Aplicación de Redes Neuronales Artificiales para la Estimación de Pre-cipitaciones: Caso de Estudio de la Cuenca del Río Pastaza, Ecuador
Application of Artificial Neural Networks for Rainfall Estimation: Case Study in the Pastaza River Basin, Ecuador
DOI:
https://doi.org/10.56124/finibus.v7i14.013Palabras clave:
redes neuronales artificiales, estimación de precipitaciones, gestión hídrica, cuenca del río PastazaResumen
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.
Descargas
Citas
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
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/ESTUDIO_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
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
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista Científica y Arbitrada del Observatorio Territorial, Artes y Arquitectura: FINIBUS - ISSN: 2737-6451.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
6.jpg)
