Академический Документы
Профессиональный Документы
Культура Документы
Informacin y Comunicaciones de la Universidad Distrital, profesor de Ingeniera de Diseo y Automatizacin Electrnica. E-mail: ebert@etb.net.co
JAIRO RAMREl
Estudiante investigador Ingeniera de Diseo y Automatizacin electrnica E-mail: monguija@gmail.com
SCAR RAMREl
Estudiante investigador Ingeniera de Diseo y Automatizacin electrnica E-mail: oscar.ra@gmail.com
Bonilla, J. E., J. Ramrez & O. Ramrez. 2006: Metodologa para el diseo de un modelo univariado de red neuronal para el pronstico
de la temperatura mnima en la zona de Mosquera (Cundinamarca, Colombia). Meteoro!. Colomb. 10: 111-120. ISSN 0124-6984. Bo
got, D. C. - Colombia.
RESUMEN
Los fenmenos meteorolgicos son factores que afectan directamente la economa, en particular en un pas como Colombia, el cual
basa parte de su sosteniblidad en la produccin agrcola como el maz, la papa y las flores en pisos trmicos fros, tal como ocurre en
la Sabana de Bogot. Entre estos fenmenos se encuentra la helada meteorolgica, la cual es una respuesta de la interaccin no lineal
de muchos procesos atmosfricos y, por lo tanto, es difcil de predecir con mtodos tradicionales. El enfoque del proyecto aborda
estas series de tiempo por medio de una red neuronal y como resultado genera un pronstico en nowcQsting (pronstico inmediato)
en el rea de Mosquera.
Palabras clave: heladas, redes neuronales artificiales, series de tiempo, sistemas inteligentes, temperatura mnima.
ABSTRAeT
The meteorological phenomena are factors that affect the economy, especially on a country like Colombia, which sustainability is ba
sed highly on agricultural products like corns, potato and flowers, plants of a paramour landscape like Bogot savanna. Among these
phenomenon s the extreme mnimum temperature (frost damage), t s a result of the non-lineal nteractions of many atmospherc
phenomena, for all that, frost damage forecast s very hard to accomplish with traditional methods. The approach ofthe project is to
process this time series with an artificial neural network; it generates a nowcasting forecast on the zone of Mosquera.
Key words: artificial neural networks, frost damage, intelligent systems, mini mal temperature, time series.
El artculo detalla la metodologa que se sigui para dar Los trabajos en Colombia en el rea de pronstico
respuesta al enfoque propuesto: la seleccin y manejo de meteorolgico mediante RNA (Polo, 2003 y Monsalve,
2004) no se han convertido en aplicaciones operativas existe entre los mtodos convenciones de la estadstica y
que ayuden a los servicios de pronsticos meteorolgicos los mtodos de aprendizaje de mquina en los que se en
en la consecucin de mtodos ms precisos y con cuentran enmarcadas las RNA. Los modelos neuronales
mayor cobertura que los empleados actualmente, como se han empleado como modelos flexibles de regresin
resultado de la falta de comunicacin entre universidad y no lineal y de clasificacin; la aplicacin de teora estads
entidades pblicas concernientes a estos proyectos. tica a las redes neuronales se explora en detalle Bishop
(1995). Esta analoga y la aplicacin de los diversos mo
La aplicacin de las RNA en las diferentes tareas de los delos estadsticos empleados en tareas de clasificacin y
servicios meteorolgicos es resultado del paralelo que prediccin pueden observarse en la Tabla 1.
TABLA 1. Paralelo de las redes neuronales con modelos estadsticos (Cifuentes, 2003).
RNA
Redes feedforward
Perceptrn simple Anlisis discriminante varios resultados. Pueden determinar entonces cules de los factores son
mejores predictores de grupos establecidos previamente. Este sistema
- _ -~Ii ~l~m
que logre aumentar el nivel de acierto en los pronsticos
de la temperatura mnima en las zonas cultivables de la
Sabana de Bogot?
3. ZONA DE ESTUDIO
suministrados por la estacin meteorolgica de Tibaitat registrado para el mes de enero en diferentes aos en la
ubicada en el municipio de Mosquera, Cundinamarca, estacin de Tibaitat (Figuras 3 y 4) muestra las tasas de
por ser parte de la red de estaciones de monitoreo de he cambio antes y despus del fenmeno de la helada.
to-septiembre (con menor intensidad); esto concuerda de una u otra forma; para la seleccin de las variables del
presente proyecto se buscan bajas correlaciones entre las
con los meses ms secos del ao para la zona andina del
pas. Las temperaturas crticas se concentran alrededor variables seleccionadas con el fin de minimizar la informa
cin redundante y reducir los tiempos de entrenamiento.
de Oa-6 C.
[ ; . s.erie1
.............f--4---+-i--+-+-~""_-!'--i -It- Serie2
S. MANEJO DE LOS DATOS El espacio muestral est constituido por datos que se
tomaron en noches de helada, noches de enfriamiento
Para procesar la informacin de una estacin meteorolgi radiativo 1 y noches normales en los meses de diciembre,
ca perteneciente allDEAM a travs de una RNA se requie enero y febrero, los cuales tienen mayor probabilidad de
re, primero, efectuar un proceso que nos entregue una heladas pertenecientes a la poca entre 1990 y 2003.
informacin confiable y entendible por la red (Figura 5).
5.1 Filtro de datos tes blandos y lmites duros. Los datos que se encuentren
entre los lmites duros se corrigen siguiendo la metodo
Debido a la antigedad de los instrumentos de medida loga propuesta, en los cuales se consideran aspectos de
con que se toman las variables, o por su calibracin, los la coherencia interna de las observaciones a travs de la
datos registrados algunas veces muestran valores no vli verificacin entre s de los distintos parmetros; pruebas
dos de acuerdo con las caractersticas de la zona; por tan en relacin con los lmites climatolgicos de manera que
to, se hizo necesario determinar algunas reglas, con base puedan determinarse los errores groseros; pruebas en re
en lo expresado por Luis Lass0 2 y Jairo Fernndez (Fer lacin con los lmites fsicos, los cuales se obtienen en fun
nndez, 1994); estas condiciones se conocen como lmi cin de la zona, la estacin, el mes, ecuaciones fsicas, etc.
Las noches de enfriamiento radiativo presentan las mismas caractersticas de las noches de helada pero no presentan temperatura mnima por
debajo de O oc.
2 Informacin suministrada en entrevista personal de los realizadores con el profesor Luis Lasso.
Por ejemplo, para la purga de la informacin en los regis TABLA 2. Resultados para extensiones de datos.
tros de temperatura se utiliz un grupo de reglas de error.
Los registros del termmetro hmedo no pueden ser ma 10 datos 15 datos 20 datos
yores que los registros de termmetro seco, la temperatu Promedio 5,16 4,72 7,06
ra mxima de la zona no puede ser mayor de 24 oC, la hu Desviacin 1,63 2,15 4,39
medad relativa no debe ser mayor de 100% de humedad.
5.2 Bsqueda de informacin faltante El resultado del uso de una extensin de diez datos para
el clculo de la informacin faltante se determina por un
La informacin faltante en los diferentes registros de va error no muy alto (5%) y una desviacin estndar baja
riables meteorolgicas es un problema en el cual la es (1 ,63t con lo que se obtiene una informacin ms confia
tadstica tradicional juega un papel importante. Existen ble para el complemento de los diferentes registros. Para
formas de llenar una base de datos con informacin de la los das que no cuentan con ningn tipo de informacin
misma serie o utilizando datos de una estacin adjunta, se hizo uso de la estacin Granja Providencia ubicada en
los cuales brindan una estimacin de la informacin fal el municipio de Facatativa.
tante; esto se realiza mediante mtodos de pronstico de
series temporales, como el de promedios mviles, el cual
se basa en el desempeo del promedio durante el pasa 5.3 Escalamiento
do reciente como buena estimacin del futuro.
La red neuronal recibe diferentes tipos de informacin, y
El uso de la funcin Pronstico de Excel contribuye a pro para que la informacin sea efectiva debe ser entendida
nosticar el valor de la informacin faltante, teniendo como por la red neuronal, sobre todo cuando la red neuronal
referencia un predictor, y una extensin de datos Y y X, trabaja con funciones de transferencia que limitan la sali
con los cuales establece una regresin lineal (a + bx) me da en rangos (0,1 0-1,1), de modo que en estos casos es
diante: conveniente que los datos se adapten entre los valores
que maneja la red.
a y bx
Por ejemplo, para la variable de temperatura en el term
y: metro seco (D) se puede aplicar escalamiento de varia
bles; tomamos el rango que entiende la red (-1 hasta 1),
:;(x - x)(y y) buscamos entre los datos de nuestra estacin y encon
b
:;(x - x)'
tramos una D max y una D min y aplicamos esta frmula a
x: valor de la serie predictiva todos los valores:
x: Promedio aritmtico de x
y: valor de la serie objetivo
. promedio aritmtico de y
D: valor actual
Para determinar la extensin de datos que permita hacer Di: valor escalizado
una mejor estimacin de la informacin faltante se reali Dmax : valor mximo del conjunto
zaron pruebas con extensiones de 10, 15 Y 20 datos, para D min : valor mnimo del conjunto
los registros de enero 1987, febrero 1996, enero 2003,
diciembre 2003; los datos objetivos son las variables de Todos los datos quedan expresados en un intervalo que
temperatura mxima y temperatura mnima, los predic la red entiende (MatLab 7.0). El anterior mtodo se aplica
tores son temperatura del bulbo seco de una de la tarde a la mayora de los datos que se encuentran en la base de
(13 horas) y siete de la maana (7 horas), respectivamen datos meteorolgica deIIDEAM.
te; los resultados aparecen en la Tabla 2.
11 BONILLA ET L.: METODOLOGA PARA EL DISEO DE UN MODELO UNIVARIADO DE RED NEURAL 117 11
6. EXPERIMENTOS reglas empricas como: "Qu tan grande debe ser la capa
oculta? Una regla a dedo pulgar es que nunca debe ser dos
6.1 Objetivos de la red neuronal veces ms grande que la capa de la entrada" (De fruto y Li
noftt, 1997: 323).
Los factores principales en el pronstico de la helada
son: ocurrencia del fenmeno (modelo de clasificacin), Al no haber una metodologa o regla que nos d el n
temperatura mnima estimada para la noche de helada, mero ptimo de neuronas que se deben utilizar para so
intensidad (duracin de la helada), hora de inicio de la lucionar cada problema, se hace necesario experimentar
helada. El primer desarrollo se dise para encontrar la con mltiples redes neuronales, variando la cantidad de
temperatura mnima en la noche de helada, con un grado neuronas entre sus capas ocultas, las funciones de acti
de exactitud de ms o menos un grado centgrado. vacin entre capas, sus mtodos de entrenamiento y el
formato en que entran los datos. Los datos se introduje
ron de 2 formas distintas, sin transformaciones aparen
6.2 Redes neuronales ms exitosas tes y escalizados entre el rango uno y menos uno (1, -1).
El mtodo de entrenamiento en este caso fue estndar:
Para este primer diseo se experiment con una topo para todos los experimentos se utiliz entrenamiento de
loga bsica: Perceptrn multicapa. Como entradas de la barrido por descendencia del gradiente. Las funciones
red se utilizaron tres datos de una sola variable, se expe de activacin ms utilizadas fueron tangenciales para las
riment con temperatura de termmetro seco medido a capas ocultas y en algunos casos tangenciales y en otros
las 07, 13 Y 19 horas (T57, T513, T5 19) Y con tensin de identidad para la capa de salida. La variacin de las neu
vapor de las 07, 13 Y 19 horas (TV7, TV13, TV19); para tal ronas se hizo sistemticamente, empezando con pruebas
efecto se seleccionaron grupos cronolgicos (ver Tabla con una sola capa oculta y usando dos, luego tres y hasta
3). Como salida, y acorde con el objetivo, se obtuvieron doce neuronas; posteriormente se repiti el mismo pro
datos de la temperatura mnima del siguiente da. cedimiento, pero esta vez con dos capas ocultas.
0,3
0,25
/
- ~
0,2 ..-
g 0,15
w
0,1
0,05 I
I
O
I
6 10 12
4
Nmero de neuronas
0,2 +----4:\----/-+---- Es notable que la falla est en una falta de precisin, que
ronda entre un 27 y un 48% a pesar de que los valores son
g 0,15 \ /
cercanos y no muy desproporcionados.
w 0,1
0,05
.
t-----'-<-,,----!-----
""'-----~~
t---------------
Es visible tambin que los datos originales presentan un
movimiento cclico estable, de modo que elimina la po
sibilidad de que una tendencia afecte a la prediccin y
permite la posibilidad de trabajar con amplios rangos de
FIGURA 6. Variacin de error para la red (3-2-4-1). tiempo y esperar un buen resultado.
Experimento 1.
Experimento 1994-1997
Arquitectura (3-nm-1)
(prueba)
20
I ~ 15
l
ID 10
g 0,1
w
Q.
E
~ 5
0,05 t---------------
3 11 13 15 17 19 21 23 25
o+--~-~----~-~--~
30 Dias
O 5 10 15 20 25
Nmero de neuronas
(pruebas)
la inclusin de variables como viento (magnitud y di
12
reccin) y brillo solar, adems del uso de diferentes
10
E- 5
rolgicos tienen gran impacto en la sociedad y la
o'"
economa de la nacin.
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69
-5
Das
FIGURA 11. comparacin entre los datos reales y los Bishop, Christopher. 1995. Neural Networks for Pattern
datos predichos. Experimento 3. Recognition. Oxford University Press.
Lasso, Luis. 1990. Agrotopoclimatologa de la sabana de Polo, R. 2003. Redes neuronales en la meteorologa del
Bogot. Nota tcnica del Instituto Colombiano de campus javeriano. Tesis Pontificia Universidad Ja
Hidrologa, Meteorologa y Adecuacin de Tierras veriana, Colombia.
(Himat).
Ramrez, Numael et l. 1982. Un modelo para predecir
Lasso, Luis. 1997. Modelo de pronstico del fenmeno de heladas en la sabana de Bogot. Tesis Universidad
la helada para la sabana de Bogot. Nota tcnica Nacional de Colombia. p. 62.
deIIDEAM.
Ruiz, Fernando. 1996. Pronstico de la temperatura mni
MatLab 7.0. Ayuda interna del programa para la funcin ma diaria para las estaciones de Tibaitat, El Dora
premnmx (Codigo: help premnmx). do y Subasta - Bonza. Nota tcnica deIIDEAM.
Monsalve, Freddy. 2004. Prediccin de una variable hidrocli Schizas, Christos et l. 1993. Forecasting minimum tem
matolgica mediante la utilizacin de lgica difusa, perature with short time-Iength data using arti
redes neuronales artificiales y rboles de decisin. ficial neuronal networks. Universidad de Chipre,
Tesis Universidad Nacional de Colombia. p. 56. Chipre. Pgina de referencia: http://www.cs.ucy.
ac.cy/project/ci/meteorology.htm
OMM. 1992. Vocabulario meteorolgico internacional. Or
ganizacin Meteorologa Mundial N 182, Ginebra. Fecha de recibo: 20.01.2006
Fecha de aceptacin: 02.03.2006