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

  • Juan Daniel Peña Durán Centro Universitario UAEM Texcoco
  • Joel Ayala de la Vega Centro Universitario UAEM Texcoco
  • Irene Aguilar Juárez Centro Universitario UAEM Texcoco

Abstract

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 Raíz 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.

References

Alfaro, J., & Javier, F. (2008). Descripción de dos métodos de rellenado de datos ausentes en series de tiempo meteorológicas. Revista de Matemática: Teoría 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: Teoría 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). Metodologías de análisis e imputación de datos faltantes en series de velocidad del viento. VI Congreso Galego de Estatística 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 estadísticos: Simulaciones sobre tareas de predicción y clasificacíon, 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 estadística de valores faltantes en series históricas de lluvia. Pereira: Facultad De Ingeniería Industrial, Escuela de Posgrados.

Saba, I., & Ortega, J. (2008). Estimación de datos faltantes en estaciones meteorológicas de Venezuela vía 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, & García, E. (s.f.). Pronóstico del Precio de la Energía 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.

Published
2015-05-20
How to Cite
Peña DuránJ. D., Ayala de la Vega, J., & Aguilar Juárez, I. (2015). 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. RECI Revista Iberoamericana De Las Ciencias Computacionales E Informática, 4(7), 17 - 37. Retrieved from https://reci.org.mx/index.php/reci/article/view/27
Section
Scientific Articles