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
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 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.References
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.
With the purpose of promoting the development and dissemination of research in education in Latin America, the RECI Ibero-American Journal of Computational and Informatic Sciences adhered to the Budapest Open Access Initiative, which is why it is identified as an open access publication. open. This means that any user can read the full text of the articles, print them, download them, copy them, link to them, distribute them and use the contents for other purposes. Creative Cummons licenses allow you to specify the rights of use of an open access journal available on the Internet in such a way that users know the publication rules. The authors who publish in this journal accept the following conditions: The authors retain the copyright and give the journal the right of first publication, with the work registered with the Creative Commons attribution license, which allows third parties to use what is published as long as they mention the authorship of the work and the first publication in this The authors may make other independent and additional contractual agreements for the non-exclusive distribution of the version of the article published in this journal (eg, include it in an institutional repository or publish it in a book) provided that they clearly indicate that the work was published for the first time in this journal. Authors are allowed and recommended to publish their work in I Internet (for example on institutional or personal pages) before and during the review and publication process, as it can lead to productive exchanges and a greater and faster dissemination of published work
