Red neuro-difusa para el relleno de datos faltantes en la estación meteorológica Chapingo / Neuro-fuzzy network for missing data population in the meteorological station of Chapingo
Resumen
Esta investigación presenta la aplicación de un modelo de red neurodifusa llamado ANFIS para el problema de estimación de datos faltantes meteorológicos: temperatura, velocidad del viento, humedad relativa y radiación solar en la estimación de la Evapotranspiración de referencia ETo. ANFIS es un método que permite crear la base de reglas de un sistema difuso, utilizando el algoritmo de retro propagación a partir de los datos de un proceso. La estructura de la red neuro-difusa para cada variable meteorológica consiste en dos entradas y una salida. La evaluación del relleno de datos faltantes se realiza mediante la RaÃz Cuadrada del Error Cuadrático Medio (RMSE). Los resultados muestran que al usar un mayor número de iteraciones y variación de datos en el entrenamiento puede ayudar a la ANFIS a obtener resultados más precisos.Citas
Alfaro, J., & Javier, F. (2008). Descripción de dos métodos de rellenado de datos ausentes en series de tiempo meteorológicas. Revista de Matemática: TeorÃa y Aplicaciones, 60-758.
Alfaro, J., & Soley, J. (2009). Descripción de dos métodos de rellenado de datos ausentes en series de tiempo meteorológicas. Revista de Matemática: TeorÃa y Aplicaciones.
Arca, B. B. (2001). Evaluation of neural network techniques for estimating evapotranspiration. En Evolving Solution with Neural Networks, Italia: Baratti, R. y De Canete, pp. 62-97.
Campos, A., Quispe, S., & Tatiana, S. (2012). Gestión de datos meteorológicos. XXII Congreso Nacional de Hidráulica. Acapulco Guerrero.
Chen, H. (1995). Machine learning for information retrieval: neural networks, symbolic learning, and genètic algorithms. Journal ofthe American Soclety for Information Science.
Cruz, H. (2012). Estimación de la evapotranspiración de referencia en regiones con datos climáticos limitados. Texcoco.
Doorenbos, J., & Pruitt, W. (1997). Guidelines for predicting crop water requirements. Rome: Irrigation and Drainage Paper.
Elizondo, D. G. (1994). Development of a neural network model to predict daily solar radiation. Agricultural and Forest Meteorology, pp. 115-132.
Enke W, S. A. (1997). Downscaling climate model outputs into local and regional weather elements by classification and regression. Climate Research, pp. 195-207.
Ferreira, M. (2003). MetodologÃas de análisis e imputación de datos faltantes en series de velocidad del viento. VI Congreso Galego de EstatÃstica e Investigación de Operaciónes, pp. 5-7.
Jang., J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, pp. 665-685.
JE, K. (2001). Empirical eigenvectors of sea-level pressure, surface temperature and precipitation complexes over North America. Cagliari.
Lin, C., Lee, T., & CS, G. (1996). Neural Fuzzy System: A Neuro-Fuzzy Synergism to Intelligent Systems. Prentice Hall.
M. del Brio Bonifacio, S. M. (2010). Redes Neuronales y Sistemas Borrosos. Madrid. España: Alfaomega.
Pitarque, A., & Roy, J. (1998). Redes neuronales vs modelos estadÃsticos: Simulaciones sobre tareas de predicción y clasificacÃon, Valencia, España: Universidad de Valencia, pp. 387-400..
R. Alfaro, R. P., Alfaro, R., & Pacheco, R. (2000). Aplicación de algunos métodos de relleno a series anuales de lluvia de diferentes regiones de Costa Rica. Redalyc.
Rivera, M. (2008). Estimación estadÃstica de valores faltantes en series históricas de lluvia. Pereira: Facultad De IngenierÃa Industrial, Escuela de Posgrados.
Saba, I., & Ortega, J. (2008). Estimación de datos faltantes en estaciones meteorológicas de Venezuela vÃa un modelo de redes neuronales.
Solana, H., & Bote, G. (1998). La aplicación de Redes Neuronales Artificiales (RNA): a la recuperación de la información.
Valesani, E., & Quintana, P. (2009). Imputación de datos con redes neuronales. XI Workshop de Investigadores en Ciencias de la Computación, Argentina, pp. 281-285.
Villada F, & GarcÃa, E. (s.f.). Pronóstico del Precio de la EnergÃa Eléctrica usando Redes Neuro-Difusas. Redalyc.
Wilby R, W. T. (1997). Downscaling general circulation model output: a review of methods and limitations. Progress in Physical Geography, pp. 530-548.
Con el propósito de promover el desarrollo y divulgación de la investigación en educación en América Latina, en La RECI Revista Iberoamericana de las Ciencias Computacionales e Informática se adhirió a la Iniciativa de Acceso Abierto de Budapest, por lo que se identifica como una publicación de acceso abierto. Esto significa que cualquier usuario puede leer el texto completo de los artículos, imprimirlos, descargarlos, copiarlos, enlazarlos, distribuirlos y usar los contenidos para otros fines. Las licencias Creative Cummons, permiten especificar los derechos de uso de una revista de acceso abierto disponible en Internet de tal manera que los usuarios conocen las reglas de publicación.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado
