II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
MÉTODOS PARA LA PREDICCIÓN DE LLUVIAS - ESTADO DEL ARTE
Jenny Bibiana Amaya Rincón* y Gustavo Cáceres Castellanos **
* Universidad Pedagógica y Tecnológica de Colombia, [email protected]
** Universidad Pedagógica y Tecnológica de Colombia, [email protected]
RESUMEN.
La predicción de diferentes eventos tales como; inundaciones, deslizamientos, tormentas, entre
otros, juegan un papel importante en el desarrollo de una región; por esto una predicción acertada
puede contribuir a la detección de situaciones que puedan afectar el desarrollo de una comunidad.
En este artículo se realiza una revisión de modelos de predicción de lluvias utilizados en la
actualidad en diferentes lugares del mundo, llevando a cabo la caracterización de dichos métodos
así como destacando sus ventajas y desventajas. Identificando los métodos: Estadísticos,
Inteligencia Artificial y algunos modelos híbridos utilizados por investigadores en la predicción de
lluvias, los cuales son apropiados para modelar datos tomados con ciertos intervalos de tiempo.
Estos métodos son usados en la actualidad por tener la capacidad de modelar datos lineales, no
lineales o lineales/no lineales, características propias de los modelos usados en la descripción de
variables climatológicas. El objeto de este trabajo es realizar un estado del arte a cerca de los
métodos utilizados para realizar predicciones en los últimos años identificando los más apropiados
para modelar series de tiempo.
ABSTRACT.
Predicting various events such as, floods, landslides, storms, among others play an important role in
the development of a region so an accurate prediction can contribute to the detection of situations
that may affect the development of a community. This article is a review of rainfall forecast models
used today in different parts of the world, carrying out the characterization of these methods and
highlighting their advantages and disadvantages. Identifying methods: Statistical, Artificial
Intelligence and hybrid models used by researchers in predicting rainfall, which are suitable for
modeling data taken at certain intervals of time. These methods are currently used for being able to
model data linear, nonlinear or linear / non-linear characteristics of the models used in the
description of climate variables. The purpose of this paper is to make a state of the art about the
methods used to make predictions in recent years identifying the most appropriate for modeling
time series.
PALABRAS CLAVE: Métodos, predicción, series de tiempo, modelo.
1. INTRODUCCIÓN.
El pronóstico de lluvias es uno de los eventos meteorológicos que inquietan a los investigadores ya
que el clima por su cambio constante es difícil de predecir; en los últimos años se han desarrollado
muchas investigaciones alrededor de este tema para lograr así mejores pronósticos de lluvias en las
cuales proponen diferentes métodos para lograr dichos pronósticos.
En la literatura se encuentran diferentes técnicas para predecir el futuro dentro de las cuáles están:
métodos estadísticos, Inteligencia Artificial y Modelos Híbridos. Dentro de los métodos estadísticos
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
más usados en la actualidad se encuentran: Procesos Autorregresivo Integrados de Promedios
Móviles, Regresión múltiple y Suavizado Exponencial, los métodos mencionados son más
comúnmente usados en datos lineales. Los métodos más referenciados de Inteligencia artificial son:
Algoritmos Genéticos, Inferencia Difusa, Redes Neuronales y Máquinas de Vectores soporte entre
otros, que son usualmente asociados a datos no lineales. Modelos híbridos como Red Neuronal de
Regresión generalizada donde integran diferentes modelos para lograr mejores aproximaciones
(Saima, Jaafar, Belhaouari, & Jillani, 2011).
En este estado del arte se evidencia una tendencia de autores a usar modelos híbridos o
combinaciones teniendo como base el método de Redes Neuronales Artificiales como lo hicieron
(Htike & Khalifa, 2010; Luo, Wu, & Wu, 2010; Luo & Wu, 2010; Monira, Faisal, & Hirose, 2011;
Nong, 2010; Pan & Wu, 2009; Phusakulkajorn, Lursinsap, & Asavanant, 2009; Wu, 2011)
adicionando algunos algoritmos o realizando algunas transformaciones, en estos trabajos se
demuestra el beneficio del uso de estos métodos, frente a otros por su capacidad para modelar datos
lineales y no lineales; además pueden trabajar con datos incompletos y hasta con datos paradójicos
o contradictorios.
2. DESARROLLO DEL TEMA.
I. SERIES DE TIEMPO
Predecir eventos futuros es un problema en muchas áreas, como son la economía, agronomía,
meteorología, ingeniería. En la actualidad se cuenta con una gran variedad de procedimientos y
métodos disponibles para realizar dicha tarea. Sin embargo algunos métodos resultan inapropiados
para algunas variables a predecir. Para el caso de eventos meteorológicos la gran mayoría de
variables se dan como series de tiempo ya que se toman las mediciones de las variables con ciertos
intervalos de tiempo.
Una serie de tiempo está definida como un conjunto de observaciones medidas secuencialmente a
través del tiempo y estas series de tiempo pueden ser continuas o discretas. Las principales
características de las series de tiempo son la estacionaridad, linealidad, tendencia y estacionalidad.
Según (Chatfield, 1996) los objetivos de analizar series de tiempo son:
- Descripción: describir los datos usando un resumen estadístico y/o métodos gráficos.
- Explicación: encontrar un modelo estadístico adecuado que describir el proceso de generación
de datos. Un modelo univariado.
- Predicción: estimar los valores futuros de una serie.
- Control: Buenas predicciones permiten al analista tomar medidas con el fin de controlar
cualquier proceso dado.
II. MÉTODOS DE PREDICCIÓN PARA SERIES DE TIEMPO
En la literatura son muchos los métodos utilizados para predecir lluvias y diferentes eventos
meteorológicos; los más usados han sido los modelos estadísticos; durante los últimos años los
científicos se han centrado en realizar predicciones más acertadas usando modelos que tengan en
cuenta las características de las variables meteorológicas como son patrones lineales y no lineales,
bases de datos infladas con ceros, datos faltantes entre otros, los cuales si no se tienen en cuenta en
el modelo pueden afectar las predicciones y no ser muy efectivas.
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
Los métodos de predicción según (Chatfield, 1996; Russell, Chiang, & Braatz, 2005) pueden ser
clasificados en tres tipos: Pronósticos subjetivos, los cuales están basados en juicios, la intuición o
cualquier otra información relevante. Métodos univariados, donde el pronóstico de una variable está
basado solo en observaciones pasadas, los métodos de este tipo son algunas veces llamados
métodos sencillos o de proyección. Métodos multivariados, cuando existe una relación causal entre
dos series, en donde los valores pasados de una serie ayudan a predecir valores futuros de otra serie,
estos métodos son llamados modelos causales. Generalmente un método de pronóstico puede
combinar más de los enfoques anteriores.
En la actualidad los métodos más usados para predecir eventos son métodos estadísticos,
Inteligencia Artificial y Modelos Híbridos, descritos a continuación:
A. Métodos estadísticos
Estos métodos son aplicados cuando los datos son lineales y los más usados para predecir series de
tiempo son: Proceso Autorregresivo Integrado de Promedio Móvil, Regresión múltiple y Suavizado
Exponencial.
Los modelos (ARIMA) trabajan con series de tiempo consideradas como estacionarias es decir con
media y varianza constante y son una versión modificada de un (ARMA), donde el término
integrado indica el hecho que el modelo es producido para repetir la integración o suma de los
procesos (ARMA) (Russell et al., 2005). Para la múltiple suma de procesos (ARMA), el modelo
(ARIMA) está dado por:
∑ ( )
∑ ( )
En la Regresión múltiple, hay más de una variable independiente. En el caso de tres variables
independientes, la ecuación de regresión múltiple es (Group, 2010):
Los modelos (MediaMóvil Autorregresiva (ARMA) combinan autoregresión y modelos media
móvil. Algunas veces también son referenciados como modelos Media Móvil Integrada
Autorregresiva (ARIMA). ARMA es una técnica de modelamiento muy potente que puede ser
usada para modelar un gran número de datos de series de tiempo estacionarias, aunque también
pueden ser aplicados a unos no estacionarios. La ecuación de un modelo ARMA para series de
tiempo está dada por (Group, 2010; Russell et al., 2005):
( ) ∑ ( )
∑ ( )
( )
El Suavizado Exponencial se usa un ajuste constante y se puede ponderar diferentes observaciones
recientes y pasadas. La fórmula para un ajuste exponencial simple es (Group, 2010):
( ) ( ) ( )
Donde es el valor pronosticado, a es el ajuste constante, y son observaciones pasadas.
El ajuste constante siempre tiene un valor entre 0 y 1.
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
B. Inteligencia Artificial
La Inteligencia Artificial trabaja con técnicas basadas en imitar computacionalmente las distintas
habilidades relacionadas con la inteligencia del ser humano, en especial las neuronas del ser
humano. Uno de los métodos más usados es redes neuronales el cual está basado en
aproximaciones, métodos y herramientas para series de tiempo no lineales a partir de valores
pasados. Los algoritmos genéticos en pronósticos pueden ser usados para modelar y predecir series
de tiempo no lineales.
Redes Neuronales es un sistema de proceso de información que imita la estructura y funcionamiento
del cerebro humano. Además es uno de los métodos más usados ya que está basado en
aproximaciones, métodos y herramientas para series de tiempo no lineales a partir de valores
pasados.
Los algoritmos genéticos en pronóstico de series pueden ser usados para modelar y predecir series
de tiempo no lineales. La forma más simple de estos algoritmos, es una muestra temporizada de la
serie de tiempo alimentando a la capa de entrada de una red neuronal (Russell et al., 2005). Los
algoritmos genéticos son algoritmos heurísticos basados en conceptos biológicos, especialmente
organismos de evolución, donde sus principales operaciones son herencia, mutación, selección y
cruzamiento.
Un sistema de inferencia difusa es la parte fundamental de un sistema de lógica difusa. En la
práctica, los sistemas de inferencia difusos han sido frecuentemente objeto de estudio.
Generalmente están basados en el reconocimiento de estamentos lógicos. La lógica difusa es un tipo
de razonamiento basado en el reconocimiento de que enunciados lógicos no sólo son verdaderos o
falsos (áreas blancas o negro de probabilidad), pero también pueden ir desde "casi seguro" a "muy
poco probable" (zonas grises de probabilidad).
Las Máquinas de Vectores soporte fueron desarrollados para resolver problemas de estimación de
regresión no lineal, tales como nuevas técnicas conocidas como Regresión de Vector Soporte el
cual ha mostrado buen rendimiento. Una máquina de vector soporte (SVM) es un algoritmo
computacional que analiza dos tipos de datos separables lineales y no lineales.
C. Modelos Híbridos
Para mejorar la precisión de los modelos muchos investigadores adoptaron diversos enfoques dentro
de los cuales están los modelos híbridos mediante la integración de dos o más modelos. (Saima et
al., 2011). El objetivo al desarrollar este tipo de modelos es mejorar el funcionamiento, ya que las
características de las series de tiempo tienen patrones lineales y no lineales no pueden ser
explotadas con un modelo simple entonces un modelo apropiado sería al combinar un modelo lineal
y no lineal. Ejemplos de estos modelos según (Saima et al., 2011) son: Promedio Móvil Integrado
Autorregresivo (ARIMA) con Redes Neuronales Artificiales (ARIMA_ANN), Sistema de
Inferencia Neuro Adaptativa (ANFIS) en el cual integran Sistemas de Inferencia Difusa y Redes
Neuronales, entre otros.
III. TRABAJOS REALIZADOS
La lluvia es uno de los aspectos del clima que afecta la vida diaria de una comunidad porque
depende del comportamiento de está muchos aspectos y por lo tanto cobra gran importancia poder
predecirla al igual que sus efectos secundarios como deslizamientos, inundaciones y demás
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
consecuencias de las temporadas invernales. Teniendo como marco este contexto en la literatura se
encuentra una gran diversidad de investigaciones acerca de la predicción de lluvias y diferentes
métodos para lograrlo como modelos estadísticos o matemáticos. A nivel nacional no es mucho lo
que se ha escrito, la gran mayoría de experiencias se han realizado a nivel mundial donde
investigadores y científicos realizan predicciones acertadas de lluvias.
Teniendo en cuenta la clasificación para los métodos de predicción de series de tiempo, a
continuación se presentan algunos trabajos que se han desarrollado durante los últimos años
permitiendo ver el avance y tendencias en el campo de la predicción de series de tiempo de lluvias.
A. Métodos estadísticos
En (Leilei, 2011) establece un modelo basado en métodos matemáticos para predecir la
precipitación mensual desde 2009 a 2013 en Wuyuan County teniendo como base los datos desde
2006 a 2008, realizando el análisis de series de tiempo para extraer ítems periódicos y estocásticos,
permitiendo extraer información importante acerca de ciclones y lluvia.
En (Shi, Wang, Yin, & Engineering, 2011),(Osarumwense, 2013), (Anokye, Kwame, & Munyakazi,
2013) usaron Promedio Móvil Integrado Autorregresivo Estacional (SARIMA) para pronosticar
series de lluvias mensuales realizando comparaciones con otros modelos, mostrando ser apropiados
para series de tiempo, ya que estas pueden ser estacionarias o no estacionarias, una serie de tiempo
es llamada estacionaria si tienen media y varianza constante. Los modelos SARIMA dependen de
las características de las series, mostrando ser apropiado para realizar predicciones.
En (Zaw & Naing, 2009), (Chinchorkar, Patel, & Sayyad, 2012) emplearon Regresión Polinomial
Multivariable (MPR) y Técnicas de Regresión Múltiples para predicciones de lluvia mensual y
anual respectivamente teniendo como base datos de varios años, ya que describe la relación de
entrada y salida no lineal compleja, este modelo es comparado con el Modelo de Regresión Lineal
Múltiple (MLR), mostrando que (MPR) genera mejores resultados que (MLR). Para estos modelos
de predicción se usaron 15 y 16 variables meteorológicas.
(Nong, 2009), en el 2009 uso un método de regresión no paramétrico el cual es apropiado para
describir la relación entre las variables independientes y dependientes, usando Algoritmo K vecinos
más próximos para realizar predicciones día por día realizando pronósticos con 42 y 46 variables,
mostrando ser apropiados para pronósticos a corto tiempo.
Tabla 1. Resumen de los Métodos Estadísticos para predicción de series de tiempo
Artículo Predicciones de
lluvia
Bases de datos Variables
Predictoras
Métodos utilizadas
Nong, 2009 Día por día
Mayo y Junio
2002 y 2003
42 y 46
variables
Algoritmo K vecinos más
próximos.
Shi y otros, 2011 Mensual 1989 a 2005 Promedio Móvil Integrado
Autorregresivo Estacional
(SARIMA).
Zaw y Naing,
2009
Mensual y anual 1970 a 2006 15 variables Regresión Polinomial
Multivariable.
Leilei, 2011 Precipitación
mensual
1999 a 2008 Análisis de series de tiempo
usando modelos matemáticos.
Osarumwense, Trimestral 1971 a 2008 Promedio Móvil Integrado
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
B. Inteligencia Artificial
Uno de los métodos de inteligencia artificial es Máquinas de Vector Soporte (SVM) usados en (Lu
& Wang, 2011) y (Nadjamuddin Harun, Pallu, & Achmad, 2013) para predecir lluvias mensuales y
diarias, usando bases de datos con más de 10 años, en (Lu & Wang, 2011) presentan un nuevo
modelo de combinación no lineal, mostrando varios modelos identificando la fortaleza de usar la
combinación del (SVM) para realizar predicciones. En (Nadjamuddin Harun et al., 2013) usaron
dos modelos usando cuatro variables predictoras y combinando métodos de predicción en uno
Máquinas de Vector Soporte (SVM) y métodos de lógica difusa llamado (SVM-Fuzzy) y en el otro
Redes Neuronales (NN) con lógica difusa denominado (NN-Fuzzy), mostrando mejores resultados
el modelo (SVM-Fuzzy).
Otro método de Inteligencia Artificial muy utilizado en la actualidad es Redes Neuronales
Artificiales (ANN) dada su habilidad para modelar datos no estacionarios como en (J. Wang, 2010),
(Nagahamulla, Ratnayake, & Ratnaweera, 2011), (Mohd & Alias, 2011) fue utilizado para predecir
lluvias diaria y mensual usando bases de datos de varios años. En (J. Wang, 2010) comparan
(ANN), un Modelo de Predicción para investigar el Tiempo (WRF) y regresión mostrando mejores
resultados el modelo de (ANN) para pronóstico de lluvias categóricas. En (Nagahamulla et al.,
2011) propusieron 4 modelos derivados de redes neuronales artificiales para realizar las
predicciones de lluvia mensual. En (Mohd & Alias, 2011) usan (ANN) para predecir lluvias diarias
con el fin de prevenir inundaciones teniendo en el modelo 4 variables regresoras, mostrando ser
eficiente, ya que es capaz de manejar el ruido y datos inestables, los cuales son muy típicos de
hallar en el caso de datos climáticos. Las (ANN) son un modelo apropiado para estimar valores
perdidos e ilimitados como en (Taylan, 2011) donde lo usaron para realizar predicciones de la
precipitación mensual. Igualmente las (ANN) son usados sin realizarle transformaciones como en
(Abdul & Mohammed, 2012; Agboola, Iyare, & Falaki, 2012) realizando predicciones de 4 a 10
años y series de tiempo de lluvia mensual usando 5 parámetros, mostrando ser confiable y eficiente.
En (Nong, 2010) y (Pucheta, Rivero, Herrera, Salas, & Sauchelli, 2013) usan las Redes Neuronales
Artificiales basados en estimación paramétrica para predecir lluvias diaria y mensual, en (Nong,
2010) compararon dos nuevos modelos de regresión no paramétrica (K-nn-ANN) y (SLR-ANN),
donde (K-nn-ANN) tiene un mejor rendimiento en términos de índices de ocurrencia de los
pronósticos. En (Pucheta et al., 2013) comparan dos métodos no paramétricos para pronóstico de
series de tiempo, primero un Modelo Autorregresivo No Lineal (NAR) basado en (ANNs) y la
ecuación Mackey-Glass (MG), mostrando un buen desarrollo del sistema predictor basado en ANNs
usando submuestras, aplicado a series de tiempo desde la solución de la ecuación MG y series de
tiempo de lluvia.
Dado que las (ANN) es una estructura matemática no-lineal la cual es capaz de representar
arbitrariamente procesos no-lineales complejos y el análisis Wavelet puede ser estimado como una
transformación de tiempo desde dominio temporal a dominio Wavelet (Dudul, 2011;
2013 Autorregresivo Estacional
(SARIMA).
Chinchorkar y
otros, 2012
Anual 1980 a 2005 16
parámetros
Técnicas de Análisis de
Regresión Múltiple.
Anokye y otros,
2013
Mensual 1974 a 2010 Promedio Móvil Integrado
Autorregresivo Estacional
(SARIMA).
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
Phusakulkajorn et al., 2009) usaron este método para predicción de lluvias diaria y mensual,
mostrando la importancia de la transformación Wavelet basada en Redes Neuronales Artificiales
como una herramienta básica para predicción de lluvia diaria y mensual.
Usar un método bayesiano es otra de las estrategias utilizadas para predicciones de series de tiempo
implementándolo con Redes Neuronales Artificiales denominado (ANN-filtrado) en el cual
cambian el número de patrones e iteraciones usando inferencia Bayesiana en concordancia con un
parámetro evaluado en cada una de las series de tiempo, en (Pan & Wu, 2009; C R Rivero,
Pucheta, Laboret, Herrera, & Sauchelli, 2013; C Rodriguez Rivero, Pucheta, Herrera, Sauchelli, &
Laboret, 2012) usaron este método para predicción de lluvias usando 12 y múltiples variables
predictoras. En (Pan & Wu, 2009) usaron un modelo de redes neuronales bayesianas basado en
Regresión mínima parcial y también usaron diferentes algoritmos ANNs, mostrando ser una
aproximación factible para predicción de lluvias.
Otras de las características de las Redes Neuronales en especial el algoritmo Propagación-atrás (BP
Redes Neuronales) son su defecto-tolerante y fuerte, auto-aprendizaje, auto-organización, no
linealidad, características de alta precisión, conveniente, intuitivo, efectivo y ampliamente usado, el
cual hace que sea una herramienta importante para predicciones, por este motivo (Gu & Wan,
2010), (Wang Yong, Xu Hong, 2010) lo usaron y algunas combinaciones para predecir lluvias para
un año y por 2 horas de adelantado, mostrando buenos resultados.
Tabla 2. Resumen de los métodos de Inteligencia Artificial para predicción de series de tiempo
Artículo Predicciones
de lluvia
Bases de
datos
Variables
Predictoras
Técnicas utilizada
Lu y Wang, 2011 Mensual 1965 a 2009 Máquina de Vector Soporte (SVM)
Nadjamuddin
Harun y otros,
2013
Diaria 2001 a 2010 4 variables Máquinas de Vector Soporte (SVM)
con lógica difusa (SVM-Fuzzy) y
Redes Neuronales (NN) con lógica
difusa (NN-Fuzzy).
Wang y otros,
2010
Diaria 24 factores Redes Neuronales Artificiales (ANN)
Nagahamulla y
otros, 2011
Mensual 10 años de
datos
Redes Neuronales Artificiales (ANN)
Mohd y Alias,
2011
Diaria 2007 a 2010. 5 variables Redes Neuronales Artificiales (ANN)
Nong, 2010 Diaria
promedio
2003 a 2007 6 variables ANNs basado en estimación no
paramétrica.
Pucheta y otros,
2013
Mensual Históricos
de lluvias
ANNs basado en estimación no
paramétrica.
Phusakulkajorn y
otros, 2009
Diaria y hasta
4 días
adelantados
1995 a 2006 Transformación Wavelet basado en
Redes Neuronales Artificiales
(ANNs).
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
C. Modelos Híbridos
(Saima et al., 2011) en el 2011 realizaron un estado del arte a cerca de los métodos inteligentes
enfocándose en los modelos híbridos los cuales integran uno o más modelos lineales / no lineales,
describiendo a fondo algunos como: Modelo Promedio Móvil Integrado Autorregresivo (ARIMA)
con Redes Neuronales Artificiales (ARIMA_ANN) el cual fue usado para predecir la velocidad del
viento, Sistema de Inferencia Neuro Adaptativa (ANFIS) en el cual integran Sistemas de Inferencia
Difusa y Redes Neuronales para extraer las características, entre otros. Concluyendo a partir de su
estudio que no existe un modelo apropiado para pronosticar con precisión en todas las situaciones,
ya que casi todos los modelos lineales adoptan una forma estadística y los modelos no lineales se
ajustan a las técnicas de Inteligencia Artificial (AI).
(Wu, 2011), (Abraham & Tan, 2009) desarrollaron varios modelos de regresión híbridos para
predicción de lluvias y precipitación diaria, utilizando 70 y 26 variables predictoras
respectivamente. En (Wu, 2011) usaron tres modelos de regresión lineal para capturar las
características lineales de la lluvia y tres modelos de regresión no lineales basados en ANN para
capturar las características no lineales de la lluvia. En (Abraham & Tan, 2009) desarrollaron dos
modelos: un Modelo híbrido de modelos de regresión y clasificación; y un semi-supervisado de
aprendizaje, apropiados para modelar series de tiempo con muchos ceros.
(N Harun, Pallu, & Achmad, 2013) realizan una comparación entre métodos estadísticos e
Inteligencia Artificial para predicción de lluvia diaria basados en series de datos, modelando 4
variables: humedad, velocidad del viento, temperatura y lluvia. Los métodos estadísticos utilizados
fueron ME: Promedio Móvil Integrado Autorregresivo (ARIMA) y Splines Autorregresivos de
Dudul, 2011 Mensual 1956 a 2006 ANNs con la descomposición
Wavelet.
Rodriguez Rivero
y otros, 2012
Múltiples
aleatorias
Método bayesiano implementándolo
con Redes Neuronales Artificiales
denominado (ANN-filtrado)
Pan y Wu, 2009 Precipitación
mensual
Lluvia
promedio
mensual
1954 a 2008
12 variables
predictoras
Modelo de redes neuronales
bayesianas basado en Regresión
mínima parcial. Usando diferentes
algoritmos ANNs.
Gu y Wan, 2010 Próximo año Precipitación
diaria 1953 a
1999
BP redes neuronales
Wang Yong y
otros, 2010
Predicción de
2 horas de
lluvias
lluvias en
horas en
2007
3 a 12
variables
BP neural network para predecir
horas de lluvias
Taylan, 2011 Precipitación
mensual
1975 a 2010
datos de
precipitación
mensual
Redes Neuronales Artificiales (ANN)
Rivero y otros,
2013
Lluvias
acumuladas
Método bayesiano implementándolo
con Redes Neuronales Artificiales
denominado (ANN-filtrado)
Abdul y
Mohammed,
2012
Predicciones
de 4 a 10 años
1937 a 2010 Redes Neuronales Artificiales
(ANN).
Agboola y otros,
2012
Predicción de
lluvias anual
2007-2010 5 parámetros
Redes Neuronales Artificiales
(ANN).
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
umbral adaptable (ASTAR); de Inteligencia Artificial una combinación de un Algoritmo Genético y
Redes Neuronales (GA-NN); mostrando mejores resultados el modelo estadístico (ASTAR).
Redes neuronales Artificiales (ANN) han sido bastante usados en modelos híbridos en (L. Wang,
2012) proponen el modelo Función de base radial con Redes Neuronales (RBF–NN) ensamblado
con Regresión con Máquina de Vectores Soporte Wavelet (W–SVR) llamado (RBF–W–SVR),
mostrando ser una herramienta alternativa para predecir lluvias mensuales. En (Akrami & El-shafie,
2013) combinan Redes neuronales Artificiales (ANN) con Sistemas de Inferencia Difusa (FIS) para
predicción de lluvias mensual, comparando los resultados con otros dos modelos Sistemas de
Inferencia Neuro-Difusa Adaptativo (ANFIS) y el modificado ANFIS (MANFIS), mostrando que
(MANFIS) puede ser aplicado para modelar datos de lluvia con características no lineales.
Tabla 3. Resumen de los modelos híbridos para predicción de series de tiempo
Artículo Predicciones
de lluvia
Bases de
datos
Variables
Predictoras
Métodos utilizadas
Wu, 2011 Diaria. 2005 a 2010 70 variables Modelo efectivo hibrido semi-
paramétrico conjunto (SRE).
Abraham y Tan,
2009
Cantidad de
precipitación
diaria.
1961 a 2001 26 variables Modelo híbrido de modelos de
regresión y un modelo semi-
supervisado de aprendizaje.
Harun y otros,
2013
Diaria. 2001 a 2010
4 variables
ME: Promedio Móvil Integrado
Autorregresivo (ARIMA) y Splines
Autorregresivos de umbral adaptable
(ASTAR) y AI: Combinación de
Algoritmo Genético y Redes
Neuronales (GA-NN).
Wang y Wu,
2012
Mensual
promedio.
1965 a 2008 Función de base radial con Redes
Neuronales (RBF–NN) ensamblado
con Regresión con Máquina de
Vectores Soporte Wavelet (W–SVR)
llamado (RBF–W–SVR)
Akrami y El-
shafie, 2013
1997 a 2008 Redes neuronales Artificiales (ANN)
con Sistemas de Inferencia Difusa
(FIS), Sistemas de Inferencia Neuro-
Difusa Adaptativo (ANFIS) y
modificado ANFIS (MANFIS).
3. CONCLUSIONES O RESULTADOS.
La predicción de lluvias es un evento que está en constante cambio, por lo tanto los investigadores
se centran en modelar series de tiempo de lluvia y además buscar modelos de predicción que tengan
en cuenta los patrones lineales y no lineales. Teniendo en cuenta estos criterios la mayoría de los
investigadores concluyen que los métodos como Redes Neuronales y modelos híbridos entre otros,
son más efectivos para modelar series de tiempo y además adicionando algunos algoritmos ofrecen
predicciones más acertadas a cerca de la predicción de lluvias a corto y largo plazo. Sin embargo se
puede concluir que no existe un modelo apropiado para pronosticar con precisión todos los eventos,
ya que todas las investigaciones encontraron un modelo apropiado para cada uno de los casos de
predicción de eventos climatológicos.
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
REFERENCIAS.
Abdul, B., & Mohammed, R. (2012). Application of ANN technique for rainfall forecasting over
Iraq, 3(6), 961–966.
Abraham, Z., & Tan, P.-N. (2009). A Semi-supervised Framework for Simultaneous Classification
and Regression of Zero-Inflated Time Series Data with Application to Precipitation Prediction.
2009 IEEE International Conference on Data Mining Workshops, 644–649.
doi:10.1109/ICDMW.2009.80
Agboola, A. H., Iyare, O., & Falaki, S. O. (2012). Iyare6An Artificial Neural Network Model for
Rainfall Forecasting in South-Western Nigeria ., 3(6), 188–196.
Akrami, S. A., & El-shafie, A. (2013). Improving Rainfall Forecasting Efficiency Using Modified
Adaptive Neuro-Fuzzy Inference System ( MANFIS ), 3507–3523. doi:10.1007/s11269-013-
0361-9
Anokye, M., Kwame, A., & Munyakazi, L. (2013). Modeling and Forecasting Rainfall Pattern in
Ghana as a Seasonal Arima Process : The Case of Ashanti Region, 3(3), 224–233.
Chatfield, C. (1996). The Analysis of Time Series An Introduction Fifth Edition.
Chinchorkar, S. S., Patel, G. R., & Sayyad, F. G. (2012). Development of monsoon model for long
range forecast rainfall explored for Anand ( Gujarat-India ), 4(November), 322–326.
doi:10.5897/IJWREE11.097
Dudul, S. V. (2011). Committee of artificial neural networks for monthly rainfall prediction using
wavelet transform. 2011 International Conference on Business, Engineering and Industrial
Applications, 125–129. doi:10.1109/ICBEIA.2011.5994225
Group, F. (2010). Temporal Data Mining.
Gu, N., & Wan, D. (2010). Trend Analysis of Extreme Rainfall Based on BP Neural Network,
(Icnc), 1925–1928.
Harun, N, Pallu, M. S., & Achmad, A. (2013). Statistic Approach versus Artificial Intelligence for
Rainfall Prediction Based on Data Series, 5(2), 1962–1969. doi:10.3991/ijxx.vxnx.xxx
Harun, Nadjamuddin, Pallu, M. S., & Achmad, A. (2013). A New Approach of Expert System for
Rainfall Prediction Based on Data Series, 3(2), 1805–1809.
Htike, K. K., & Khalifa, O. O. (2010). Rainfall Forecasting Models Using Focused Time-Delay
Neural Networks, (May), 11–13.
Leilei, Y. (2011). The Application of Time Series Analysis in Precipitation Forecast in Wuyuan
County, (41072171), 3063–3065.
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
Lu, K., & Wang, L. (2011). A Novel Nonlinear Combination Model Based on Support Vector
Machine for Rainfall Prediction. 2011 Fourth International Joint Conference on
Computational Sciences and Optimization, 1343–1346. doi:10.1109/CSO.2011.50
Luo, F., Wu, C., & Wu, J. (2010). A Novel Neural Network Ensemble Model Based on Sample
Reconstruction and Projection Pursuit for Rainfall Forecasting, (Icnc), 32–35.
Luo, F., & Wu, J. (2010). Rainfall Forecasting Using Projection Pursuit Regression and Neural
Networks. 2010 Third International Joint Conference on Computational Science and
Optimization, 488–491. doi:10.1109/CSO.2010.155
Mohd, N., & Alias, A. (2011). Rainfall forecasting using an artificial neural network model to
prevent flash floods. 8th International Conference on High-capacity Optical Networks and
Emerging Technologies, 323–328. doi:10.1109/HONET.2011.6149841
Monira, S. S., Faisal, Z. M., & Hirose, H. (2011). A Neural Network Ensemble Incorporated with
Dynamic Variable Selection for Rainfall Forecast. 2011 12th ACIS International Conference
on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed
Computing, 7–12. doi:10.1109/SNPD.2011.37
Nagahamulla, H. R. K., Ratnayake, U. R., & Ratnaweera, A. (2011). Monsoon rainfall forecasting
in Sri Lanka using artificial neural networks. 2011 6th International Conference on Industrial
and Information Systems, 305–309. doi:10.1109/ICIINFS.2011.6038085
Nong, J. (2009). Application of Nonparametric Methods in Short-Range Precipitation Forecasting.
2009 International Joint Conference on Computational Sciences and Optimization, (1), 56–58.
doi:10.1109/CSO.2009.306
Nong, J. (2010). A Novel Artificial Neural Network Ensemble Model Based on K-nn
Nonparametric Estimation for Rainfall Forecasting, (40675023), 76–80.
Osarumwense, O. (2013). Applicability of Box Jenkins SARIMA Model in Rainfall Forecasting : A
Case Study of, 4(1), 4–7.
Pan, X., & Wu, J. (2009). Bayesian Neural Network Ensemble Model Based on Partial Least
Squares Regression and Its Application in Rainfall Forecasting. 2009 International Joint
Conference on Computational Sciences and Optimization, 49–52. doi:10.1109/CSO.2009.311
Phusakulkajorn, W., Lursinsap, C., & Asavanant, J. (2009). Wavelet-transform based artificial
neural network for daily rainfall prediction in southern Thailand. 2009 9th International
Symposium on Communications and Information Technology, 432–437.
doi:10.1109/ISCIT.2009.5341209
Pucheta, J., Rivero, C. R., Herrera, M., Salas, C., & Sauchelli, V. (2013). Rainfall forecasting using
sub sampling non- parametric methods.
Rivero, C R, Pucheta, J., Laboret, S., Herrera, M., & Sauchelli, V. (2013). Time Series Forecasting
Using Bayesian Method: Application to Cumulative Rainfall, 11(1), 359–364.
II Encuentro Internacional de Matemáticas, Estadística y Educación Matemática 2013
Rivero, C Rodriguez, Pucheta, J., Herrera, M., Sauchelli, V., & Laboret, S. (2012). Time series
forecasting using Bayesian method : application to cumulative rainfall. IEEE.
Russell, E. L., Chiang, L. H., & Braatz, R. D. (2005). Advances in Industrial Control.
Saima, H., Jaafar, J., Belhaouari, S., & Jillani, T. a. (2011). Intelligent methods for weather
forecasting: A review. 2011 National Postgraduate Conference, 1–6.
doi:10.1109/NatPC.2011.6136289
Shi, C., Wang, H., Yin, F., & Engineering, H. (2011). Monthly Rainfall Forecasting Model With
Hidden Periodicities, 2, 1239–1242.
Taylan, D. (2011). Artificial Neural Networks for Precipitation Prediction : A Case Study on
Eğirdir, 310–314.
Wang, J. (2010). The Application of Artificial Neural Network on Forecast of Meiyu Rainfall at
Lower Yangtze River Valley, (Icnc), 1887–1891.
Wang, L. (2012). Application of Hybrid RBF Neural Network Ensemble Model Based on Wavelet
Support Vector Machine Regression in Rainfall Time Series Forecasting.
doi:10.1109/CSO.2012.195
Wang Yong, Xu Hong, G. Z. (2010). The Study of Rainfall Forecast Based on Neural Network and
GPS Precipitable Water Vapor, 17–20.
Wu, J. (2011). An Effective Hybrid Semi-parametric Regression Strategy for Artificial Neural
Network Ensemble and Its Application Rainfall Forecasting. 2011 Fourth International Joint
Conference on Computational Sciences and Optimization, 1324–1328.
doi:10.1109/CSO.2011.71
Zaw, W. T., & Naing, T. T. (2009). Modeling of Rainfall Prediction over Myanmar Using
Polynomial Regression. doi:10.1109/ICCET.2009.157