Red Neuronal Artificial Para La Estimación De Datos Faltantes De Precipitación En La Estación El Encanto Del Municipio De Tunja, Boyacá
Barra lateral del artículo
Contenido principal del artículo
Resumen
La ausencia y discontinuidad de registros de precipitación limitan la evaluación hidrológica, la planificación del recurso hídrico y la gestión del riesgo climático en zonas de montaña como Tunja, Boyacá. Esta investigación desarrolló y evaluó un modelo de red neuronal artificial para estimar datos faltantes de precipitación mensual en la estación El Encanto, usando como insumos registros de estaciones vecinas con comportamiento pluviométrico correlacionado, variables geográficas y el Índice Oceánico Niño (ONI). La metodología incluyó la depuración de registros del DHIME, la clasificación de los meses según patrones de completitud, la normalización de variables, el entrenamiento con TensorFlow/Keras y la validación mediante MAE, RMSE, R², eficiencia de Nash, PBIAS y pruebas estadísticas de comparación. Los resultados muestran un desempeño aceptable para reconstruir la tendencia y estacionalidad mensual (MAE = 19.3 mm; RMSE = 31.6 mm; R² = 0.44; PBIAS = 13.6 %), aunque con limitaciones para reproducir eventos extremos y la variabilidad de los meses lluviosos. El enfoque es útil como apoyo técnico para completar series, siempre que sus estimaciones se interpreten con control de calidad hidrológico.
Detalles del artículo
Sección
DECLARACIÓN DE ORIGINALIDAD DE ARTÍCULO PRESENTADO
Por medio del presente documento, certifico(amos) que el artículo que se presenta para posible publicación en la revista institucional INGENIO MAGNO del Centro de Investigaciones de Ingeniería Alberto Magno CIIAM de la Universidad Santo Tomás, seccional Tunja, es de mi (nuestra) entera autoría, siendo su contenido producto de mi (nuestra) directa contribución intelectual y aporte al conocimiento.
Todos los datos y referencias a publicaciones hechas están debidamente identificados con su respectiva nota bibliográfica y en las citas que se destacan como tal. De requerir alguna clase de ajuste o corrección, comunicaré(emos) de tal procedimiento con antelación a los responsables de la revista.
Por lo anteriormente expresado, declaro(amos) que el material presentado en su totalidad se encuentra conforme a la legislación aplicable en materia de propiedad intelectual e industrial de ser el caso, y por lo tanto, me(nos) hago (hacemos) absolutamente responsable(s) de cualquier reclamación relacionada a esta.
En caso que el artículo presentado sea publicado, manifiesto(amos) que cedo(emos) plenamente a la Universidad Santo Tomás, seccional Tunja, los derechos de reproducción del mismo.
Cómo citar
Referencias
[1] Congreso de la República de Colombia. (2012). Ley 1523 de 2012. Por la cual se adopta la Política Nacional de Gestión del Riesgo de Desastres y se establece el Sistema Nacional de Gestión del Riesgo de Desastres y se dictan otras disposiciones. Diario Oficial No.48.411 del 24 de abril de 2012. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=47141
[2] Coulibaly, P., Anctil, F., y Bobée, B. (2000). Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology, 301(1-4), 244-257.
[3] Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179-211.
[4] Feldkamp, L. A., & Puskorius, G. V. (1998). A signal processing framework based on dynamic neural networks with application to problems in adaptation, filtering, and classification. Proceedings of the IEEE, 86(11), 2259–2277. https://doi.org/10.1109/5.726790
[5] French, M. N., Krajewski, W. F., & Cuykendall, R. R. (1992). Rainfall forecasting in space and time using a neural network. Journal of Hydrology, 137(1–4), 1–31. https://doi.org/10.1016/0022-1694(92)90046-X
[6] Gupta, H. V., Sorooshian, S., y Yapo, P. O. (1999). Status of automatic calibration for hydrologic models: Comparison with multilevel expert calibration. Journal of Hydrologic Engineering, 4(2), 135-143.
[7] Hsu, K.-L., Gupta, H. V., y Sorooshian, S. (1995). Artificial neural network modeling of the rainfall-runoff process. Water Resources Research, 31(10), 2517-2530.
[8] IDEAM (2019). Evaluación de la calidad y continuidad de la red hidrometeorológica nacional. Instituto de Hidrología, Meteorología y Estudios Ambientales, Colombia.
[9] Kisi, O. (2004). Streamflow forecasting using different artificial neural network algorithms. Journal of Hydrologic Engineering, 9(6), 491-496.
[10] Kwon, S. H., & Kim, J. H. (2021). Machine learning and urban drainage systems: State-of-the-art review. Water, 13(24), 3545. https://doi.org/10.3390/w13243545
[11] Nearing, G. S., Kratzert, F., Sampson, A. K., Pelissier, C. S., Klotz, D., Frame, J. M., Prieto, C., & Gupta, H. V. (2021). What role does hydrological science play in the age of machine learning? Water Resources
[12] Nourani, V., y Hosseini B. (2011). Monthly rainfall-runoff modeling using a wavelet-based neural network conjunction model. Journal of Hydrology, 401(3-4), 190-199.
[13] Ordoñez, L., Muñoz, S., Tineo, P., & Mejía, I. (2024). Aplicación de redes neuronales artificiales a la modelación de lluvia-escorrentía en la cuenca del río Chancay Lambayeque. Tecnología Y Ciencias Del Agua , 15 (6), 95-141. https://doi.org/10.24850/j-tyca-2024-06-03
[14] Papailiou, I., Spyropoulos, F., Trichakis, I., & Karatzas, G. P. (2022). Artificial neural networks and multiple linear regression for filling in missing daily rainfall data. Water, 14(18), 2892. https://doi.org/10.3390/w14182892
[15] Pasquier Jaramillo, C. A. (2025) Modelado bayesiano de extremos espacio-temporales de precipitación: aplicaciones en estimación de modelos con covariables.
[16] Pearlmutter, B. (1995). Gradient calculations for dynamic recurrent neural networks: A survey. IEEE Transactions on Neural Networks, 6(5), 1212-1228.
[17] Pinthong, S., Ditthakit, P., Salaeh, N., Hasan, M. A., Son, C. T., Linh, N. T. T., Islam, S., & Yadav, K. K. (2024). Imputation of missing monthly rainfall data using machine learning and spatial interpolation approaches in Thale Sap Songkhla River Basin, Thailand. Environmental Science and Pollution Research, 31, 54044-54060. https://doi.org/10.1007/s11356-022-23022-8
[18] Principe, J. C., Euliano, N. R., & Lefebvre, W. C. (2000). Sistemas neuronales y adaptativos: Fundamentos a través de simulaciones. John Wiley.
[19] Retropropagación: Teoría, arquitecturas y aplicaciones (pp. 433-486). Lawrence Erlbaum Associates.
[20] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. https://doi.org/10.1038/323533a0
[21] Smith, A. B., Jones, C. D., y Johnson, E. F. (2018). Application of artificial neural networks for precipitation estimation in mountainous regions. Journal of Hydrology, 543, 765-776.
[22] Specht, D. F. (1991). A general regression neural network. IEEE Transactions on Neural Networks, 2(6), 568–576. https://doi.org/10.1109/72.97934
[23] Wang, L., y Robertson, A. (2020). Improving precipitation estimation using neural networks in complex terrain. Water Resources Research, 56(2), e2019WR026101.
[24] Wangwongchai, A., Waqas, M., Dechpichai, P., Hlaing, P. T., Ahmad, S., & Humphries, U. W. (2023). Imputation of missing daily rainfall data; A comparison between artificial intelligence and statistical techniques.
[25] Williams, R. J., & Zipser, D. (1995). Algoritmos de aprendizaje basados en gradiente para redes recurrentes y su complejidad computacional. En Y. Chauvin & D. E. Rumelhart (Eds.), Retropropagación: Teoría, arquitecturas y aplicaciones (pp. 433–486). Lawrence Erlbaum Associates, Inc.
[26] Xu, T., & Liang, F. (2021). Machine learning for hydrologic sciences: An introductory overview. Wiley
[27] Yescas, I. A. O. (2016). Elaboración de un protocolo para construir bibliotecas de RNAs pequeños y su implementación para el estudio de la respuesta a sequía crónica en Brachypodium distachyon L (Doctoral dissertation, Universidad del Papaloapan).