Aprendizaje automático para la predicción de la precipitación de lluvias en la ciudad de Iquitos

Abstract

This research paper addresses the improvement of accuracy in precipitation prediction in the city of Iquitos through the use of machine learning techniques. The central problem lies in the ineffectiveness of traditional methods for capturing complex rainfall patterns in the Amazon region. The objectives of the study include developing a predictive model using the RandomForestClassifier algorithm, analyzing historical weather data, and evaluating the accuracy of the model by comparing it with traditional methods. The methodology used is based on the collection and analysis of data provided by SENAMHI, followed by the implementation and validation of the predictive model. The results indicate a significant improvement in the accuracy of the predictions with the proposed model, reaching an accuracy of 0. 91 and an average accuracy of 0. 862 in the cross-validation. The findings suggest that the use of machine learning can overcome the limitations of traditional methods, providing more accurate and useful predictions for resource management and planning in Iquitos.

Este trabajo de investigación aborda la mejora de la precisión en la predicción de precipitaciones en la ciudad de Iquitos mediante el uso de técnicas de aprendizaje automático. El problema central radica en la ineficacia de los métodos tradicionales para capturar los complejos patrones de precipitaciones en la región amazónica. Los objetivos del estudio incluyen desarrollar un modelo predictivo utilizando el algoritmo RandomForestClassifier, analizar datos meteorológicos históricos y evaluar la precisión del modelo comparándolo con métodos tradicionales. La metodología empleada se basa en la recolección y análisis de datos proporcionados por SENAMHI, seguido de la implementación y validación del modelo predictivo. Los resultados indican una mejora significativa en la precisión de las predicciones con el modelo propuesto, alcanzando un accuracy de 0.91 y una precisión media de 0.862 en la validación cruzada. Las conclusiones sugieren que el uso de aprendizaje automático puede superar las limitaciones de los métodos tradicionales, proporcionando predicciones más precisas y útiles para la gestión de recursos y la planificación en Iquitos.