MINERÍA DE DATOS PARA GENERACIÓN DE REGLAS DE TENDENCIA DE PRECIPITACIÓN PLUVIAL EN EL ESTADO DE MORELOS

  • Miguel Angel Vazquez Zavaleta Gestión del Agua y Medio Ambiente S.C.

Resumen

El observar los eventos climatológicos ha sido considerado como parte fundamental de prácticas culturales, socioeconómicas y de investigación científica. Se ha logrado adquirir una gran cantidad de datos del medio ambiente, con la dificultad que conlleva el manipularlos, analizarlos e interpretarlos. Las contribuciones recientes a las ciencias exactas, sociales y humanas han permitido un avance extraordinario en tecnologías de cómputo y análisis. De estas contribuciones se han desarrollado técnicas de gestión y análisis de datos como son la minería de datos. El objeto de este estudio es “aplicar técnicas de minería de datos para la creación de reglas de tendencia de precipitación pluvial en el estado de Morelos”, utilizando datos de temperatura, unidades de calor y precipitación pluvial de 29 estaciones climatológicas situadas dentro del estado. Las series de datos de temperatura y precipitación pluvial se evaluaron mediante mecanismos de control de calidad y homogeneidad. Las técnicas de minería de datos que se utilizaron son: el particionado k-means y los árboles de decisión C4.5; de la primera técnica se generaron 58 pares de agrupaciones de temperatura los cuales representan la climatología de la zona para cada estación, estas agrupaciones se utilizaron como umbrales de discretización de la serie de temperatura para simplificar los 29 conjuntos de reglas de tendencia de precipitación pluvial generados con el algoritmo C4.5.

Citas

CONAGUA. (2010). Programa Hídrico Visión 2030 del Estado de Morelos. México: Secretaría de Medio Ambiente y Recursos Naturales, Capitulo II ¿Cómo planeamos?, Secretaría del Medio Ambiente y Recursos Naturales (eds), 9-13, Tlalpan, México.
CONAGUA, SEMARNAT & OCB. (2010). Estadísticas del Agua en la Cuenca del Río Balsas, 2010. Secretaría del Medio Ambiente y Recursos Naturales (eds), Tlalpan, México.
Fayyad, U., Piatetsky-Shapiro, G., & Padhraic, S. (1996). From Data Mining to Knowledge Discovery in Databases. American Association for Artificial Intelligence AI Magazine, 37-54, Volume 17, number 3.
Joseph L. Fleiss & Joseph Zubin (2010) On The Methods And Theory Of Clustering, Multivariate Behavioral Research, 235-250, 4:2.
Garre, M., Cuadrado, J. J., Silicia, M. A., Rodríguez, D., & Rejas, R. (2007). Comparación de diferentes algoritmos de clustering en la estimación de coste en el desarrollo de software. Revista Esañola de Innovación, Calidad e Ingeniería de Software, 6-22, Vol. 3, No. 1.
Fernández-Manso, A. ‘Minería de Datos’ (Data mining) aplicada a imágenes de satélite para el análisis y la cuantificación de daños por incendios forestales en Castilla y León, Junta de Castilla y León, Universidad de León, España.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 281-297, Volume 1: Statics.
Mendoza-Uribe, I., Sánchez-Lobato, R., Cruz-Enríquez, O. Z., & Pineda-Flores, N. A. (2011). Análisis de tendencias de cambio climático y capacitación en el uso de la información climática en el estado de Guerrero. Jiutepec, Morelos.
Moreno-Montiel, B. (2009). Minería sobre grandes cantidades de datos. Tesis de maestría, Posgrado en Ciencias y Tecnologías de la Información, Universidad Autónoma Metropolitana D.F., México.
Pech-Palacio, M. A. (2002). Adaptación y Uso de Minería de Datos Espaciales y no Espaciales. Tesis de maestría, Universidad de las Américas Puebla, Puebla, México.
Pérez-López, C., & Santín-González, D. (2008). Minería de Datos, Técnicas y Herramientas. España: Thomson Ediciones Parainfo S.A.
Riquelme, J. C., Ruiz, R., & Gilbert, K. (2006). Minería de Datos: Conceptos y Tendencias, Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, 10 (29)., 11-18
Shannon, C. E. (1948). A Mathematical Theory of Communication. The Bell system Technical Journal, 379-423,623-656.
Torrente-Orihuela, A. (2007). Métodos de clustering en datos de expression génica, Tesis doctoral, Universidad Carlos II de Madrid, Madrid, España.
Publicado
2018-08-31
Sección
Artículos de Investigación