Data mining para determinar patrones del comportamiento de datos meteorológicos
Keywords:
meteorological variables, meteorological patterns, meteorological behavior, data miningSynopsis
The book is an adaptation of an investigation presented to the National University of Huancavelica, which aimed to determine patterns of behavior of data obtained through these techniques, of the meteorological variables in the city of Huancavelica (Peru) such as: ambient temperature, atmospheric pressure, atmospheric humidity, wind speed, solar radiation, ultraviolet radiation and rainfall using an automated weather station from the Weather Link company, DAVIS brand, Vantage Pro model and a Vantage Pro data storage console in text plane and that were later processed, described and analyzed using the SPSS Statistical and WRPLOT software in the particular case of the wind direction variable and for the determination of behaviors and patterns the CRISP-DM methodology was used. The results obtained were a cluster of meteorological variables with unsupervised learning algorithms and predictions of the rainfall variable with supervised learning algorithms, obtaining 84.9% probability of success in the forecast and in the case of the clusters groups of four and ten significantly different.
References
Alvarez, L., & Borrajero, I. (2016). Caracterización de la marcha anual de fenómenos meteorológicos en Cuba, clasificados según el código de tiempo presente. Revista Cubana de Meteorología,, XXII(1).
Aragón, J., Serna, E., & Solano, D. (2019). Climatological study of the winds for the city of Bogotá in the period 2010-2016. Cali: Scielo Org.
Castorena, J. (2018). El uso de herramientas tecnológicas de minería de datos en el análisis de datos climatológicos. Revista Iberoamericana de la Ciencias Computacionales e Informática, VII(13). doi:10.23913/reci.v7i13.75
Cruz, G., Zerquera, R., Morales, A., & Rosete, A. (2012). Estimación de parámetros meteorológicos secundarios en la zona de la Cujae utilizando técnicas de minería de datos. Revista Cubana de Meteorología, 18(1).
Estévez, J. (2008). Diseño de un Sistema Integrado para el control de calidad de datos de Estaciones Meteorológicas Automáticas. Universidad de Córdova. Córdova: Servicio de Publicaciones de la Universidad de Córdoba. 2010.
Fundación Española para la Ciencia y la Tecnología. (2004). Meteorología y Climatología. Madrid: FECYT.
García, Z. (2020). Algoritmos de clasificación supervisados y semi-supervisados: análisis y comparativa. Madrid: Digital UPM.
Guerra, I. (2017). Algoritmos de aprendizaje aplicados a la monitorización meteorológica mediante redes inalambricas de comunicaciones distribuidas. Tesis Doctoral, Universidad de Las Palmas de Gran Canaria, Las Palmas de Gran Canaria.
Haro, S. (2020). Árbol De Decisión, Aplicación con datos meteorológicos. VI Congreso Internacional Sectei 2019. Chimborazo: Knowledge E.
Hervás, Á. (2020). Análisis de series temporales no estacionarias en estudio. Jaén: Universidad de Jaén.
Khan, S., Muqeem, M., & Javed, N. (2016). A Critical Review of Data Mining Techniques in Weather Forecasting. International Journal of Advanced Research in Computer and Communication Engineering, V(4). doi:10.17148/IJARCCE.2016.54266
Mejia, J. (2019). Herramientas de análisis multivariante predictivo y minería de datos con SPSS Modeler y Statistic. Guadalajara: Centro Universitario de Ciencias Económico Administrativas de la Universidad de Guadalajara.
Mendoza, J., Valenzuela, E., Marcos, O., & Gradilla, L. (2020). Sistema de Información Meteorológica y Climática. (S. d. Transportes, Ed.) Sanfandila, Mexico.
Montequín, R. (2002). Técnicas de análisis de datos. (U. d. Oviedo, Ed.)
Mulatu, W., Bedasa, M., & Terefa, G. (2020). Prediction of Wheat Rust Diseases Using Data Mining Application. Open Access Library Journal, VII. doi:10.4236/oalib.1106717
Oldani, J. (2020). La Meteorología. Barcelona: DE VECCHI.
Organización Meteorológica Mundial. (2010). Manual del Sistema Mundial de Proceso de Datos y de Predicción. Ginebra.
Seda, S., & Todorovic, M. (2020). Estimation of daily potato crop evapotranspiration using three different machine learning algorithms and four scenarios of available meteorological data. Agricultural Water Management, CCXXVIII. doi:10.1016/j.agwat.2019.105875
Serrano, S., Zuleta, D., Moscoso, V., Jácome, P., Palacios, E., & Villacís, M. (2012). Statistical analysis of daily and monthly meteorological data of the metropolitan district of Quito for weather variability and climate change studies. La Granja, 16(2), 23-47.
Soto, C. (2013). Minería de datos para series temporales en Weka y su aplicación en el pronóstico de precipitaciones. Universidad Central Marta Abreu.
Sujay, R., Paresh, C., Mohammad, A., Seyed, M., Nadhir, A., & Zaher, M. (2019). Dew Point Temperature Estimation: Application of Artificial Intelligence Model Integrated with Nature-Inspired Optimization Algorithms. Water. doi:10.3390/w11040742
Tak-chung, F. (2011). A review on time series data mining. (ELSEVIER, Ed.) Engineering Applications of Artificial Intelligence, XXIV(1), 164-181. doi:10.1016/j.engappai.2010.09.007
WMO. (2015). Global aspects: Annex V to the WMO Technical Regulations. Manual on the Global Observing System, I.
World Meteorological Organization. (1993). Guide on the Global Data-Processing System. (305).
World Meteorological Organization. (2017). Hydrology – From Measurement to Hydrological Information. (WMO, Ed.) Guide to Hydrological Practices, I.
Yusf, N. (2018). Review on weather forecasting using ANN and Data Mining Techniques. International Journal of Engineering and Techniques.
Zamora, T. (2018). Aplicación de técnicas de minería de datos para pronosticos del sector agrícola. Facultad de Ingeniería - Escuela de Ingeniería Informática. Valparaiso: Pontifica Universidad Católica de Valparaiso.
