométricos a un proceso de
homogeneización riguroso, asegurando que los datos se
ajusten a estándares que permitan su uso efectivo en
Investigación, toma de decisiones y otras aplicaciones
prácticas. Mientras que los métodos tradicionales, como la
regresión lineal y el cálculo de razones de distancia, han sido
la norma, el surgimiento del aprendizaje automático
(Machine Learning) ofrece nuevas posibilidades. En
particular, las redes neuronales artificiales modulares
(RNAM) han mostrado ventajas significativas sobre
métodos convencionales en la simulación y corrección de
datos hidrometeorológicos, indicando un camino
prometedor para superar las limitaciones presentes en
diversas cuencas hídricas (Gómez Guerrero & Aguayo
Arias, 2019; Kalauzi et al., 2009; Matovelle et al., 2022;
Millán et al., 2008, 2010).
Numerosos estudios han abordado los desafíos hídricos en
regiones críticas, incluida la cuenca del Río Pastaza. Sin
embargo, la acelerada dinámica del cambio climático y su
impacto en este sistema fluvial exigen soluciones más
avanzadas y precisas. En este contexto, las técnicas
contemporáneas, como las RNA, se perfilan como
herramientas valiosas, mostrando resultados alentadores en
estudios hidrometeorológicos a nivel global. La
implementación de estas metodologías en la cuenca del Río
Pastaza podría representar un avance significativo en la
predicción y gestión de sus recursos hídricos, dada la
133
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Aplicación de Redes Neuronales Artificiales para la Estimación de Precipitaciones: Caso de Estudio
de la Cuenca del Río Pastaza, Ecuador
complejidad de los factores que definen su dinámica. Este
estudio tiene como objetivo evaluar la efectividad de las
RNA en la estimación de datos pluviométricos faltantes en
la cuenca del Río Pastaza, proporcionando una base más
confiable para la gestión de recursos hídricos. La innovación
de este trabajo radica en la aplicación específica y detallada
de un modelo optimizado, que a través de 5000 iteraciones,
ha logrado una fiabilidad del 95% en la estimación de datos
pluviométricos. Esta metodología combina la precisión de
las RNA con técnicas de validación cruzada, proporcionando
una comparación detallada con métodos tradicionales y
estableciendo un estándar de referencia para futuras
investigaciones. Motivado por la necesidad de proteger y
conservar uno de los recursos hídricos más cruciales de
Ecuador, este estudio busca contribuir al avance científico y
ofrecer soluciones prácticas y efectivas a corto y medio
plazo. Con este trabajo, esperamos aportar a la construcción
de un futuro más sostenible y resiliente para la cuenca del
Río Pastaza y, por extensión, para las comunidades y
ecosistemas que dependen de ella.
2. Material y métodos
2.1. Área de estudio
El área de estudio es la cuenca del Río Pastaza (Figura 1),
ubicada entre la región oriental de los Andes y la llanura
amazónica en Ecuador, extendiéndose sobre un área total de
32,128 km². La información geográfica detallada, provista
por el Ministerio de Agricultura y Ganadería del Ecuador
(MAGAP), revela una diversidad en el uso del suelo dentro
de la cuenca: 9.5% de áreas de cultivo, 7.4% de pastizales,
66.8% de tierras forestales, 0.2% de tierras urbanas, 2.0% de
zonas acuáticas y 14.1% de otras categorías. Esta
variabilidad en el uso del suelo refleja una compleja
interacción entre los sistemas naturales y las actividades
humanas, ofreciendo una plataforma única para estudiar las
dinámicas hídricas y terrestres en un entorno diverso y
ecológicamente rico. Los patrones agrícolas, según el III
Censo Nacional Agropecuario del año 2000, destacan una
diversidad significativa en los tipos de cultivo de la cuenca.
Los cultivos permanentes y transitorios abarcan vastas áreas,
reflejando una estructura agrícola diversificada influenciada
por la geografía de la cuenca, desde las regiones andinas
hasta las llanuras amazónicas (Herrmann, 2002; López &
Sierra, 2010). Asimismo, la infraestructura hidráulica de la
cuenca, que incluye embalses y zonas tecnificadas de riego,
juega un papel crucial en la gestión del agua, con
instalaciones hidroeléctricas destacadas como las presas de
Agoyán y Pisayambo, que satisfacen gran parte de los
requerimientos eléctricos de la región central del Ecuador, y
las presas de Mulacorral y Chiquihurco, que proveen
servicios invaluables para el abastecimiento de agua potable
y riego agrícola, especialmente en la provincia de
Tungurahua (Kalauzi et al., 2009; López & Sierra, 2010).
Figura 1: Ubicación de la Cuenca del Río Pastaza, Ecuador.
134
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Rogel et al. (2024) https://doi.org/10.56124/finibus.v7i14.013
2.2. Metodología
Este estudio se centró en el empleo de RNA para la
estimación y homogeneización de datos pluviométricos
faltantes. La metodología implementada comenzó con la
recolección meticulosa de datos históricos pluviométricos
desde enero de 1995 hasta diciembre de 2013, cubriendo un
total de 29 estaciones hidrológicas en la cuenca, obtenidos
de anuarios del Instituto Nacional de Meteorología e
Hidrología (INHAMI, 2024). Tras la recolección, se llevó a
cabo un detallado proceso de preparación de datos que
incluyó limpieza, normalización y análisis preliminar para
identificar patrones y anomalías. Los datos fueron
introducidos en un modelo de RNA configurado para
reconocer y aprender de las complejidades de los patrones de
precipitación a través de un proceso iterativo y adaptativo.
Esta fase de preparación y análisis se apoyó en software
avanzado y librerías de Python (Van Rossum, 1995)
especializadas en aprendizaje automático como Scikit-learn
(Pedregosa et al., 2011), TensorFlow (Abadi et al., 2016) y
Keras (Chollet, 2015), garantizando un tratamiento eficaz y
riguroso de los datos. La estructura del modelo de RNA se
diseñó siguiendo el esquema de un perceptrón multicapa,
adecuado para manejar información no lineal característica
en datos hidrometeorológicos. El entrenamiento del modelo
se realizó mediante múltiples iteraciones, ajustando los
parámetros y afinando la precisión hasta alcanzar una
convergencia óptima, evidenciada por la significativa mejora
en la estimación de los datos pluviométricos. La validación
del modelo incluyó comparaciones exhaustivas con datos
reales, lo que permitió calibrar y confirmar la fiabilidad y
precisión del modelo. Además, se implementó un proceso de
retroalimentación y optimización continua para adaptar el
modelo a cambios o nueva información.
La metodología completa, desde la recolección de datos
hasta la aplicación final del modelo, se resume en la Figura
2. Esta figura ilustra un diagrama de flujo detallado que
encapsula el proceso integral de aplicación de las RNA en la
estimación y homogeneización de datos pluviométricos. La
representación visual destaca la secuencia lógica y las
interconexiones entre las diversas fases de nuestra
metodología, desde la recopilación inicial de datos hasta la
aplicación práctica y evaluación del modelo. Cada etapa está
delineada para reflejar el rigor y la precisión con la que los
datos fueron tratados, asegurando la robustez y fiabilidad del
modelo resultante. Además, proporciona una referencia clara
para replicar nuestra metodología y afirma la cohesión y
consistencia de nuestro enfoque científico. La recolección de
datos inició con una revisión exhaustiva de fuentes
bibliográficas centradas en la homogenización de datos y el
uso de redes neuronales para el análisis de datos
meteorológicos, con el fin de comprender en detalle los
procesos de precipitación de la cuenca de estudio, así como
los desafíos asociados con la medición y la heterogeneidad
en los registros meteorológicos.
Homogeneización y estimación de datos mediante RNA
Las RNA son modelos computacionales que emulan la
estructura neuronal del cerebro humano, compuestas por
unidades de procesamiento interconectadas o "neuronas". Su
habilidad para adaptarse a patrones complejos las convierte
en herramientas ideales para tareas como el reconocimiento
de patrones, la predicción y el modelado de sistemas
complejos (Goos et al., 2012; Houari et al., 2014; Lee &
Kang, 2015; Matovelle et al., 2022). En este estudio, se
seleccionó una RNA tipo perceptrón multicapa debido a su
eficacia demostrada en la modelización y predicción de datos
meteorológicos. Este modelo fue entrenado para predecir
datos pluviométricos ausentes, optimizando el manejo de no
linealidades en los datos hidrológicos y mejorando la
precisión en series históricas. La configuración de la RNA se
diseñó meticulosamente, ajustando los parámetros según la
necesidad de mejorar los resultados en iteraciones sucesivas.
La calidad de las predicciones se verificó utilizando
funciones de validación y documentando los resultados en
formatos accesibles para análisis y revisión posterior.
La RNA, adecuadamente entrenada, fue responsable de
identificar y corregir las inconsistencias y vacíos de
información de precipitación mensual, resultando en un
conjunto de datos coherente y homogéneo. En total, se
seleccionaron 231 estaciones del país, con 29 situadas
específicamente en la cuenca del Río Pastaza y las restantes
distribuidas en otras cuencas del Ecuador que cumplían con
los criterios específicos para asegurar la confiabilidad del
entrenamiento de la RNA. Este enfoque garantizó que las
predicciones de la RNA fueran comparables y basadas en
datos verificables de las cuencas externas, mientras que la
cuenca del Río Pastaza sirvió como estudio de caso
independiente para validar los resultados del modelo.
Posteriormente, se realizó un riguroso proceso de calibración
y validación, utilizando datos reales como comparación para
evaluar la precisión del modelo. Se establecieron parámetros
de exclusión para estaciones con datos incompletos y se
aplicó un método de razones de distancia en la cuenca del
Río Pastaza para corroborar la coherencia geográfica y
climatológica de las estimaciones. Este enfoque integral
permitió ajustar el modelo de RNA de manera precisa,
mejorando continuamente su capacidad para prever y
homogeneizar datos pluviométricos en contextos complejos
y variados.
La RNA fue configurada con un número de iteraciones
ajustable, de 100 a 5000, para optimizar la precisión del
modelo en función de los datos proporcionados y los
resultados obtenidos. La iteración óptima se estableció en
5000 tras una evaluación rigurosa, asegurando una alta
fidelidad en la correspondencia entre los valores predichos y
los reales. La arquitectura del software incluye varias fases
135
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Aplicación de Redes Neuronales Artificiales para la Estimación de Precipitaciones: Caso de Estudio
de la Cuenca del Río Pastaza, Ecuador
de calibración y validación del modelo, con un sistema
adaptativo que ajusta el número de iteraciones basado en la
eficacia observada. Este enfoque se complementa con
herramientas gráficas integradas que ilustran visualmente la
precisión del modelo, facilitando la interpretación de su
desempeño (Figura 2).
Figura 2: Diagrama de flujo de la metodología utilizada para la aplicación de redes neuronales en la estimación de series de precipitación.
Codificación y Librerías del Proyecto
El desarrollo del software se realizó en Python,
aprovechando su flexibilidad y la robustez de librerías como
NumPy (Harris et al., 2020) y Pandas (McKinney, 2010)
para el manejo eficiente de los datos. TensorFlow y Keras se
utilizaron para facilitar la construcción y el entrenamiento de
las estructuras neuronales, mientras que Scikit-Learn se usó
en la homogeneización y preparación de los datos. Las
visualizaciones se realizaron mediante Matplotlib (Hunter,
2007) y Sea-born (Waskom, 2021), permitiendo una clara
representación de las tendencias y eficacia del modelo.
Los datos hidrometeorológicos provinieron de estaciones
meteorológicas en varias cuencas de Ecuador, con un
meticuloso proceso de importación usando Pandas. Este
proceso garantizó que los datos fueran óptimos para el
análisis y la modelización, excluyendo registros de
estaciones con datos incompletos. El entrenamiento de la
RNA se llevó a cabo en varias iteraciones, determinando que
5000 iteraciones era el número óptimo para una
aproximación precisa a los datos reales. Los resultados se
exportaron utilizando Pandas, facilitando la comparación y
validación del modelo. La etapa de calibración del software
fue crítica, con revisiones exhaustivas de las iteraciones para
asegurar la precisión de las predicciones. Se ajustaron los
136
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Rogel et al. (2024) https://doi.org/10.56124/finibus.v7i14.013
parámetros del modelo en función del comportamiento de los
datos de referencia, mejorando continuamente la eficiencia
del modelo. Finalmente, la validación de los resultados se
confirmó mediante una detallada comparación con los datos
reales, mostrando una alta correlación en la fase de 5000
iteraciones, lo que evidencia la validez y robustez del modelo
para predecir y gestionar datos meteorológicos en Ecuador.
Para la predicción de los valores de precipitación faltantes,
se implementó un modelo de RNA con un perceptrón
multicapa, utilizando la clase MLPRegressor del módulo
Scikit-learn. Esta configuración es fundamental para la
interpretación y el análisis de las complejas dinámicas
hidrometeorológicas de la cuenca del Río Pastaza. Se optó
por una estructura de red neuronal que comprende una capa
de entrada, varias capas ocultas y una capa de salida, cada
una calibrada cuidadosamente para optimizar la detección y
corrección de patrones en los datos pluviométricos. El
entrenamiento del modelo se efectuó a través de un enfoque
iterativo, utilizando un método de retro propagación para
ajustar los pesos de la red. El proceso iterativo continuó hasta
alcanzar una convergencia satisfactoria, indicada por la
disminución del error de predicción y una alineación cercana
con los valores de precipitación conocidos. Para ello, el
modelo se configuró con el optimizador Adam, que ajusta las
tasas de aprendizaje de manera eficiente a través de
gradientes estocásticos, favoreciendo una rápida
convergencia y precisión en la regresión. La Figura 3 ilustra
el esquema del modelo RNA empleado, resaltando el
enfoque de descenso de gradiente estocástico utilizado para
la optimización. La estructura detallada incluye dos neuronas
de entrada correspondientes a las estaciones de referencia
'Est1' y 'Est3', seleccionadas por su cercanía con la estación
de estudio, y una neurona de salida para la estación objetivo
'Est2', que se predice durante el entrenamiento. Con 5000
iteraciones, el modelo refina iterativamente los pesos de la
red para minimizar la discrepancia entre los valores
pronosticados y los reales de la estación de interés. El código
para crear y entrenar el modelo es el siguiente:
Este enfoque de optimización individualizada proporciona
actualizaciones instantáneas y precisas de los parámetros de
la red, lo cual es esencial para abordar la variabilidad
inherente a los datos hidrológicos de las estaciones
seleccionadas para el análisis. A pesar de los desafíos del
enfoque estocástico, como el potencial ruido en los
gradientes, su capacidad para evitar mínimos locales y
aspirar al óptimo global es una ventaja distintiva para este
tipo de análisis (Cartaya et al., 2016; Goos et al., 2012; Lee
& Kang, 2015).
Figura 3: Modelo RNA de algoritmo de descenso de gradiente
utilizado para la predicción de datos de precipitación faltantes en
la cuenca del Río Pastaza.
Verificación de resultados
Con el fin de verificar la validez del trabajo de
homogeneización de datos pluviométricos de la cuenca del
Río Pastaza mediante RNA, se realizó una comparación de
datos utilizando otro método de homogeneización más
estandarizado. Para ello, se empleó el método de las razones
de distancia, un enfoque clásico en la región que utiliza dos
estaciones de referencia para calcular los valores faltantes en
una estación evaluada. Esta técnica considera la proximidad
geográfica de las estaciones para mejorar la precisión en la
estimación de los valores faltantes, lo cual es esencial para
preservar la coherencia de los datos dentro de una misma
cuenca (Goulven, 1988; Guachamin et al., 2019). Este
método es útil para completar los datos faltantes en las series
meteorológicas en cuencas. Integra de manera efectiva la
distancia física entre las estaciones en los cálculos, siendo
eficaz al utilizar series completas de dos estaciones de
referencia, identificadas como PA y PB, para estimar los
datos faltantes en una estación con registros incompletos,
PX, asegurando que las estimaciones sean geográficamente
lógicas y meteorológicamente válidas. La fórmula utilizada
para este método es:
donde 'a' y 'b' representan las distancias desde PX hasta las
estaciones PA y PB, respectivamente. Esta fórmula no solo
ajusta los datos por proximidad, sino que también mantiene
la integridad de las tendencias meteorológicas observadas en
las estaciones de referencia.
137
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Aplicación de Redes Neuronales Artificiales para la Estimación de Precipitaciones: Caso de Estudio
de la Cuenca del Río Pastaza, Ecuador
3. Resultados
Posterior a un exhaustivo análisis bibliográfico y
recopilación de datos, se identificaron 29 estaciones
hidrológicas dentro de la cuenca del Río Pastaza, cuya
distribución está detallada en la Figura 4. La recolección de
datos abarcó un período de 19 años a una escala mensual,
desde enero de 1995 hasta diciembre de 2013, equivalente a
228 meses de registros pluviométricos. Durante el análisis
preliminar, se determinó que 19 de estas estaciones
superaban el umbral del 30% de datos faltantes, lo que
justificó enfocar el tratamiento y análisis en estas estaciones
debido a la significativa cantidad de información incompleta.
El estudio de las precipitaciones en la cuenca se visualiza
mediante el diagrama de cajas y bigotes en la Figura 5, que
ofrece un resumen estadístico de las variaciones y tendencias
de las precipitaciones durante el periodo estudiado. Las
estaciones de Puyo (M008) y Sangay (M041) destacan por
registrar niveles de precipitación significativamente más
altos en comparación con otras estaciones, una diferencia
atribuible a sus ubicaciones geográficas y factores climáticos
locales. Por el contrario, el resto de las estaciones mostraron
niveles de precipitación menores y fluctuaciones más
moderadas. Los valores atípicos observados en el diagrama
indican eventos de lluvias intensas que, aunque esporádicos,
son cruciales para entender la dinámica hídrica y las
respuestas de la cuenca a condiciones meteorológicas
extremas.
Estos eventos de precipitación en la cuenca del Río Pastaza
son cruciales para evaluar la vulnerabilidad y capacidad de
respuesta de la cuenca a fenómenos climáticos severos. La
heterogeneidad en la precipitación documentada enfatiza la
necesidad de considerar las variaciones espaciales y
temporales en la gestión del agua y en la planificación
hidrológica (Millán et al., 2010; Siren, 2014). La
consistencia de información entre las estaciones en términos
de precipitación promedio y la detección de eventos
extremos proporcionan una base sólida para futuras
investigaciones, que podrían profundizar en la modelización
climática y la evaluación de riesgos hidrológicos en la
región.
La
Tabla 1 presenta la información relevante de las estaciones
analizadas en este estudio. En ella se detallan el código
nacional de cada estación, su nombre, y su ubicación por
latitud y longitud en coordenadas geográficas, información
necesaria para determinar las distancias entre las estaciones.
Asimismo, se desglosan los porcentajes de datos faltantes
antes y después de la aplicación de técnicas de recuperación
utilizando RNA, junto con el número de datos recuperados.
Por ejemplo, la estación M133 (Guaslán) mostró una notable
mejora en sus series de precipitación, con datos faltantes
reducidos del 28.1% al 16%, recuperando 28 registros. De
igual forma, en la estación M377 (Tisaleo), los datos
faltantes disminuyeron del 15.8% al 4%, recuperando 26
registros. Estos resultados subrayan la eficacia de los
métodos de homogeneización mediante RNA, demostrando
su capacidad para reconstituir series de datos pluviales
esenciales para estudios hidrológicos detallados en la cuenca
del Río Pastaza.
Figura 4: Ubicaciones de las estaciones meteorológicas consideradas para análisis dentro de la cuenca del Río Pastaza.
138
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Rogel et al. (2024) https://doi.org/10.56124/finibus.v7i14.013
Figura 5: Diagrama de caja y bigotes de las precipitaciones anuales de 1995 a 2013 de las estaciones consideradas para análisis en la
cuenca del Río Pastaza.
Tabla 1: Información de las estaciones meteorológicas analizadas en la cuenca del Río Pastaza
Código
Nombre Estación
Latitud
Longitud
Altitud
Datos faltantes
Datos faltantes después
Datos recuperados
M004
Rumipamba
-78.604287
-1.028794
2685
0.0%
0%
0
M008
Puyo
-77.956
-1.5057
960
0.9%
0%
2
M029
Baños
-78.427975
-1.404053
1695
14.0%
0%
32
M041
Sangay
-77.953618
-1.708765
880
5.3%
0%
12
M128
Pedro Fermín
-78.627353
-1.364711
2910
7.5%
0%
17
M133
Guaslán
-78.674136
-1.735808
2850
28.1%
16%
28
M258
Querochaca
-78.594954
-1.412856
2865
4.4%
4%
0
M369
Cusubamba
-78.712371
-1.077123
3175
6.1%
4%
4
M371
Pastocalle
-78.644612
-0.732838
3074
25.9%
23%
7
M375
Saquisilí
-78.677113
-0.847221
2892
10.1%
4%
13
M376
Pilahuín
-78.744245
-1.313889
3314
7.0%
4%
6
M377
Tisaleo
-78.679258
-1.357131
3266
15.8%
4%
26
M380
Huambaló
-78.538765
-1.400113
2880
5.3%
4%
2
M393
San Juan
-78.798557
-1.640619
3220
5.7%
4%
3
M395
Cebadas
-78.654252
-1.923329
2930
7.9%
4%
8
M396
Alao
-78.494818
-1.899688
3200
13.2%
4%
20
M407
Licto
-78.612362
-1.820821
2840
21.9%
15%
16
M408
Guano
-78.632549
-1.619477
2620
7.5%
4%
7
MA1V
Cotopilaló
-78.712922
-0.691507
3250
27.6%
21%
15
La integridad de los conjuntos de datos de precipitación en
la cuenca del Río Pastaza fue minuciosamente evaluada
utilizando la biblioteca missingno de Python, reconocida por
su capacidad para visualizar eficazmente los patrones de
datos faltantes. La Figura 6(a) muestra detalladamente la
distribución y cantidad de datos disponibles en las estaciones
analizadas, destacando los vacíos significativos en la
información recolectada. En esta visualización, cada línea
blanca indica un dato ausente en los registros de cada
estación, donde la fila 1 muestra una secuencia completa de
139
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Aplicación de Redes Neuronales Artificiales para la Estimación de Precipitaciones: Caso de Estudio
de la Cuenca del Río Pastaza, Ecuador
228 valores, y la fila 6 resalta una carencia notoria con solo
164 valores registrados. De igual forma, la Figura 6(b)
evidencia cómo, después de implementar técnicas avanzadas
de homogeneización utilizando RNA, se logró una notable
reducción de los valores faltantes. Este resultado demuestra
la efectividad del enfoque computacional avanzado en la
mejora de la calidad de los datos.
Figura 6: Densidad de datos de precipitación de las estaciones de la cuenca del Río Pastaza, el grafico a) indica los datos de precipitación
de las estaciones meteorológicas consideradas dentro de la cuenca, los espacios en blanco indican los meses sin información de
precipitación, el grafico b) indica los datos de precipitación luego del procesado de información, observándose un relleno de información
de precipitación.
La eficacia de este proceso se refleja en la Tabla 1, que
detalla cuantitativamente los datos recuperados, resaltando
la consistencia y la integridad mejoradas del conjunto de
datos tras el tratamiento. Estas visualizaciones no solo son
esenciales para el preprocesamiento de los datos, sino que
también establecen una base sólida para las etapas
subsiguientes del análisis en la investigación. Al clarificar la
disponibilidad y calidad de los datos recopilados, se facilita
una mejor comprensión de las dinámicas de precipitación de
la cuenca, permitiendo análisis más precisos y
fundamentados.
Para la estimación de datos de precipitación mediante RNA,
se utilizó un enfoque de entrenamiento con datos de
estaciones meteorológicas externas a la cuenca del Río
Pastaza. Este enfoque permitió validar la efectividad del
modelo en un contexto más amplio, empleando registros de
diversas cuencas a lo largo de Ecuador y excluyendo
específicamente la cuenca del Río Pastaza para preservar la
imparcialidad en la evaluación de resultados. La selección de
estaciones siguió un estricto criterio de filtrado, descartando
aquellas con registros incompletos para asegurar la
integridad y fiabilidad del entrenamiento. La calibración del
modelo alcanzó 5000 iteraciones, demostrando una notable
convergencia con los valores reales.
La Figura 7 compara la precisión de las predicciones del
modelo en la cuenca del Río Pastaza con datos reales de otras
estaciones con registros completos. La línea naranja de la
predicción sigue de cerca la línea azul de los valores reales a
lo largo de 350 muestras de precipitación. Las fluctuaciones
en las predicciones reflejan la capacidad del modelo de
capturar con precisión la variabilidad en los datos
pluviométricos, incluso durante eventos de lluvias intensas,
lo que es crucial para el análisis hidrológico detallado y la
gestión de recursos hídricos.
Esta estrecha correlación subraya la superioridad del modelo
de RNA sobre los métodos manuales tradicionales,
demostrando no solo una mayor precisión sino también una
robustez significativa en la homogeneización de los datos.
Al comparar este modelo avanzado con métodos manuales,
se observa una mejora sustancial en la precisión y en la
gestión de la variabilidad de los datos. La aplicación de un
análisis no paramétrico mediante la prueba de rachas
también confirmó la validez del modelo, con un índice de
confiabilidad del 95%. Este nivel de fiabilidad corrobora que
las predicciones no solo son precisas sino consistentes,
reafirmando la capacidad de la RNA para ser aplicada en la
homogeneización de datos en otras cuencas del país.
En la comparación de los resultados, se observó que la
predicción mediante RNA y métodos convencionales difiere
en su enfoque y capacidad para manejar datos complejos.
Las RNA, al emplear gradientes estocásticos y considerar un
conjunto de elementos más amplio, ofrecen una estimación
más rica y detallada, lo cual se refleja en un coeficiente de
determinación R2 de 0.71. Este valor sugiere que las
140
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Rogel et al. (2024) https://doi.org/10.56124/finibus.v7i14.013
predicciones del modelo capturan una proporción sustancial
de la variabilidad en los datos, indicando un buen ajuste y
ofreciendo una mejora notable en la precisión en
comparación con los métodos convencionales que dependen
de relaciones matemáticas simples entre estaciones cercanas.
La Figura 8, Figura 9 y Figura 10 describen visualmente los
resultados obtenidos después del proceso de
homogeneización de los datos de precipitación para cada una
de las estaciones analizadas en este estudio en la cuenca del
Río Pastaza utilizando RNA.
Figura 7: Convergencia con 5000 iteraciones del modelo predictivo para las estaciones de la cuenca del rio Pastaza y que no
consideradas en el entrena-miento.
Figura 8: Resultados obtenidos de la homogeneización de datos de precipitación mensual en las estaciones del Río Pastaza (Est: M004,
M008, M029 y M041).
141
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Aplicación de Redes Neuronales Artificiales para la Estimación de Precipitaciones: Caso de Estudio
de la Cuenca del Río Pastaza, Ecuador
Figura 9: Resultados obtenidos de la homogeneización de datos de precipitación mensual en las estaciones del Río Pastaza (Est: M128,
M133, M258, M369, M371, M375, M376, M377, M380, M393 y M395. , M396, M407, M408 y MA1V).
142
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Rogel et al. (2024) https://doi.org/10.56124/finibus.v7i14.013
Figura 10: Resultados obtenidos de la homogeneización de datos de precipitación mensual en las estaciones del Río Pastaza (Est: M396,
M407, M408 y MA1V).
Al analizar los resultados, se observa que el proceso de
homogeneización utilizando RNA mejora la precisión de los
datos previstos en comparación con los datos originales,
verificando la efectividad del método. La Figura 11 muestra
la información de la estación de Alao correspondiente al
período entre 2003 y 2006, sugiriendo una incorporación
coherente de los datos tratados y reflejando una alta fidelidad
en los patrones de precipitación.
4. Discusión
Los resultados alcanzados mediante el empleo de RNA en la
cuenca del Río Pastaza abren nuevas perspectivas en el
estudio de la hidrología y climatología regional. Este análisis
refuerza la importancia de estimaciones pluviométricas
precisas para el modelado de patrones climáticos y la gestión
de recursos hídricos, demostrando la superioridad de las
RNA sobre métodos convencionales en la captura y análisis
de la variabilidad climática. Al integrar múltiples variables y
trascender la simple relación de proximidad entre estaciones,
las RNA proporcionan predicciones que reflejan de manera
más fiel la complejidad de los sistemas hidrológicos de la
región. La versatilidad del modelo sugiere su aplicabilidad
en diversas cuencas del Ecuador y su potencial adopción en
otros entornos geográficos con desafíos hidrológicos y
climáticos similares.
La relevancia de las RNA en la predicción de información
hidrológica es evidente, ya que pueden proporcionar datos
críticos para la planificación estratégica y la prevención
frente a fenómenos meteorológicos extremos. El enfoque
sofisticado de las RNA para la estimación pluviométrica
puede ser crucial para la optimización de infraestructuras y
la resiliencia hídrica de las comunidades. Estos resultados
actúan como un catalizador para la sostenibilidad,
demostrando cómo la tecnología avanzada puede y debe
integrarse con la gestión ambiental y climática (Carrera-
Villacrés et al., 2016; Cartaya et al., 2016; Goos et al., 2012;
Millán et al., 2010).
El uso de técnicas avanzadas en la investigación hidrológica
contribuye significativamente a la ciencia del agua y el
clima, enriqueciendo el conocimiento científico con métodos
innovadores y eficaces. Este desarrollo amplía la
comprensión de las dinámicas interrelacionadas entre
sistemas naturales y antropogénicos, facilitando
descubrimientos que mejoren nuestra capacidad de respuesta
frente a los desafíos medioambientales del futuro. La
aplicación de las RNA en la estimación de datos
pluviométricos de la cuenca del Río Pastaza ofrece un
enfoque innovador respecto a estudios anteriores. Mientras
que investigaciones previas han dependido mayormente de
métodos estadísticos convencionales, este estudio se
distingue por integrar y procesar las complejidades
inherentes a los datos climáticos de manera dinámica y
holística (Kalauzi et al., 2009; Millán et al., 2008, 2010).
La comparación directa con metodologías tradicionales
subraya no solo la viabilidad, sino también la superioridad
de las RNA en la gestión de grandes volúmenes de datos y la
precisión de los resultados obtenidos.
143
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Aplicación de Redes Neuronales Artificiales para la Estimación de Precipitaciones: Caso de Estudio
de la Cuenca del Río Pastaza, Ecuador
Estación M396 Alao
Figura 11: Visualización del proceso de homogeneización de datos de precipitación mediante el uso de RNA en las estaciones de
Baños y Alao de la cuenca del Río Pastaza.
El uso de técnicas de aprendizaje automático, como las
RNA, en la investigación climática e hidrográfica, está en
línea con la tendencia contemporánea de explorar patrones
de datos y su interpretación a mayor profundidad. Al
comparar los resultados de este estudio con investigaciones
similares, se observa un incremento en la capacidad de
análisis y precisión predictiva, apoyando la propuesta de que
las RNA podrían ser una herramienta viable en futuros
análisis hidrológicos y climáticos, especialmente en regiones
como Ecuador, donde la información hidrológica y
climatológica de calidad es limitada. Este estudio presenta
una metodología adaptable y aplicable a diferentes contextos
y conjuntos de datos, a diferencia de métodos más rígidos.
Esta flexibilidad y la capacidad de las RNA para calibrarse a
diversas condiciones refuerzan su potencial como
herramienta en la homogeneización de datos.
En el contexto del cambio climático, la creciente variabilidad
climática plantea desafíos significativos a la gestión hídrica,
donde la predicción precisa de los patrones de precipitación
es crucial para la adaptación y mitigación (Gómez Gue-rrero
& Aguayo Arias, 2019; Kalauzi et al., 2009; Matovelle et al.,
2022; Millán et al., 2008). Los datos estimados por RNA
ofrecen una comprensión avanzada y detallada de la
variabilidad pluviométrica, esencial para predecir y
adaptarse a las condiciones climáticas cambiantes. Las RNA
destacan como herramientas predictivas de relevancia ante el
cambio climático, capaces de predecir eventos climáticos
extremos con mayor precisión. Esta capacidad es vital para
preparar a las comunidades frente a desastres naturales,
facilitando la implementación de estrategias de respuesta
temprana y reduciendo el impacto negativo tanto en las
poblaciones humanas como en los ecosistemas de la región.
Además, los resultados obtenidos mediante RNA pueden
mejorar significativamente la calidad de los modelos
climáticos y de proyecciones futuras, permitiendo entender
cómo la alteración del clima influirá en los ciclos
hidrológicos de la cuenca del Río Pastaza. Esto es crucial
para proyectar y anticipar cambios en la disponibilidad de
recursos hídricos y desarrollar estrategias de gestión robustas
y adaptables a futuro.
Aunque nuestros resultados muestran la eficacia del uso de
RNA en la homogeneización de datos pluviométricos,
existen limitaciones. Una restricción notable es la
dependencia de registros históricos, que en esta región
pueden presentar imprecisiones debido a métodos de
recolección antiguos o errores en la instrumentación. En
algunas estaciones analizadas en la cuenca del Río Pastaza,
los datos faltantes eran tan extensos que su imputación podía
introducir sesgos en el modelo. Esto resalta la importancia
de la calidad y la integridad de los datos en la modelización
de RNA.
De cara al futuro, es necesario continuar la investigación
enfocándose en la mejora y verificación de los modelos de
RNA aplicándolos a una variedad más amplia de cuencas
hidrográficas, para examinar su aplicabilidad y robustez en
diferentes contextos geográficos y climáticos. La integración
de tecnologías emergentes y modelos hidrológicos más
sofisticados será de gran utilidad en las cuencas de la región.
La incorporación de datos de sensores remotos y plataformas
de modelización climática podría enriquecer los conjuntos
de datos y proporcionar una mayor precisión en las
estimaciones. Además, es crucial explorar otros métodos de
inteligencia artificial, como las redes neuronales
convolucionales y los sistemas de aprendizaje profundo, que
podrían ofrecer información adicional valiosa en la compleja
tarea de homogeneizar y analizar datos hidrológicos. El
desarrollo de enfoques híbridos, que combinen múltiples
metodologías de IA, podría superar algunas de las
limitaciones identificadas y abrir nuevos horizontes en la
investigación hidrológica y climática de la región.
144
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Rogel et al. (2024) https://doi.org/10.56124/finibus.v7i14.013
5. Conclusiones
El presente estudio se ha enfocado en la estimación de datos
pluviométricos mediante el uso de RNA. De forma
destacada, las RNA han demostrado ser una herramienta de
gran utilidad en términos de precisión y capacidad de
generalización en comparación con los métodos
tradicionales. Los hallazgos indican que las RNA pueden
predecir eficazmente los vacíos en los registros
pluviométricos, incluso en cuencas hidrográficas tan
complejas como la del río Pastaza, lo que tiene profundas
implicaciones para la gestión hídrica y la planificación
climática. La robustez del modelo de RNA fue evidenciada
a través de su aplicación en diferentes cuencas en Ecuador,
lo que sugiere su potencial de aplicación en una variedad más
amplia de contextos hidrológicos. La aplicación de RNA en
la homogeneización de datos no solo ha mejorado la calidad
de la información disponible para la toma de decisiones, sino
que también establece un precedente en la precisión de las
predicciones hidrológicas y climáticas de las cuencas de la
región.
Esencialmente, estos resultados realzan la validez de las
RNA como una metodología confiable y avanzada para la
estimación de datos faltantes en estudios hidrológicos,
proporcionando un sólido fundamento para la
implementación de prácticas de manejo de recursos hídricos
más informadas y la formulación de políticas climáticas más
efectivas. El uso de RNA en la estimación de datos
hidrometeorológicos ha demostrado ser no solo aplicable
sino también altamente relevante en la era actual, marcada
por la incertidumbre climática y la necesidad de una gestión
eficiente de recursos naturales. La capacidad de las RNA
para procesar y analizar grandes volúmenes de datos con
complejas interacciones y patrones variables es
particularmente pertinente en el campo hidrometeorológico,
donde la variabilidad espacial y temporal de los datos puede
ser sustancial. La precisión mejorada y la capacidad
predictiva de las RNA habilitan predicciones más confiables,
lo que es vital para la planificación y respuesta ante
fenómenos extremos, como inundaciones y sequías. En la
práctica, esto se traduce en la mejora de los sistemas de alerta
temprana y en la planificación estratégica a largo plazo de
las infraestructuras hídricas y agrícolas, contribuyendo
significativamente a la resiliencia y sostenibilidad de las
comunidades afectadas.
De esta forma, este análisis sugiere una mejoría de las RNA
en la predicción de valores faltantes de precipitación, lo que
las posiciona como una herramienta poderosa y precisa para
la homogeneización de datos en el campo de la hidrología,
con implicaciones directas en la gestión de recursos hídricos
en cuencas hídricas en países como Ecuador, donde la falta
de información confiable es evidente. En definitiva, los
resultados del estudio subrayan el potencial transformador
de las RNA en la hidrología y la meteorología, así como para
la gestión del agua, reforzando la importancia de la
integración de métodos analíticos avanzados en el manejo y
análisis de datos hidrometeorológicos para la toma de
decisiones estratégicas y fundamentadas. La
implementación de RNA para la estimación y
homogeneización de datos pluviales en la cuenca del Río
Pastaza tiene implicaciones prácticas profundas para la
gestión de sus recursos hídricos. El análisis refinado de la
precipitación permite a los administradores de recursos
hídricos desarrollar modelos hidrológicos más precisos y,
por ende, tomar decisiones mejor informadas respecto a la
conservación del agua, la agricultura, y la planificación de
infraestructuras hídricas. A medida que la tecnología
evoluciona y se vuelve más accesible, se abren perspectivas
para aplicar técnicas similares en otras cuencas hidrográficas
de la región, con la intención de mejorar nuestra
comprensión y gestión de los recursos hídricos de Ecuador.
Referencias
Abadi, M., Barham, P., Sanjay Ghemawat, Irving, G., Isard,
M., Kudlur, M., Levenberg, J., Monga, R., Moore, S.,
Murray, D. G., Steiner, B., Tuck-er, P., Vasudevan, V.,
Warden, P., Wicke, M., Yu, Y., Zheng, X., Google
Brain, Chen, J., … Devin, M. (2016). TensorFlow: A
System for Large-Scale Machine Learning. 12th
USENIX Symposium on Operating Systems Design and
Implementation, 265–283.
Abril-Saltos, R. V., Armas-Chugcho, P. A., Chamorro, W.
P., Toscano-Salazar, V. E., Sucoshañay-Villalva, D. J.,
& Ríos-Rodríguez, A. F. (2021). Calidad de agua del río
Puyo y afluentes, Pastaza, Ecuador. Tecnología y
Ciencias Del Agua, 12(3), 379–417.
https://doi.org/10.24850/j-tyca-2021-03-10
Carrera-Villacrés, D. V., Guevara-García, P. V., Tamayo-
Bacacela, L. C., Balarezo-Aguilar, A. L., Narváez-
Rivera, C. A., & Morocho-López, D. R. (2016). Relleno
de series anuales de datos meteorológicos mediante
métodos estadísticos en la zona costera e interandina del
Ecuador, y cálculo de la precipitación media. Idesia
(Arica), 34(3), 81–90. https://doi.org/10.4067/S0718-
34292016000300010
Cartaya, S., Zurita, S., & Montalvo Párraga, V. (2016).
Métodos de ajuste y homogenización de datos climáticos
para determinar índice de humedad de Lang en la
provincia de Manabí, Ecuador. Revista La Técnica,
94(106), 94–106.
Chollet, F. (2015). https://github.com/fchollet/keras. GitHub
Repository. https://github.com/keras-team/keras
Cruzatty, C., Jimenez, D., Valencia, E., Zambrano, I., Mora,
C., Luo, X., & Cando, E. (2021). A Case Study:
Sediment Erosion in Francis Turbines Operated at the
San Francisco Hydropower Plant in Ecuador. Energies,
15(1), 8. https://doi.org/10.3390/en15010008
145
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Aplicación de Redes Neuronales Artificiales para la Estimación de Precipitaciones: Caso de Estudio
de la Cuenca del Río Pastaza, Ecuador
Flores Llampazo, G., Honorio Coronado, E. N., del Aguila‐
Pasquel, J., Cordova Oroche, C. J., Díaz Narvaez, A.,
Reyna Huaymacari, J., Grandez Ríos, J., Lawson, I. T.,
Hastie, A., Baird, A. J., & Baker, T. R. (2022). The
presence of peat and variation in tree species
composition are under different hydrological controls in
Amazonian wetland forests. Hydrological Processes,
36(9). https://doi.org/10.1002/hyp.14690
Gómez Guerrero, J. S., & Aguayo Arias, M. I. (2019).
Evaluación de desempeño de métodos de relleno de
datos pluviométricos en dos zonas morfoestructurales
del Centro Sur de Chile. Investigaciones Geográficas,
99. https://doi.org/10.14350/rig.59837
Goos, G., Hartmanis, J., Van, J., Board, L. E., Hutchison, D.,
Kanade, T., Kittler, J., Kleinberg, J. M., Kobsa, A.,
Mattern, F., Zurich, E., Mitchell, J. C., Naor, M.,
Nierstrasz, O., Steffen, B., Sudan, M., Terzopoulos, D.,
Tygar, D., & Weikum, G. (2012). Neural Information
Processing (T. Huang, Z. Zeng, C. Li, & C. S. Leung,
Eds.; Vol. 7666). Springer Berlin Heidelberg.
https://doi.org/10.1007/978-3-642-34478-7
Goulven, P. (1988). Homogeneizacion de los datos
pluviometricos.
https://horizon.documentation.ird.fr/exl-
doc/pleins_textes/divers11-03/010042844.pdf
Guachamin, W., Garcia, F., Arteaga, M., & Cadena, J.
(2019). Determinación de Ecuaciones para el Cálculo de
Intensidades Máximas de Precipitación (2nd ed., Vol. 2).
INAMHI.
https://www.inamhi.gob.ec/Publicaciones/Hidrologia/E
STUDIO_DE_INTENSIDADES_V_FINAL.pdf
Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers,
R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J.,
Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S.,
van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J.
F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020).
Ar-ray programming with NumPy. Nature, 585(7825),
357–362. https://doi.org/10.1038/s41586-020-2649-2
Herrmann, P. (2002). Management Conflicts in the Ambato
River Watershed, Tungurahua Province, Ecuador.
Mountain Research and Develop-ment, 22(4), 338–340.
https://doi.org/10.1659/0276-
4741(2002)022[0338:MCITAR]2.0.CO;2
Houari, R., Bounceur, A., Tari, A. K., & Kecha, M. T.
(2014). Handling missing data problems with sampling
methods. Proceedings - 2014 International Conference
on Advanced Networking Distributed Systems and
Applications, INDS 2014, 99–104.
https://doi.org/10.1109/INDS.2014.25
Hunter, J. D. (2007). Matplotlib: A 2D Graphics
Environment. Computing in Science & Engineering,
9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
INHAMI. (2024). Anuarios Metereológicos.
https://inamhi.website/anuarios-metereologicos/
Kalauzi, A., Cukic, M., Millán, H., Bonafoni, S., & Biondi,
R. (2009). Comparison of fractal dimension oscillations
and trends of rainfall data from Pastaza Province,
Ecuador and Veneto, Italy. Atmospheric Research,
93(4), 673–679.
https://doi.org/10.1016/j.atmosres.2009.02.007
Lee, H., & Kang, K. (2015). Interpolation of Missing
Precipitation Data Using Kernel Estimations for
Hydrologic Modeling. Advances in Meteor-ology, 2015,
1–12. https://doi.org/10.1155/2015/935868
López, S., & Sierra, R. (2010). Agricultural change in the
Pastaza River Basin: A spatially explicit model of native
Amazonian cultivation. Applied Geography, 30(3),
355–369. https://doi.org/10.1016/j.apgeog.2009.10.004
Matovelle, C., Heras, D., & Solano-Peláez, J. (2022).
Eficiencia de la Imputación de Datos Faltantes de
Precipitaciones Utilizando Herramientas
Computacionales en la Cuenca Hidrográfica, Jubones -
Ecuador. Revista Politécnica, 50(2), 23–30.
https://doi.org/10.33333/rp.vol50n2.03
McKinney, W. (2010). Data Structures for Statistical
Computing in Python. 56–61.
https://doi.org/10.25080/Majora-92bf1922-00a
Millán, H., Kalauzi, A., Cukic, M., & Biondi, R. (2010).
Nonlinear dynamics of meteorological variables:
multifractality and chaotic invariants in daily records
from Pastaza, Ecuador. Theoretical and Applied
Climatology, 102(1–2), 75–85.
https://doi.org/10.1007/s00704-009-0242-6
Millán, H., Kalauzi, A., Llerena, G., Sucoshañay, J., &
Piedra, D. (2008). Climatic trends in the Amazonian area
of Ecuador: Classical and mul-tifractal analyses.
Atmospheric Research, 88(3–4), 355–366.
https://doi.org/10.1016/j.atmosres.2007.11.030
Najarchi, M., Mahdavi, A., Hazaveh, E., Hazaveh, S. M. M.
H., & Najafizadeh, S. M. M. (2020). Determination of
missing precipitation data by various methodologies. In
Journal of Critical Reviews (Vol. 7, Issue 6, pp. 925–
935). Innovare Academics Sciences Pvt. Ltd.
https://doi.org/10.31838/jcr.07.06.161
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V.,
Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P.,
Weiss, R., Dubourg, V., Passos, A., Cournapeau, D.,
Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-
learn: Machine Learning in Python. Journal of Machine
Learning Research, 12, 2825–2830.
https://doi.org/10.48550/arXiv.1201.0490
Serrano-Vincenti, S., Condom, T., Campozano, L., Escobar,
L. A., Walpersdorf, A., Carchipulla-Morales, D., &
Villacís, M. (2022). Harmonic Analysis of the
Relationship between GNSS Precipitable Water Vapor
and Heavy Rainfall over the Northwest Equatorial
Coast, Andes, and Amazon Regions. Atmosphere,
13(11), 1809. https://doi.org/10.3390/atmos13111809
146
Vol.7, Núm.14 (jul-dic 2024) ISSN: 2737-6451
Rogel et al. (2024) https://doi.org/10.56124/finibus.v7i14.013
Siren, A. (2014). History of natural resource use and
environmental impacts in an interfluvial upland forest
area in western Amazonia. Fennia - International Journal
of Geography, 192(1), 36–53.
https://doi.org/10.11143/8825
Van Rossum, G. (1995). Python tutorial.
Waskom, M. (2021). seaborn: statistical data visualization.
Journal of Open-Source Software, 6(60), 3021.
https://doi.org/10.21105/joss.03021
Proyecto de investigación relacionado
Los autores desean expresar su agradecimiento a la
Dirección de Investigación y Desarrollo (DIDE) de la
Universidad Técnica de Ambato por financiar el proyecto
“CARACTERIZACIÓN DE FUENTES HÍDRICAS
SUPERFICIALES EN LA ZONA ANDINA DEL RÍO
PASTAZA, ECUADOR”, el cual fue aprobado mediante la
resolución No. UTA-CONIN-2022-0030-R. Además,
expresan su gratitud al grupo de investigación “GESTIÓN
DE RECURSOS NATURA-LES E INFRAESTRUCTURA
SUSTENTABLE (GeReNIS) de la Universidad Técnica de
Ambato.
Contribución de los autores (CRediT)
Conceptualización: A.R., A.H., B.P.; Curación de datos y
contenidos, Software: A.R., A.H., D.M., B.P.; Análisis
formal de datos, Investigación, Validación, Redacción-
borrador original: A.R., A.H., F.C., F.M., D.M., B.P.;
Adquisición de fondos, Administración de proyecto,
Supervisión: D.M., B.P.; Metodología: A.R., A.H., F.C.,
B.P.; Recursos materiales: A.H., D.M., B.P.; Visualización:
A.R., A.H., F.M., D.M., B.P.; Redacción-revisión y edición:
F.C., D.M., B.P. Todos los autores han leído y aceptado la
versión publicada del manuscrito.
Conflicto de intereses
Los autores han declarado que no existe conflicto de
intereses en esta obra.
Derechos de autor 2024. Revista Científica
FINIBUS - ISSN: 2737-6451.
Esta obra está bajo una licencia:
Internacional Creative Commons
Atribución-NoComercial-CompartirIgual
.4.0
