Sistema de inferencia para la predicción de
precipitaciones
https://doi.org/10.47230/Journal.TechInnovation.v2.n2.2023.89-94
Journal TechInnovation
Volumen 2, Número 2, 2023
Universidad Estatal del Sur de Manabí
ISSN-e: 2953-6472
Inference system for precipitation prediction
Journal - TechInnovation
UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ
Volumen: 2
Número: 2
Año: 2023
Paginación: 89-94
URL: https://revistas.unesum.edu.ec/JTI/index.php/JTI/article/view/56
*Correspondencia autor: oscarlcc@estudiantes.uci.cu
Recibido: 11-08-2023 Aceptado: 11-10-2023 Publicado: 01-12-2023
Oscar Luis Crúz Carvajal
1*
https://orcid.org/0009-0000-8981-1499
Alain Álvarez Vergara
2
https://orcid.org/0009-0006-1195-7897
1. Facultad de Ciencias y Tecnologías Computacionales; Universidad de las Ciencias Informáticas; La Habana, Cuba.
2. Facultad de Ciencias y Tecnologías Computacionales; Universidad de las Ciencias Informáticas; La Habana, Cuba.
RESUMEN
En este trabajo presentamos un sistema de inferencia basado en lógica difusa para predecir la probabilidad
de precipitaciones. El objetivo principal fue desarrollar una herramienta eficiente y precisa para anticipar la
ocurrencia de lluvias. Para lograr esto, se utilizó una metodología que se centró en la aplicación de la lógica
difusa para modelar la incertidumbre y la imprecisión asociadas con la predicción de precipitaciones. Se
recopilaron datos históricos de precipitación y variables atmosféricas relevantes para construir reglas y con-
juntos difusos que representaran la relación entre estas variables y la probabilidad de lluvia. Los resultados
obtenidos demostraron una correlación significativa entre las variables y la probabilidad de precipitaciones.
Esto tiene un significado importante, ya que proporciona a los usuarios una herramienta confiable para tomar
decisiones informadas en relación con actividades al aire libre, agricultura y gestión de recursos hídricos. En
conclusión, este sistema de inferencia basado en lógica difusa ofrece una solución efectiva para predecir la
probabilidad de precipitaciones, brindando beneficios significativos en diversos contextos.
Palabras clave: herramienta, inferencia, predicción, precipitaciones, lógica difusa.
ABSTRACT
In this work, we present a fuzzy logic-based inference system for predicting the probability of precipitation. The
main objective was to develop an efficient and accurate tool for anticipating rainfall occurrences. To achieve
this, a methodology focused on the application of fuzzy logic to model the uncertainty and imprecision as-
sociated with precipitation prediction was employed. Historical precipitation data and relevant atmospheric
variables were collected to build rules and fuzzy sets that represented the relationship between these variables
and the probability of rain. The results demonstrated a significant correlation between the variables and the
probability of precipitation. This holds great significance as it provides users with a reliable tool for making
informed decisions regarding outdoor activities, agriculture, and water resource management. In conclusion,
this fuzzy logic-based inference system offers an effective solution for predicting the probability of precipita-
tion, delivering significant benefits across various contexts.
Keywords: Inference, prediction, precipitation, fuzzy logic, tool.
91
Journal TechInnovation Volumen 2, Número 2, 2023
Introducción
La introducción de este estudio se centra
en la creación de un sistema de inferencia
basado en lógica difusa para predecir con
precisión y eficiencia la probabilidad de
precipitaciones. El objetivo principal es me-
jorar la precisión en la estimación de la pro-
babilidad de lluvia mediante la utilización
de reglas y conjuntos difusos que modelen
la relación entre las variables atmosféricas
relevantes (Cortés & Sandoval, 1999).
La lógica difusa permite abordar la incerti-
dumbre inherente a la predicción meteoro-
lógica, lo que resulta en estimaciones más
precisas de la probabilidad de precipitacio-
nes (González & Mar Cornelio, 2013; Reyes
et al., 2023). Esta herramienta se presenta
como una solución confiable para la toma
de decisiones en sectores como la agricul-
tura, la gestión del agua y la planificación
de actividades al aire libre. Además, el sis-
tema de inferencia de lógica difusa puede
complementar y mejorar otros métodos de
predicción tradicionales al considerar la in-
certidumbre de manera más efectiva (Martí-
nez-Cabrera et al., 2014).
La representación y comunicación más
comprensible de la probabilidad de precipi-
taciones a través de la lógica difusa facilita
la interpretación de los resultados obteni-
dos.
Desarrollo
En el presente trabajo, se describe el desa-
rrollo de un sistema de inferencia basado en
lógica difusa para predecir la probabilidad
de precipitaciones (Soto & Escalante San-
doval, 1997). El objetivo principal de esta
investigación fue diseñar una herramienta
eficiente y precisa que permitiera anticipar
la ocurrencia de lluvias. Para lograr este
propósito, se aplicó una metodología que
se centró en la utilización de la lógica difusa
para modelar la incertidumbre y la impreci-
sión asociadas con la predicción de preci-
pitaciones. Se recopilaron datos históricos
de precipitación y variables atmosféricas
relevantes, como temperatura, humedad y
presión atmosférica, con el fin de construir
reglas y conjuntos difusos que represen-
taran la relación entre estas variables y la
probabilidad de lluvia (Cornelio et al., 2016;
Cornelio & Fonseca, 2016).
Los resultados obtenidos a partir del aná-
lisis de los datos recopilados demostraron
una correlación significativa entre las va-
riables atmosféricas y la probabilidad de
precipitaciones (Ramírez et al., 2015). Esta
correlación es de gran importancia, ya que
proporciona a los usuarios una herramienta
confiable para tomar decisiones informa-
das en relación con actividades al aire libre,
agricultura y gestión de recursos hídricos
(Moreno & Sánchez). La capacidad predic-
tiva del sistema desarrollado ofrece bene-
ficios significativos en diversos contextos,
ya que permite a los usuarios planificar sus
actividades de acuerdo con la probabilidad
de lluvia, lo que a su vez puede contribuir
a una mejor gestión de recursos y a la re-
ducción de riesgos asociados con eventos
climáticos.
Metodología
La investigación propuesta tiene como ob-
jetivo desarrollar y evaluar un sistema de
inferencia para mejorar la precisión en la
predicción de precipitaciones. La metodo-
logía se estructura de manera sistemática
para abordar aspectos fundamentales en la
construcción y validación de un sistema de
este tipo.
Revisión de la Literatura: Análisis exhaus-
tivo de métodos existentes de predicción
de precipitaciones, incluyendo modelos
meteorológicos, algoritmos de aprendizaje
automático y sistemas de inferencia. Iden-
tificación de las limitaciones actuales en la
precisión de las predicciones y las áreas de
mejora potenciales.
Definición de Variables y Datos: Identifica-
ción y recopilación de variables meteoroló-
gicas relevantes para la predicción de pre-
cipitaciones, como temperatura, humedad,
ARTÍCULO ORIGINAL: SISTEMA DE INFERENCIA PARA LA PREDICCIÓN DE PRECIPITACIONES
Journal TechInnovation Volumen 2, Número 2, 2023
92
velocidad del viento y presión atmosférica.
Selección de conjuntos de datos históricos
y en tiempo real para entrenar y validar el
sistema de inferencia.
Diseño del Sistema de Inferencia: Selección
de la arquitectura del sistema de inferen-
cia, considerando enfoques basados en
reglas heurísticas, lógica difusa o técnicas
de aprendizaje automático. Desarrollo de
reglas de inferencia basadas en la relación
entre las variables meteorológicas y la pro-
babilidad de precipitación.
Implementación del Sistema: Desarrollo e
implementación del sistema de inferencia,
utilizando herramientas y plataformas ade-
cuadas para garantizar la eficiencia com-
putacional y la escalabilidad. Integración
de capacidades de actualización dinámica
para adaptarse a cambios en los patrones
meteorológicos y mejorar la precisión a lo
largo del tiempo.
Evaluación del Rendimiento: División del
conjunto de datos en conjuntos de entrena-
miento y prueba para evaluar la capacidad
predictiva del sistema. Medición de la pre-
cisión del sistema utilizando métricas como
la sensibilidad, especificidad y el error cua-
drático medio.
Validación en Tiempo Real: Evaluación del
sistema de inferencia en condiciones de
tiempo real, utilizando datos meteorológicos
actuales y comparando las predicciones
con observaciones reales. Ajuste continuo
del sistema basado en retroalimentación en
tiempo real para mejorar la precisión y la
adaptabilidad.
Comparación con Modelos Existentes:
Comparación del rendimiento del sistema
de inferencia con modelos meteorológicos
convencionales y otros enfoques de van-
guardia. Análisis de las ventajas y limitacio-
nes relativas de cada enfoque.
Análisis de Incertidumbre: Evaluación de la
incertidumbre asociada con las prediccio-
nes del sistema de inferencia, consideran-
do factores como la variabilidad climática y
la calidad de los datos de entrada. Desarro-
llo de estrategias para comunicar de mane-
ra efectiva la incertidumbre a los usuarios
finales.
La metodología facilitó una guía detallada
para la investigación del sistema de infe-
rencia destinado a mejorar la predicción de
precipitaciones, con el objetivo de contri-
buir significativamente a la eficacia de los
pronósticos meteorológicos y, por ende, a la
toma de decisiones informada en diversas
industrias y sectores.
Resultados
Para el desarrollo del software se utilizó el
lenguaje de programación Python3.11.5 el
cual es un lenguaje simple y legible, lo que
facilita su aprendizaje y comprensión (Cha-
llenger-Pérez et al., 2014). Es un lenguaje
de alto nivel, interpretado y de propósito
general. Python se destaca por su enfoque
en la legibilidad del código, utilizando una
sintaxis clara y concisa que permite a los
programadores expresar conceptos de ma-
nera más sencilla y comprensible. Python
es ampliamente utilizado en la implementa-
ción de sistemas de inferencia difusa debi-
do a su amplia biblioteca estándar, que in-
cluye módulos y funciones predefinidas que
facilitan la implementación de algoritmos y
técnicas, como la lógica difusa. Además,
Python es flexible y fácil de usar, lo que
permite a los programadores adaptarlo a
sus necesidades específicas (García Mon-
sálvez, 2017). Tiene una comunidad activa
de desarrolladores que contribuyen con bi-
bliotecas y herramientas adicionales, brin-
dando un amplio soporte y recursos para
implementar sistemas de inferencia difusa.
Python también se integra fácilmente con
otros lenguajes y plataformas, lo que per-
mite aprovechar las fortalezas de diferentes
tecnologías en la implementación de siste-
mas de inferencia difusa.
Visual Studio Code es un entorno de de-
sarrollo integrado (IDE) de código abierto
ampliamente utilizado. Es una herramienta
Crúz Carvajal, O.L., Álvarez Vergara, A.
93
Journal TechInnovation Volumen 2, Número 2, 2023
potente y versátil que proporciona un con-
junto de características y funcionalidades
para facilitar el desarrollo de software. Vi-
sual Studio Code (también conocido como
VS Code) es conocido por su interfaz de
usuario intuitiva y su amplia gama de exten-
siones disponibles, lo que permite a los de-
sarrolladores personalizar y adaptar su en-
torno según sus necesidades (Mata et al.,
2002). Entre las características destacadas
de Visual Studio Code se incluyen resaltar
la sintaxis, la finalización automática de có-
digo, la depuración integrada, el control de
versiones, la integración con herramientas
de construcción y pruebas, y la vista previa
en tiempo real de los cambios realizados en
el código. Además, Visual Studio Code es
altamente extensible y admite una amplia
variedad de lenguajes de programación, lo
que lo convierte en una opción popular para
desarrolladores de diferentes áreas (Culque
Toapanta et al., 2022). También ofrece una
integración fluida con servicios en la nube y
herramientas de colaboración, lo que facili-
ta el trabajo en equipo y la implementación
de proyectos.
Conclusiones
La creación de un sistema de inferencia di-
fuso para predecir la probabilidad de ocu-
rrencia de precipitaciones es una herra-
mienta valiosa en diversos sectores. Este
sistema, basado en reglas y conjuntos di-
fusos, aborda la incertidumbre y la impre-
cisión inherentes a la predicción de lluvias.
Proporciona estimaciones más precisas y
confiables de la probabilidad de ocurren-
cia de precipitaciones, lo que permite a los
usuarios tomar decisiones informadas en
actividades como la agricultura, la gestión
del agua y la planificación de actividades al
aire libre. La calidad y cantidad de los datos
utilizados, así como la adecuada configura-
ción del sistema, son factores clave para
obtener resultados confiables.
Bibliografía
Cornelio, O. M., Ching, I. S., Fonseca, B. B., & Díaz,
P. M. P. (2016). Herramienta para la simulación
de sistemas dinámicos integrado al sistema de
laboratorios virtuales ya distancia. Anais do En-
contro Virtual de Documentação em Software Li-
vre e Congresso Internacional de Linguagem e
Tecnologia Online,
Cornelio, O. M., & Fonseca, B. B. (2016). Procedi-
miento multicriterio multiexperto para determinar
el índice de control de una organización. Scien-
tia et technica, 21(3), 234-238.
Cortés, G. S., & Sandoval, C. A. E. (1999). Inferen-
cia y pronóstico de eventos con base en la teo-
ría de los subconjuntos borrosos. Tecnología
y ciencias del agua, 14(3), 5-14. https://www.
revistatyca.org.mx/index.php/tyca/article/down-
load/810/831
Culque Toapanta, W. V., Gavilanes Palacios, J. d. R.,
Tiban Chito, A. M., & De la Torre, L. A. (2022). Apli-
cación web-móvil para la gestión de productores
agropecuarios del gobierno autónomo descen-
tralizado del cantón Mocha. Revista Universidad
y Sociedad, 14(3), 487-492. http://scielo.sld.cu/
scielo.php?pid=S2218-36202022000300487&s-
cript=sci_arttext
Challenger-Pérez, I., Díaz-Ricardo, Y., & Becerra-Gar-
cía, R. A. (2014). El lenguaje de programación
Python. Ciencias Holguín, 20(2), 1-13. https://
www.redalyc.org/pdf/1815/181531232001.
pdf
García Monsálvez, J. C. (2017). Python como primer
lenguaje de programación textual en la Ense-
ñanza Secundaria= Python as First Textual Pro-
gramming Language in Secondary Education.
Python como primer lenguaje de programación
textual en la Enseñanza Secundaria= Python as
First Textual Programming Language in Secon-
dary Education, 147-162. https://gredos.usal.es/
bitstream/handle/10366/133735/Python_como_
primer_lenguaje_de_programac.pdf?sequen-
ce=1
González, J. L. G., & Mar Cornelio, O. (2013). Pro-
puesta de algoritmo de clasificación genética.
Revista Cubana de Ingeniería, 4(2), 37-42.
Martínez-Cabrera, H. I., Ramírez-Garduño, J. L., & Es-
trada-Ruiz, E. (2014). Plantas fósiles e inferencia
paleoclimática: aproximaciones metodológicas
y algunos ejemplos para México. Boletín de la
Sociedad Geológica Mexicana, 66(1), 41-52. ht-
tps://www.scielo.org.mx/scielo.php?script=sci_
arttext&pid=S1405-33222014000100005
Mata, M., Antoñanzas, F., Tafalla, M., & Sanz, P.
(2002). El coste de la diabetes tipo 2 en España:
ARTÍCULO ORIGINAL: SISTEMA DE INFERENCIA PARA LA PREDICCIÓN DE PRECIPITACIONES
Journal TechInnovation Volumen 2, Número 2, 2023
94
El estudio CODE-2. Gaceta Sanitaria, 16, 511-
520. https://www.scielosp.org/article/ssm/con-
tent/raw/?resource_ssm_path=/media/assets/
gs/v16n6/original6.pdf
Moreno, L., & Sánchez, J. O. Bondad del ajuste
en predicciones de precipitaciones extremas.
https://dialnet.unirioja.es/descarga/articu-
lo/7855010.pdf
Ramírez, S., Cid, L., & Alfaro, E. (2015). Modelos li-
neales generalizados para la predicción de pre-
cipitaciones en el Valle Central de Costa Rica,
América Central, usando ENOS: una propuesta
metodológica. Revista Geofísica(65), 9-25. ht-
tps://www.revistasipgh.org/index.php/regeofi/
article/download/243/243
Cómo citar: Crúz Carvajal, O. L., & Álvarez Vergara,
A. (2023). Sistema de inferencia para la predicción de
precipitaciones. Journal TechInnovation, 2(2), 89–94.
Recuperado a partir de https://revistas.unesum.edu.ec/
JTI/index.php/JTI/article/view/56
Crúz Carvajal, O.L., Álvarez Vergara, A.
Reyes, L. B., Suárez, J. E., & Cornelio, O. M. (2023).
Técnicas de Inteligencia artificial para el diag-
nóstico de pulsioximetría de apnea de sueño.
Serie Científica De La Universidad De Las Cien-
cias Informáticas, 16(4), 1-10.
Soto, G., & Escalante Sandoval, C. A. (1997). Pre-
dicción de avenidas mediante la teoría de los
subconjuntos borrosos. Ingeniería del agua,
4(4), 29-36. https://iwaponline.com/IA/arti-
cle-pdf/4/4/29/576477/ia19972733.pdf
