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)

A METODOLOGY OF DESIGN FOR A ONE-VARIABLE NEURAL

NETWORK MODEL TO FORECAST THE MINIMUM TEMPERATURE

ON THE MOSQUERA ZONE, CUNDIMARCA, COLOMBIA

JOS EBERT BONILLA

Ingeniero de sistemas de la Universidad Catlica, Especialista en Gerencia de Tecnologa de la EAN, Estudiante de la Maestra de Ciencias de la

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

Instituto de Hidrologa, Meteorologa y Estudios Ambientales, grupo de Modelamiento: Glo

ria Len, Franklyn Ruiz, Gonzalo Hurtado, Jeimmy Melo. E-Mail: Garisti@ideam.gov.co

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.
INTRODUCCiN
La falta de acierto en los pronsticos meteorolgicos in
fluye en los grados de decisin para afrontar problemas
como inundaciones, crecientes sbitas, posibilidades de
incendios forestales, avalanchas y en nuestro caso parti
cular la helada. Este ltimo afecta los diferentes sistemas
de control aplicados para el cuidado de los cultivos (flo
res, papa y maz, por nombrar algunos) e incrementa los
costos sin aumentar la efectividad de los mecanismos de
proteccin y control; para mejorar la eficiencia de estos,
es necesario aumentar la precisin de los pronsticos y la
cobertura de los mismos para regiones cultivables de Co
lombia y ms especficamente en la Sabana de Bogot.
La helada es un fenmeno meteorolgico comn en las
zonas de altiplano con elevaciones superiores a 2.500
metros sobre el nivel del mar (m.s.n.m.) y es causa de
grandes prdidas de cultivos, por el debilitamiento in
terno de las plantas por el fro. La Organizacin Mundial
de Meteorologa (OMM, 1992) define helada meteorol
gica como: "Disminucin de la temperatura del aire a un
valor igualo menor que el punto de congelacin del agua
(O oC), a un nivel de 7,5 a 2 metros sobre el nivel del suelo,
es decir o/ nivel reglamentario al cua/se ubican las casetas
de mediciones meteorolgicas.". Desde el punto de vista
agrometeorolgico podra definirse una helada como la
temperatura a la cual los tejidos de la planta comienzan a
sufrir dao (lDEAM, 1998).
La investigacin desarrollada aplica las capacidades de
los sistemas inteligentes para que, aprovechando las se
ries de tiempo registradas por el Instituto de Hidrologa,
Meteorologa y Estudios Ambientales (lDEAM), se genere
un pronstico a corto plazo de la temperatura mnima
del da siguiente en la zona cultivable de la sabana de
Bogot.
El artculo detalla la metodologa que se sigui para dar
respuesta al enfoque propuesto: la seleccin y manejo de
la informacin a utilizar y resultados de la topologa Per
ceptrn Multicapa entrenada con los datos de las series
de temperatura, especficamente una variable represen
tativa, ya fuera tensin de vapor o temperatura del ter
mmetro seco.
1. ESTADO DEL ARTE
Los fenmenos meteorolgicos son bien conocidos por
tener comportamientos de tipo no lineal, de modo que el
desarrollo de soluciones predictivas ha sido bastante com
plejo. Los trabajos en la meteorologa usualmente com
prenden dos reas; la primera son los mtodos estadsticos
(ME), los cuales presentan una tendencia en dichos com
portamientos; sin embargo son poco confiables ya que
es muy difcil que las condiciones atmosfricas se repitan
exactamente en los mismos lugares. La segunda rea son
los mtodos numricos (MN}, los cuales exigen mucho po
der computacional y tiempo de procesamiento.
En las ltimas dcadas el desarrollo de los sistemas
inteligentes (SI) ha dado proyeccin a un sinnmero de
aplicaciones en diversas reas del conocimiento (robtica,
economa, meteorologa, salud, etc.). En el campo de la
meteorologa existen diversos trabajos que exploran
el desempeo de los SI, en especial de los sistemas
expertos (SE) y de las redes neuronales artificiales (RNA)
en diversas tareas de prediccin y clasificacin (CoMo,
2004; Pitarque, 1998. Brahm et l., 2003). Los resultados
de estos mtodos han llevado a insertar estos modelos
entre las diferentes herramientas con que cuentan los
organismos encargados de los servicios de pronstico
meteorolgico; algunos ejemplos son: el servicio
meteorolgico de ,Espaa (http://grupos.unican.es/ai/
meteo/index.htm) y la Sociedad Estadounidense de
Meteorologa (www.ametsoc.org/stacpges/ai/).
Los trabajos en Colombia en el rea de pronstico
meteorolgico mediante RNA (Polo, 2003 y Monsalve,
2004) no se han convertido en aplicaciones operativas
que ayuden a los servicios de pronsticos meteorolgicos
en la consecucin de mtodos ms precisos y con
mayor cobertura que los empleados actualmente, como
resultado de la falta de comunicacin entre universidad y
entidades pblicas concernientes a estos proyectos.
La aplicacin de las RNA en las diferentes tareas de los
servicios meteorolgicos es resultado del paralelo que
existe entre los mtodos convenciones de la estadstica y
los mtodos de aprendizaje de mquina en los que se en
cuentran enmarcadas las RNA. Los modelos neuronales
se han empleado como modelos flexibles de regresin
no lineal y de clasificacin; la aplicacin de teora estads
tica a las redes neuronales se explora en detalle Bishop
(1995). Esta analoga y la aplicacin de los diversos mo
delos estadsticos empleados en tareas de clasificacin y
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

Perceptrn simple multivariado trabaja ms eficazmente cuando el

puede factorizarse en grupos ms pequeos pero ms inclusivos.

con nodo sig-moideo

----------------~~---
Adelina Regresin lineal
----------
Perceptrn multicapa Regresin no lineal simple omultivariada
funciones de base radial oredes probabilsticas Mtodo Kernel de regresin
Aprendizaje Hebbiano no supervisado Anlisis de componentes principales - factorial a) Reducir el nmero de variables yb) descubrir la estructura
de las relaciones entre las variables y clasificarlas.
Red simple de Coeen Anlisis clster de K-medias por mnimos cuadrados Abarca varios algoritmos de clasificacin diferentes. Ayuda al investigador
en muchas reas sobre cmo organizar los datos observados en estructuras
significantes, por ejemplo jerarquas. Este mismo principio se puede probar
como una manera de medir la respuesta aun tratamiento dado.

2. METODOLOGA DE LA INVESTIGACiN 2.2. Hiptesis

2.1. Problema El desarrollo de pronsticos mediante el uso de sistemas

La diversidad de pisos trmicos del relieve colombiano y
los fenmenos de caos atmosfriEO para regiones tropi
cales dificultan las tareas de pronstico meteorolgico a
corto mediano y largo plazo. Los modelos desarrollados
en diferentes partes del mundo carecen de aplicacin
para Colombia, al no poder considerar las caractersti
cas propias del pas a una escala deseada; de esto nace
la necesidad del desarrollo de modelos propios para el
pronstico meteorolgico.
que no estn sujetos a supuestos matemticos (como
por ejemplo supuestos de distribucin) puede incremen
tar el grado de adaptabilidad que presenten estos, fren
te a los diferentes cambios observados en la atmsfera.
Problemas como los de resolucin y precisin en los pro
nsticos meteorolgicos podran resolverse mediante la
combinacin ~e sistemas inteligentes (sistemas exper
tos, RNA algoritmos genticos y lgica difusat asumien
do modelos de corta extensin temporal y espacial (pre
diccin Nowcasting) que brinden informacin con poco
ruido, asimilable por sistemas determinsticos.
De acuerdo con lo anterior, se hace necesario dar respues
ta al siguiente interrogante: es posible disear y desa
1liI5 a 5,9
rrollar un aplicativo de software usando redes neuronales

- _ -~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

La totalidad del altiplano Cundiboyacense en la cual se

ubica la Sabana de Bogot es susceptible de ser afectada
FIGURA 2. Distribucin media por rangos de
por la helada (Figura 1). Sin embargo, las reas de mayor
temperatura anual de Tibaitat (Lasso, 1990).
riesgo son: Funza-Madrid-Mosquera, Nemocn-Ubat y
Duitama-Sogamoso (Pabn et L, 2002). El presente pro
yecto de investigacin piloto se desarrolla con los datos El comportamiento de la temperatura mnima y mxima

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.

ladas perteneciente al IDEAM.

El fenmeno de la helada tiene presencia a lo largo del 4. VARIABLES

ao; la Figura 2 muestra la mayor ocurrencia del fenme
no en los meses de diciembre-enero-febrero y julio-agos Las distintas variables meteorolgicas se correlacionan

to-septiembre (con menor intensidad); esto concuerda
con los meses ms secos del ao para la zona andina del
pas. Las temperaturas crticas se concentran alrededor
de Oa-6 C.
de una u otra forma; para la seleccin de las variables del
presente proyecto se buscan bajas correlaciones entre las
variables seleccionadas con el fin de minimizar la informa
cin redundante y reducir los tiempos de entrenamiento.

En el anlisis de las variables se estudiaron modelos es

tadsticos de temperatura mnima (Schizas et l., 1993;
Ruiz, 1996) y de heladas (Ramrez et L, 1982; Fernndez,
1994; Lasso, 1997), en los cuales se buscaban las variables
empleadas y el efecto en el modelo; junto con estos mo
delos y el banco de datos dellDEAM se seleccionaron las
variables de brillo solar, temperatura mnima, mxima,
temperatura de bulbo seco, temperatura de bulbo hme
do, tensin de vapor, humedad relativa, punto de roco
y viento (magnitud y direccin) de la estacin Tibaitat,
pero en el momento en que se escribi este documento,
solamente se haba preprocesado y experimentado com
pletamente con los registros de temperatura.
-74,4074,20 -74,00 -73,80 -73,60 -73,40 -73,20 -73,00 -72,80 -72,60

FIGURA 1. Probabilidad de ocurrencia de heladas en el

altiplano Cundiboyacense (lDEAM, 1998).
 Comportamiento de la temperatura en la zona de Tibaitat

[ ; . s.erie1
.............f--4---+-i--+-+-~""_-!'--i -It- Serie2

FIGURA 3. Comportamiento temperatura mnima y FIGURA 4. Comportamiento temperatura mnima y

mxima enero 1994 - das vs. temperatura - (banco de mxima enero 2004 - das vs. Temperatura - (banco de
datos IOEAM). datos IDEAM).

S. MANEJO DE LOS DATOS
Para procesar la informacin de una estacin meteorolgi
ca perteneciente allDEAM a travs de una RNA se requie
re, primero, efectuar un proceso que nos entregue una
informacin confiable y entendible por la red (Figura 5).
El espacio muestral est constituido por datos que se
tomaron en noches de helada, noches de enfriamiento
radiativo 1 y noches normales en los meses de diciembre,
enero y febrero, los cuales tienen mayor probabilidad de
heladas pertenecientes a la poca entre 1990 y 2003.

Datos Datos Datos Datos Grupos de

recolectados congruentes completados adaptados datos

Filtracin Bsqueda de informacin Escalamiento Agrupacin

FIGURA 5. Procedimiento de preprocesamiento de los datos para una red neuronal.

5.1 Filtro de datos
Debido a la antigedad de los instrumentos de medida
con que se toman las variables, o por su calibracin, los
datos registrados algunas veces muestran valores no vli
dos de acuerdo con las caractersticas de la zona; por tan
to, se hizo necesario determinar algunas reglas, con base
en lo expresado por Luis Lass0 2 y Jairo Fernndez (Fer
nndez, 1994); estas condiciones se conocen como lmi
tes blandos y lmites duros. Los datos que se encuentren
entre los lmites duros se corrigen siguiendo la metodo
loga propuesta, en los cuales se consideran aspectos de
la coherencia interna de las observaciones a travs de la
verificacin entre s de los distintos parmetros; pruebas
en relacin con los lmites climatolgicos de manera que
puedan determinarse los errores groseros; pruebas en re
lacin con los lmites fsicos, los cuales se obtienen en fun
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
tros de temperatura se utiliz un grupo de reglas de error.
Los registros del termmetro hmedo no pueden ser ma
yores que los registros de termmetro seco, la temperatu
ra mxima de la zona no puede ser mayor de 24 oC, la hu
medad relativa no debe ser mayor de 100% de humedad.
5.2 Bsqueda de informacin faltante
La informacin faltante en los diferentes registros de va
riables meteorolgicas es un problema en el cual la es
tadstica tradicional juega un papel importante. Existen
formas de llenar una base de datos con informacin de la
misma serie o utilizando datos de una estacin adjunta,
los cuales brindan una estimacin de la informacin fal
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
do reciente como buena estimacin del futuro.
El uso de la funcin Pronstico de Excel contribuye a pro
nosticar el valor de la informacin faltante, teniendo como
referencia un predictor, y una extensin de datos Y y X,
con los cuales establece una regresin lineal (a + bx) me
diante:
a y bx
y:
:;(x - x)(y y)
b
:;(x - x)'
x: valor de la serie predictiva
x: Promedio aritmtico de x
y: valor de la serie objetivo
. promedio aritmtico de y
Para determinar la extensin de datos que permita hacer
una mejor estimacin de la informacin faltante se reali
zaron pruebas con extensiones de 10, 15 Y 20 datos, para
los registros de enero 1987, febrero 1996, enero 2003,
diciembre 2003; los datos objetivos son las variables de
temperatura mxima y temperatura mnima, los predic
tores son temperatura del bulbo seco de una de la tarde
(13 horas) y siete de la maana (7 horas), respectivamen
te; los resultados aparecen en la Tabla 2.
TABLA 2. Resultados para extensiones de datos.
10 datos 15 datos 20 datos
Promedio 5,16 4,72 7,06
Desviacin 1,63 2,15 4,39
El resultado del uso de una extensin de diez datos para
el clculo de la informacin faltante se determina por un
error no muy alto (5%) y una desviacin estndar baja
(1 ,63t con lo que se obtiene una informacin ms confia
ble para el complemento de los diferentes registros. Para
los das que no cuentan con ningn tipo de informacin
se hizo uso de la estacin Granja Providencia ubicada en
el municipio de Facatativa.
5.3 Escalamiento
La red neuronal recibe diferentes tipos de informacin, y
para que la informacin sea efectiva debe ser entendida
por la red neuronal, sobre todo cuando la red neuronal
trabaja con funciones de transferencia que limitan la sali
da en rangos (0,1 0-1,1), de modo que en estos casos es
conveniente que los datos se adapten entre los valores
que maneja la red.
Por ejemplo, para la variable de temperatura en el term
metro seco (D) se puede aplicar escalamiento de varia
bles; tomamos el rango que entiende la red (-1 hasta 1),
buscamos entre los datos de nuestra estacin y encon
tramos una D max y una D min y aplicamos esta frmula a
todos los valores:
D: valor actual
Di: valor escalizado
Dmax : valor mximo del conjunto
D min : valor mnimo del conjunto
Todos los datos quedan expresados en un intervalo que
la red entiende (MatLab 7.0). El anterior mtodo se aplica
a la mayora de los datos que se encuentran en la base de
datos meteorolgica deIIDEAM.
11 BONILLA ET L.: METODOLOGA PARA EL DISEO DE UN MODELO UNIVARIADO DE RED NEURAL 117 11

6. EXPERIMENTOS
6.1 Objetivos de la red neuronal
Los factores principales en el pronstico de la helada
son: ocurrencia del fenmeno (modelo de clasificacin),
temperatura mnima estimada para la noche de helada,
intensidad (duracin de la helada), hora de inicio de la
helada. El primer desarrollo se dise para encontrar la
temperatura mnima en la noche de helada, con un grado
de exactitud de ms o menos un grado centgrado.
6.2 Redes neuronales ms exitosas
Para este primer diseo se experiment con una topo
loga bsica: Perceptrn multicapa. Como entradas de la
red se utilizaron tres datos de una sola variable, se expe
riment con temperatura de termmetro seco medido a
las 07, 13 Y 19 horas (T57, T513, T5 19) Y con tensin de
vapor de las 07, 13 Y 19 horas (TV7, TV13, TV19); para tal
efecto se seleccionaron grupos cronolgicos (ver Tabla
3). Como salida, y acorde con el objetivo, se obtuvieron
datos de la temperatura mnima del siguiente da.
reglas empricas como: "Qu tan grande debe ser la capa
oculta? Una regla a dedo pulgar es que nunca debe ser dos
veces ms grande que la capa de la entrada" (De fruto y Li
noftt, 1997: 323).
Al no haber una metodologa o regla que nos d el n
mero ptimo de neuronas que se deben utilizar para so
lucionar cada problema, se hace necesario experimentar
con mltiples redes neuronales, variando la cantidad de
neuronas entre sus capas ocultas, las funciones de acti
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
tes y escalizados entre el rango uno y menos uno (1, -1).
El mtodo de entrenamiento en este caso fue estndar:
para todos los experimentos se utiliz entrenamiento de
barrido por descendencia del gradiente. Las funciones
de activacin ms utilizadas fueron tangenciales para las
capas ocultas y en algunos casos tangenciales y en otros
identidad para la capa de salida. La variacin de las neu
ronas se hizo sistemticamente, empezando con pruebas
con una sola capa oculta y usando dos, luego tres y hasta
doce neuronas; posteriormente se repiti el mismo pro
cedimiento, pero esta vez con dos capas ocultas.

TABLA 3. Caractersticas de los datos utilizados 7. ANLISIS DE RESULTADOS

en los experimentos.
En el entrenamiento de las redes neuronales se generan
No. de Datos ,
Datos mltiples pruebas donde se varan el nmero de capas
Grupo No. de datos
experimento de entrada de salida
y el nmero de neuronas de cada capa, a fin de buscar
Febreros Tensin de vapor MINdelda
1 103 grupos la red que entregue valores ms cercanos a los valores
1994-1997 (TV7, TV13, TV19) siguiente
objetivos de temperatura mnima diaria (Figura 6); cada
Diciembres Tensin de Vapor MIN del da
2 334 grupos experimento tuvo las redes con mejores resultados (Ta
1985 -1995 (TV7, TV13, TV19) siguiente

Ene. - Feb. - Die. Termmetro seco MIN del da

blas 4y 5).
3 283 grupos
2000 2003 (TS7, TS13, TS19) siguiente

TABLA 4. Experimentos con mejor resultado por cada

experimento.
Aparte de las neuronas de entrada y de las de salida que
estn supeditadas a las variables (en este caso tres neu Promedio Promedio
NO.de Funciones
ronas y una neurona, respectivamente), la dimensin de experimento
Topologa
.~ de activacin en capas
de error de error
(entrenamiento) (prueba)
la red neuronal est s~jeta a un rango mnimo de una
1 3-2-4-1 Si9m si9m -sigm -Idenl 1,66e 2,21e
capa oculta y a un rango mximo de dos capas ocultas,
3-5-12
suficiente para generar una aproximacin a cualquier 2 Si9m si9m -sigm -Idenl 2,03e 2,Oloe
-1
relacin entre las variables (Cifuentes, 2003), la cantidad
3 3-3-6-1 Si9m sigm -si9m -Ident 2,34e 2,19e
de neuronas en las capas ocultas est determinada por
TABLA 5. Rangos de error de los experimentos. Arquitectura (3-n-m-l)

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

FIGURA 8. Variacin de error para la red (3-3-6-1),

meses de enero, febrero y diciembre. Experimento 3.

Los resultados de prediccin de la temperatura mnima

Arquitectura (3-n-m1)
fueron buenos tomando en cuenta que se est trabajan
0,25 do con la red neuronal ms sencilla que hay (Figura 9-11).

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

FIGURA 9. (omparaci~ entre los datos reales y los

FIGURA 7. Variacin de error para la red (3-5-12-1),
meses de diciembres. Experimento 2 datos predichos. Experimento 1.
1I BONILLA ET L.: METODOLOGA PARA EL DISEO DE UN MODELO UNIVARIADO DE RED NEURAL

Se proyecta incrementar la eficiencia del modelo con

Experimento 1985 -1995

(pruebas)
la inclusin de variables como viento (magnitud y di
12
reccin) y brillo solar, adems del uso de diferentes
10

topologas como Backpropagation y Hopfield.

~ 8
~ 6 -iM4--l'It~~!f-\If----.lif--""",-;+-----"-----''""------'---'c+--\--.i~H
~ 4 Con la recoleccin de las variables de las estaciones
E
~ 2 automticas pueden generarse modelos mucho ms
ODo~~~~~~~~~~~~~~~~~
5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 robustos y de mayor precisin; para el actual trabajo
-2
Das
no se hizo uso de esta informacin, ya que es muy

--+- Datos reales -~"t()s pre_di_ch_o_s_ _ __

reciente y se necesitan periodos de observacin de
por lo menos 20 aos, con los cuales se pueda tener
FIGURA 10. Comparacin entre los datos reales y los una mejor apreciacin del fenmeno en estudio.
datos predichos. Experimento 2.
A partir de algunos textos en que se bas este tra
bajo y de la opinin de los participantes del IDEAM
se encontr que existen diversas aplicaciones ne
Experimento 2000 - 2003 (prueba)
cesarias en el campo de la meteorologa, donde se
20 relacionan los sistemas inteligentes, en casos como
15 sequas, inundaciones, caudal de los ros, zonifica
~1" 10 cin climtica, etc. Todos estos fenmenos meteo
Ql

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

- Datos reales .....q... Datos predichos REFERENCIAS BIBLIOGRFICAS

FIGURA 11. comparacin entre los datos reales y los Bishop, Christopher. 1995. Neural Networks for Pattern
datos predichos. Experimento 3. Recognition. Oxford University Press.

Brahm, Alfredo et l. 2003. Disminucin de los tiempos de

entrenamiento en las redes neuronales artificiales
8. CONCLUSIONES Y RECOMENDACIONES
aplicadas a hidrologa". En Ingeniera Hidrulica en
Mxico, Vol. 28, No. 2. Mxico D. F. Abril.
Los efectos de temperaturas cercanas a O oc en las
plantas no se restringen solo a los causados por las
Cifuentes, G. 2003. Aplicacin de las redes neuronales
heladas; estas pueden tener mayores o menores
para la formulacin de un ndice Triage. Tesis Uni
repercusiones segn el tipo y variedad de cultivo,
versidad Nacional de Colombia, cap. 4.2.
edad de la planta, tipo de terreno, prolongacin de
la misma helada, entre otros; los estudios siguientes
Cofio, Antonio. 2004. Tcnicas estadsticas y neuronales
deben orientarse al efecto de la temperatura mnima
de agrupamiento adaptativo para la prediccin
en cultivos especficos.
probabilstica de fenmenos meteorolgicos loca
les. ApliGacin en el corto plazo y en la prediccin
Con el entrenamiento de las redes neuronales para
estacional. Tesis Universidad de Cantabria, Espaa.
el pronstico de la temperatura mnima se constru
Versin libre en: http://grupos.unican.es/ai/me
yeron modelos con una efectividad entre 52 y 73%.
teo/a rticu 10sfTesisCofi n02004.pdf
Estos modelos mostraron una buena coherencia de
fase pero no en amplitud.
Fernndez, Jairo. 1994. Las heladas, su definicin, prons
tico y control. Colombia. Produmedios.
Hilera, Jos. 2000. Redes neuronales artificiales. Funda
mentos, modelos y aplicaciones. Mxico, Alfaome
ga Ra-Ma, pp. 101, 113, 131 Y 181.
IDEAM. 1998. El medio ambiente en Colombia. Instituto de
Hidrologa, Meteorologa y Estudios Ambientales.
Lasso, Luis. 1990. Agrotopoclimatologa de la sabana de
Bogot. Nota tcnica del Instituto Colombiano de
Hidrologa, Meteorologa y Adecuacin de Tierras
(Himat).
Lasso, Luis. 1997. Modelo de pronstico del fenmeno de
la helada para la sabana de Bogot. Nota tcnica
deIIDEAM.
MatLab 7.0. Ayuda interna del programa para la funcin
premnmx (Codigo: help premnmx).
Monsalve, Freddy. 2004. Prediccin de una variable hidrocli
matolgica mediante la utilizacin de lgica difusa,
redes neuronales artificiales y rboles de decisin.
Tesis Universidad Nacional de Colombia. p. 56.
OMM. 1992. Vocabulario meteorolgico internacional. Or
ganizacin Meteorologa Mundial N 182, Ginebra.
Pabn, Jos et l. 2002. La atmsfera, el tiempo y el clima.
Colombia, p. 81. Versin libre en: www.deam.gov.
co
Pitarque, Alfonso et l. 1998. Redes neuronales vs. mo
delos estadsticos: simulacin entre tareas de pre
diccin y clasificacin. Universidad de Valencia,
Espaa. Versin libre en: http://www.uv.es/psico
logica/articulos3.98/pitarque.pdf
Polo, R. 2003. Redes neuronales en la meteorologa del
campus javeriano. Tesis Pontificia Universidad Ja
veriana, Colombia.
Ramrez, Numael et l. 1982. Un modelo para predecir
heladas en la sabana de Bogot. Tesis Universidad
Nacional de Colombia. p. 62.
Ruiz, Fernando. 1996. Pronstico de la temperatura mni
ma diaria para las estaciones de Tibaitat, El Dora
do y Subasta - Bonza. Nota tcnica deIIDEAM.
Schizas, Christos et l. 1993. Forecasting minimum tem
perature with short time-Iength data using arti
ficial neuronal networks. Universidad de Chipre,
Chipre. Pgina de referencia: http://www.cs.ucy.
ac.cy/project/ci/meteorology.htm
Fecha de recibo: 20.01.2006
Fecha de aceptacin: 02.03.2006