Sistema informático para la predicción de datos de las precipitaciones utilizando la inteligencia artificial
DOI:
https://doi.org/10.5281/zenodo.17969429Palabras clave:
aprendizaje automatizado, forecasting, precipitaciones, predicción, microserviciosResumen
Introducción: Predecir datos de las precipitaciones es de vital importancia para el desarrollo de todos los países debido a la influencia del agua en diferentes aspectos de la vida. No obstante, en el proceso actual de predicción se presentan insuficiencias que atentan contra el buen desempeño de esta tarea. En la actualidad el aprendizaje automatizado y el empleo de herramientas flexibles para el desarrollo de aplicaciones llamadas inteligentes se encuentran en auge. Objetivo: Se proponer el desarrollo de una aplicación web que ayude a la realización del proceso de predicción de datos de las precipitaciones en la provincia de Ciego de Ávila. Método: La solución propuesta consiste en una aplicación que emplea aprendizaje automatizado para lograr tal tarea predictiva. Desarrollada utilizando herramientas actuales tales como el lenguaje Python y framework FastAPI para la implementación de los microservicios. Como metodología, se acordó utilizar XP dada su alta flexibilidad. Resultados: la herramienta conseguida posibilita aprender y reconocer patrones nunca vistos, reducir la dependencia de especialista y al mismo tiempo constituir apoyo para estos últimos. Conclusión: Finalmente, podemos concluir que con el empleo de herramientas inteligentes en nuestros días se reducen los tiempos de procesamiento de datos lo que se traduce en mejoras en la toma de decisiones.
Descargas
Citas
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.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Universidad & ciencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
