Predicción de patrones de comportamiento de precipitación mediante herramientas estadísticas usadas en los modelos de circulación atmosférica 2020-2050
El objetivo de esta investigación fue identificar patrones de comportamiento de precipitación del periodo 2020-2050 mediante herramientas estadísticas, técnicas machine learning y validación de modelos mediante datos observados y predichos. La base de datos de precipitación se obtuvo de los modelos...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Médium: | bachelorThesis |
| Jazyk: | spa |
| Vydáno: |
2022
|
| Témata: | |
| On-line přístup: | https://dspace.espoch.edu.ec/handle/123456789/19904 |
| Tagy: |
Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
|
Přidat tag | Shrnutí: | El objetivo de esta investigación fue identificar patrones de comportamiento de precipitación del periodo 2020-2050 mediante herramientas estadísticas, técnicas machine learning y validación de modelos mediante datos observados y predichos. La base de datos de precipitación se obtuvo de los modelos atmosféricos del Centro Nacional de Investigaciones Meteorológicas (CNRM), que se encuentra en el proyecto Inter comparaciones de Modelos Acoplados Fase 6 (CMIP6), los datos de precipitación fueron del periodo 2020-2050 recolectadas a escala diaria, el cual para este análisis de datos se utilizó el lenguaje de programación Python, para la elaboración de histogramas de frecuencia y técnicas multivariadas para la reducción de dimensionalidad; se aplicó diferentes técnicas Machine Learning para identificar patrones de comportamiento como: K-Means, Agrupamiento Espacial Basado en Densidad de Aplicaciones con Ruido (DBSCAN) y Agrupación Aglomerativo, donde la técnica (DBSCAN) identificó 4 clústeres de patrones de comportamiento, el cual para validar dicho modelo se utilizó la métrica de precisión de Silhouette y la información de precipitaciones registradas en el Ecuador del año 2021. Como resultado de este análisis arrojó como la mejor técnica para la reducción de dimensionalidad e identificación de patrones de comportamiento de precipitación fue el algoritmo con métrica euclídea (DBSCAN), con una efectividad del 70.92% mayor que las demás técnicas empleadas, los patrones de comportamiento identificados con la técnica ya mencionada fueron similares a los datos predichos. Se recomienda experimentar con varias técnicas machine learning para observar cuál de estas técnicas es el adecuado para la base de datos en estudio, es importante acudir donde un experto en el área de la climatología para una mejor interpretación y comprensión de los eventos climatológicos. |
|---|