Evaluación de métodos convencionales y de aprendizaje de máquina para completar series de precipitación

  • María Alejandra Caicedo Londoño Universidad de La Salle
  • Juan Carlos Chacón Hurtado Unesco-IHE University, DELFT
Palabras clave: aprendizaje de máquina, datos faltantes, interpolación, precipitación mensual, regresión.

Resumen

En este trabajo se discuten los resultados obtenidos tras evaluar ocho métodos basados en el aprendizaje de máquina, y tres métodos correspondientes a los que históricamente se han empleado para completar datos faltantes en series de tiempo. Los datos utilizados para los análisis corresponden a totales mensuales de precipitación, recolectados por el Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia (Ideam) en cuatro estaciones meteorológicas localizadas en la cuenca del río Baché, en el municipio de Palermo (Huila, Colombia). Para llevar a cabo la evaluación de los métodos, se reprodujeron los datos existentes, a manera de faltantes, y sobre la diferencia de estos se calcularon tres métricas distintas de error: raíz de error medio cuadrático (REMC), eficiencia de Nash-Sutcliffe (NSE) y sesgo. Los resultados muestran que los métodos de aprendizaje de máquina para completar series de tiempo son fiables, ya que resultados similares, y en algunos casos mejores, pueden ser alcanzados sin una precisa implementación, y, consecuentemente, una mayor atención a estos puede llevar a resultados menos inciertos.

Publicado
2016-05-20
Sección
Artículos