Sistema de inferencia para la predicción de precipitaciones
DOI:
https://doi.org/10.47230/Journal.TechInnovation.v2.n2.2023.89-94Palabras clave:
Herramienta, Inferencia, Predicción, Precipitaciones, Lógica DifusaResumen
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 conjuntos 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.
Descargas
Citas
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 Encontro Virtual de Documentação em Software Livre e Congresso Internacional de Linguagem e Tecnologia Online,
Cornelio, O. M., & Fonseca, B. B. (2016). Procedimiento multicriterio multiexperto para determinar el índice de control de una organización. Scientia et technica, 21(3), 234-238.
Cortés, G. S., & Sandoval, C. A. E. (1999). Inferencia y pronóstico de eventos con base en la teoría de los subconjuntos borrosos. Tecnología y ciencias del agua, 14(3), 5-14. https://www.revistatyca.org.mx/index.php/tyca/article/download/810/831
Culque Toapanta, W. V., Gavilanes Palacios, J. d. R., Tiban Chito, A. M., & De la Torre, L. A. (2022). Aplicación web-móvil para la gestión de productores agropecuarios del gobierno autónomo descentralizado del cantón Mocha. Revista Universidad y Sociedad, 14(3), 487-492. http://scielo.sld.cu/scielo.php?pid=S2218-36202022000300487&script=sci_arttext
Challenger-Pérez, I., Díaz-Ricardo, Y., & Becerra-García, 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 Enseñanza Secundaria= Python as First Textual Programming Language in Secondary Education. Python como primer lenguaje de programación textual en la Enseñanza Secundaria= Python as First Textual Programming Language in Secondary Education, 147-162. https://gredos.usal.es/bitstream/handle/10366/133735/Python_como_primer_lenguaje_de_programac.pdf?sequence=1
González, J. L. G., & Mar Cornelio, O. (2013). Propuesta de algoritmo de clasificación genética. Revista Cubana de Ingeniería, 4(2), 37-42.
Martínez-Cabrera, H. I., Ramírez-Garduño, J. L., & Estrada-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. https://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: El estudio CODE-2. Gaceta Sanitaria, 16, 511-520. https://www.scielosp.org/article/ssm/content/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/articulo/7855010.pdf
Ramírez, S., Cid, L., & Alfaro, E. (2015). Modelos lineales generalizados para la predicción de precipitaciones en el Valle Central de Costa Rica, América Central, usando ENOS: una propuesta metodológica. Revista Geofísica(65), 9-25. https://www.revistasipgh.org/index.php/regeofi/article/download/243/243
Reyes, L. B., Suárez, J. E., & Cornelio, O. M. (2023). Técnicas de Inteligencia artificial para el diagnóstico de pulsioximetría de apnea de sueño. Serie Científica De La Universidad De Las Ciencias Informáticas, 16(4), 1-10.
Soto, G., & Escalante Sandoval, C. A. (1997). Predicción de avenidas mediante la teoría de los subconjuntos borrosos. Ingeniería del agua, 4(4), 29-36. https://iwaponline.com/IA/article-pdf/4/4/29/576477/ia19972733.pdf
Descargas
Publicado
Cómo citar
Número
Sección
