Title
Modeling and prediction of el niño in piura using artificial neuronal networks
Other title
Modelado y predicción del fenómeno el niño en piura, perú mediante redes neuronales artificiales usando matlab.
Date Issued
01 August 2018
Access level
open access
Resource Type
journal article
Author(s)
Universidad Nacional de Piura
Universidad Nacional de Piura
Publisher(s)
Centro de Informacion Tecnologica
Abstract
Artificial neural networks have been applied to climatic precipitation data, including surface sea temperatures in different areas classified as El Niño, and speed of trade winds with the purpose of modeling and predicting the climate phenomenon six months in advance to its appearance. The study was done in Piura, Peru. A preliminary analysis of the information is performed to determine the degree of correlation between variables. A model in two phases was later designed. In the first phase, neural networks using MatLab were used to model variables as time series and, in the second phase, a neural network was designed to simulate the nature of rainfall in Piura. The study shows that neural networks represents a highly reliable technique to find a pattern of precipitation and then for predicting the phenomenon with probability of 98.4% in the training step and 100% in the predicting step for the first semester of 2016.
Start page
303
End page
318
Volume
29
Issue
4
Language
Spanish
OCDE Knowledge area
Ciencias del medio ambiente
Subjects
Scopus EID
2-s2.0-85051331402
Source
Informacion Tecnologica
ISSN of the container
07168756
Sponsor(s)
Las redes neuronales artificiales (RNA), sus diversas variantes o trabajando en forma hibrida con otros modelos han demostrado ser apropiadas para analizar diversos problemas relacionados con el reconocimiento de patrones y el análisis de datos cuya formulación mediante técnicas clásicas resulta difícil o inapropiada, más aún cuando se dispone de gran cantidad de información y problemas de alta no linealidad en los modelos, en particular, estas técnicas se han utilizado para predecir el clima. Modelos de RNA para predicción del tiempo meteorológico a escala local se pueden encontrar en (Cannon, 2007; Dibike y Coulibaly, 2006). Las RNA muestran un mejor desempeño que otros cinco algoritmos de inteligencia artificial para modelar la temperatura del aire en el noroeste de México (Contreras-Navarro et al., 2016). También se utilizan RNA para predecir la precipitación; una RNA perceptrón multicapa, optimizada con un algoritmo inspirado en el funcionamiento del riñón, es utilizada para predecir la precipitación (Jaddi y Abdullah, 2018); RNA temporales se utilizan para predecir la precipitación y temperatura diaria en una región del norte de Quebec – Canadá (Nourani et al., 2009); una RNA con retroalimentación, para mejorar las estimaciones del radar meteorológico de la precipitación se puede encontrar en (Teschl et al., 2007). También se utilizan RNA para modelar otras variables relacionadas con el clima; RNA y Wavelets se aplican a datos históricos imprecisos (difusos) para predecir la radiación solar (Cao y Lin, 2008); Una RNA con algoritmo de aprendizaje de propagación hacia atrás, se usa para la predicción de tormentas en el puerto de Taichung – Taiwan (Lee, 2008); un sistema de predicción de la temperatura superficial del mar en el pacífico tropical del Perú basado en RNA multicapa se muestra en (Wu et al., 2006).
La data para el modelamiento y predicción del FEN, proviene de dos fuentes, se encuentra en forma mensual y cubre el período 1979 a 2015; la misma consta de las temperaturas superficiales del mar (ºC) de las zonas Niño 1+2, Niño 3, Niño 4 y Niño 3.4 ver Figura 1; y la velocidad de los vientos alisios (m/s) en la zona 165 ºW – 110 ºW, estos datos fueron obtenidos de los registros de la página web del Climate Prediction Center de la NOAA (NOAA, 2015) y la información correspondiente a las precipitaciones (mm), fue proporcionada de los registros del Proyecto Especial Chira Piura (PECHP, 2015), para el mismo período y corresponden a la estación meteorológica Miraflores ubicada en el campus universitario de la Universidad Nacional de Piura, cuyas coordenadas geográficas son, Latitud: 5º10’00.0” S, Longitud: 80º36’51.0” W y Altitud: 30 MSNM.
Este trabajo se enfoca en El fenómeno El Niño (FEN), una de las más impactantes anomalías registradas sobre el planeta producida por un cambio en el sistema océano – atmósfera que ocurre en el océano pacífico y concluye abarcando a la totalidad del planeta, su poder de destrucción abarca inundaciones, deslizamientos de tierra que destruyen cosechas, favorece la formación de tormentas, de igual manera, aumenta la probabilidad de proliferación de vectores, así como la destrucción de viviendas, hospitales, centros de salud, escuelas, sistemas de redes eléctricas y de agua potable, además de dejar grandes pérdidas humanas y económicas. El Perú, y en especial la zona norte como Piura, es uno de los lugares que constantemente ha sufrido las consecuencias devastadoras de este fenómeno. El FEN se define científicamente como la respuesta dinámica del océano pacífico, al forzamiento prolongado de los vientos ecuatoriales, anomalías de la temperatura superficial del mar, la variación de la temperatura ambiental y el régimen de lluvias, la intensidad y duración del FEN depende de la magnitud de las anomalías y del área de influencia. La predicción meteorológica en el Perú se realiza con modelos numéricos basados en ecuaciones diferenciales parciales, estos modelos presentan problemas (no linealidad alta, son adaptados a la realidad regional, no contemplan incertidumbre) que no permiten una predicción confiable del FEN. A nivel descriptivo, el FEN en Piura ha sido estudiado en (Cabrera et al., 2016; Quispe et al., 2008). En el periodo 2000 – 2010, se ejecutó el proyecto "Mejoramiento de la capacidad de pronóstico y evaluación del FEN para la Prevención y Mitigación de Desastres en el Perú" financiado por el Banco Mundial, en el que participaron IMARPE, IGP, SENAMHI, DHN (IGP, 2017), este proyecto dio inicio al modelado numérico en las diversas instituciones estatales dedicadas a temas climáticos, así mismo ha permitido fortalecer parcialmente las actividades de pronóstico a escala regional y mundial, sin embargo, la realidad muestra que es necesario mejorar y reforzar las actividades de predicción meteorológica.
Sources of information:
Directorio de Producción Científica
Scopus