Por favor, use este identificador para citar o enlazar este ítem: http://dspace.espoch.edu.ec/handle/123456789/23052
Título : Comparación de la precipitación obtenida desde los modelos CMIP6 con los resultados a partir de los modelos Machine Learning en la provincia de Chimborazo
Autor : Lema Londo, Darwin Saul
Director(es): Recalde Moreno, Celso Guillermo
Tribunal (Tesis): Ramos Araujo, Cristina Estefanía
Pozo Valdiviezo, Alex Eduardo
Palabras claves : PYTHON;SERIES TEMPORALES;NEURONAS;RED NEURONAL;VARIABLES ATMOSFÉRICAS
Fecha de publicación : oct-2024
Editorial : Escuela Superior Politécnica de Chimborazo
Citación : Lema Londo, Darwin Saul. (2024). Comparación de la precipitación obtenida desde los modelos CMIP6 con los resultados a partir de los modelos Machine Learning en la provincia de Chimborazo. Escuela Superior Politécnica de Chimborazo. Riobamba.
Identificador : UDCTIPEC;20T01914
Abstract : The objective of this work was to compare the behavior of the Machine Learning models and the results of the CMIP6 atmospheric model, for which we worked with the database of the Natural Resources station of the Higher Polytechnic School of Chimborazo in the period from 1990 to 2022, to which a complete analysis was carried out and missing ele-ments were determined, with which an interpolation was carried out using the Cubic Spline method, to obtain a more reliable database and the predicted data of the CMIP6 model, provided by the Group of Alternative Energy and Environment (GEAA). A review of the existing literature on Machine Learning learning models was carried out to implement an algorithm that allows predicting the precipitation variable, relating to the variables of max-imum temperature, minimum temperature, relative humidity, wind speed and precipitation using the Python programming language. By using a program you avoid performing com-plex mathematical calculations that result from working with a large amount of data. The best model with the lowest errors is the LSTM model, which has a more acceptable trend with respect to the observed data. To have greater reliability, it was also developed based on data obtained from NASA. The prediction results are based on anomalies to be able to compare between all models; The mean square error and a statistical description were ob-tained from each model. Therefore, it was determined that the results obtained are reliable and can be used for future studies.
Resumen : El objetivo del presente trabajo fue comparar el comportamiento del modelos Machine Learning y los resultados del modelo atmosférico CMIP6, por lo cual se trabajó con la base de datos de la estación de Recursos Naturales de la Escuela Superior Politécnica de Chimborazo en el periodo de 1990 al 2022, a la misma que se le realizó un análisis completo y determinar elementos faltantes, con lo cual se realizó una interpolación por método de Spline Cubico, para obtener una base de datos más confiable y los datos predichos del modelo CMIP6, provistos por el Grupo de Energías Alternativas y Ambiente (GEAA). Se realizó una revisión de la bibliografía existente acerca de los modelos de aprendizaje de Machine Learning para implementar un algoritmo que permita predecir la variable de precipitación, relacionando con las variables de Temperatura máxima, temperatura mínima, humedad relativa, velocidad del viento y precipitación utilizando el lenguaje de programación Python. Al utilizar un programa se evita realizar cálculos matemáticos complejos que resultan al trabajar con una gran cantidad de datos. El mejor modelo con menores errores es el modelo LSTM que tiene una tendencia más aceptable con respecto a los datos observados, para tener mayor fiabilidad se desarrolló también en base a una data obtenida de la NASA, los resultados de la predicción son mediante anomalías para poder comparar entre todos los modelos; de cada modelo se obtuvo el error cuadrático medio y una descripción estadística. Por lo cual se determinó que los resultados obtenidos son fiables y se los puede utilizar para estudios a futuro.
URI : http://dspace.espoch.edu.ec/handle/123456789/23052
Aparece en las colecciones: Maestrias: Modalidad Proyectos de Investigación y Desarrollo

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
20T01914.pdf2,58 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons