Computer system for predicting rainfall data using artificial intelligence
DOI:
https://doi.org/10.5281/zenodo.17969429Keywords:
forecasting, machine learning, microservices, precipitation, predictionAbstract
Introduction: Forecasting rainfall data is of vital importance for the development of all countries due to the influence of water on different aspects of life. However, the current prediction process presents insufficiencies that undermine the good performance of this task. Currently, machine learning and the use of flexible tools for the development of so-called intelligent applications are booming. Objective: To propose the development of a web application that helps to carry out the process of predicting rainfall data in the province of Ciego de Avila. Method: The proposed solution consists of an application that uses machine learning to achieve such a predictive task. Developed using current tools such as the Python language and FastAPI framework for the implementation of microservices. As a methodology, it was agreed to use XP given its high flexibility. Results: the tool obtained makes it possible to learn and recognize never-before-seen patterns, reduce dependence on specialists and at the same time provide support for the latter. Conclusion: Finally, we can conclude that with the use of intelligent tools nowadays, data processing times are reduced, which translates into improvements in decision-making.
Downloads
References
Adewumi, O. O., Oladele, E. O., Gbenle, O. A. y Taiwo, I. A. (2025). Artificial Intelligence in Bioinformatics: Cutting-Edge Techniques and Future Prospects. https://doi.org/10.5281/ZENODO.15077401
Aggarwal, S. (2018). Modern Web-Development using ReactJS. 5(1), 5.
Akhtar, A., Bakhtawar, B. y Akhtar, S. (2022). Extreme programming vs Scrum: a comparison of agile models. International Journal of Technology, Innovation and Management (IJTIM), 2(2).
Almeida Maldonado, E. y Brown Manrique, O. N. (2023). Herramientas hidroinformáticas para el análisis de las precipitaciones diarias y los efectos dañinos ante lluvias extremas [Tesis Doctoral]. Universidad de Ciego de Ávila, Máximo Gómez Báez.
Brenes, A. (2020). Predicción del caudal promedio horario de la estación hidrológica palmar, utilizando modelos de machine learning basados en árboles de decisión. Ciudad Universitaria Rodrigo Facio.
Dada, E. G., Yakubu, H. J. y Oyewola, D. O. (2021). Artificial Neural Network Models for Rainfall Prediction. European Journal of Electrical Engineering and Computer Science, 5(2), 30-35. https://doi.org/10.24018/ejece.2021.5.2.313
Dimri, T., Ahmad, S. y Sharif, M. (2020). Time series analysis of climate variables using seasonal ARIMA approach. Journal of Earth System Science, 129(1), 149. https://doi.org/10.1007/s12040-020-01408-x
Fathi, M., Haghi Kashani, M., Jameii, S. M. y Mahdipour, E. (2022). Big Data Analytics in Weather Forecasting: A Systematic Review. Archives of Computational Methods in Engineering, 29(2), 1247-1275. https://doi.org/10.1007/s11831-021-09616-4
Forero Corba, W. y Bennasar, F. N. (2024). Técnicas y aplicaciones del Machine Learning e Inteligencia Artificial en educación: Una revisión sistemática. RIED-Revista Iberoamericana de Educación a Distancia, 27(1).
Géron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media, Inc.
Hernández Viktor, Y. y Brown Manrique, O. N. (2022). Indicadores para la determinación de evidencias de cambio climático y sus efectos sobre los recursos hídricos pluviales [Tesis Doctoral]. Universidad de Ciego de Ávila, Máximo Gómez Báez.
León Soberón, J. J. (2020). Análisis comparativo de sistemas gestores de bases de datos postgresql y mysql en procesos crud.
Liu, H. y Lang, B. (2019). Machine Learning and Deep Learning Methods for Intrusion Detection Systems: A Survey. Applied Sciences, 9(20), 4396. https://doi.org/10.3390/app9204396
Martinez Yparraguirre, S., Ramon Hernandez, A. A. y Quintana Zaez, J. C. (2021). Diseño de aplicación basada en microservicios para análisis de sentimientos de reputación online. Universidad Central “Marta Abreu” de Las Villas.
McKinney, W. (2022). Python for data analysis. O’Reilly Media, Inc.
Quesada, J., Medinilla, J. y Nápoles, F. (2023). Aplicación web para la automatización de las variables meteorológicas viento y caudal de bombeo. Universidad & ciencia, 12(1), 52-63.
Rodriguez, M. A., López Romero, M. F., Tejada Henríquez, L. M. y Forero Buitrago, G. A. (2021). Modelo de aprendizaje automático como herramienta para la toma de decisiones en la cuenca del río Ariporo. INVENTUM, 16(31), 15-23. https://doi.org/10.26620/uniminuto.inventum.16.31.2021.15-23
Segura, A. y Figuero, A. (2020). Diseño de un modelo de aprendizaje automático para la predicción de la precipitación de lluvias en la ciudad de Guayaquil [Ingeniero]. GUAYAQUIL.
Vera Rivera, F. H., Cuevas, C. M. G. y Astudillo, H. (2019). Desarrollo de aplicaciones basadas en microservicios: Tendencias y desafíos de investigación. Iberian Journal of Information Systems and Technologies, 10(N.o E23,), 15.
Vilca, D. G. M. y Torres, I. A. P. (2019). Modelo predictivo Machine Learning aplicado a análisis de datos Hidrometeorológicos para un SAT en Represas” [Ingeniero de Sistemas]. Universidad Tecnológica de Perú.
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Universidad & ciencia
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
