Logo Repositorio Institucional

Please use this identifier to cite or link to this item: http://dspace.ucuenca.edu.ec/handle/123456789/34935
Title: Improved rainfall prediction through nonlinear autoregressive network with exogenous variables: a case study in Andes high mountain region
Other Titles: 
Authors: Peña Ortega, Mario Patricio
Vazquez Patiño, Angel Oswaldo
Zhiña, Dario
Montenegro, Martin
Aviles Añazco, Alex Manuel
metadata.dc.ucuenca.correspondencia: Aviles Añazco, Alex Manuel, alex.aviles@ucuenca.edu.ec
Keywords: Rainfall prediction
NARX
Andes watershed
metadata.dc.ucuenca.areaconocimientofrascatiamplio: 1. Ciencias Naturales y Exactas
metadata.dc.ucuenca.areaconocimientofrascatidetallado: 1.5.9 Meteorología y Ciencias Atmosféricas
metadata.dc.ucuenca.areaconocimientofrascatiespecifico: 1.5 Ciencias de la Tierra y el Ambiente
metadata.dc.ucuenca.areaconocimientounescoamplio: 05 - Ciencias Físicas, Ciencias Naturales, Matemáticas y Estadísticas
metadata.dc.ucuenca.areaconocimientounescodetallado: 0521 - Ciencias Ambientales
metadata.dc.ucuenca.areaconocimientounescoespecifico: 052 - Medio Ambiente
Issue Date: 2020
metadata.dc.ucuenca.volumen: Volumen 2020
metadata.dc.source: Advances in Meteorology
metadata.dc.identifier.doi: doi.org/10.1155/2020/1828319
metadata.dc.type: ARTÍCULO
Abstract: 
Precipitation is the most relevant element in the hydrological cycle and vital for the biosphere. However, when extreme pre- cipitation events occur, the consequences could be devastating for humans (droughts or floods). An accurate prediction of precipitation helps decision-makers to develop adequate mitigation plans. In this study, linear and nonlinear models with lagged predictors and the implementation of a nonlinear autoregressive model with exogenous variables (NARX) network were used to predict monthly rainfall in Labrado and Chirimachay meteorological stations. To define a suitable model, ridge regression, lasso, random forest (RF), support vector machine (SVM), and NARX network were used. Although the results were “unsatisfactory” with the linear models, the specific direct influences of variables such as Niño 1 + 2, Sahel rainfall, hurricane activity, North Pacific Oscillation, and the same delayed rainfall signal were identified. RF and SVM also demonstrated poor performance. However, RF had a better fit than linear models, and SVM has a better fit than RF models. Instead, the NARX model was trained using several architectures to identify an optimal one for the best prediction twelve months ahead. As an overall evaluation, the NARX model showed “good” results for Labrado and “satisfactory” results for Chirimachay. The predictions yielded by NARX models, for the first six months ahead, were entirely accurate. This study highlighted the strengths of NARX networks in the prediction of chaotic and nonlinear signals such as rainfall in regions that obey complex processes. The results would serve to make short-term plans and give support to decision-makers in the management of water resources.
Description: 
La precipitación es el elemento más relevante del ciclo hidrológico y vital para la biosfera. Sin embargo, cuando ocurren eventos extremos de precipitación, las consecuencias pueden ser devastadoras para los humanos (sequías o inundaciones). Una predicción precisa de la precipitación ayuda a los responsables de la toma de decisiones a desarrollar planes de mitigación adecuados. En este estudio se utilizaron modelos lineales y no lineales con predictores rezagados y la implementación de un modelo autorregresivo no lineal con red de variables exógenas (NARX) para predecir la precipitación mensual en las estaciones meteorológicas de Labrado y Chirimachay. Para definir un modelo adecuado, se utilizaron regresión de crestas, lazo, bosque aleatorio (RF), máquina de vectores de soporte (SVM) y red NARX. Aunque los resultados fueron “insatisfactorios” con los modelos lineales, se identificaron las influencias directas específicas de variables como Niño 1 + 2, precipitación del Sahel, actividad de huracanes, Oscilación del Pacífico Norte y la misma señal de precipitación retardada. RF y SVM también demostraron un rendimiento deficiente. Sin embargo, RF tuvo un mejor ajuste que los modelos lineales y SVM tiene un mejor ajuste que los modelos de RF. En cambio, el modelo NARX se entrenó utilizando varias arquitecturas para identificar una óptima para la mejor predicción con doce meses de antelación. Como evaluación general, el modelo NARX mostró resultados “buenos” para Labrado y resultados “satisfactorios” para Chirimachay. Las predicciones arrojadas por los modelos NARX, para los primeros seis meses, fueron completamente precisas. Este estudio destacó las fortalezas de las redes NARX en la predicción de señales caóticas y no lineales como la lluvia en regiones que obedecen a procesos complejos. Los resultados servirían para hacer planes a corto plazo y dar apoyo a los tomadores de decisiones en la gestión de los recursos hídricos.
URI: https://www.hindawi.com/journals/amete/2020/1828319/
metadata.dc.ucuenca.urifuente: https://www.hindawi.com/journals/amete/about/
ISSN: 1687-9317
Appears in Collections:Artículos

Files in This Item:
File Description SizeFormat 
documento.pdfdocument3.99 MBAdobe PDFThumbnail
View/Open


This item is protected by original copyright



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

 

Centro de Documentacion Regional "Juan Bautista Vázquez"

Biblioteca Campus Central Biblioteca Campus Salud Biblioteca Campus Yanuncay
Av. 12 de Abril y Calle Agustín Cueva, Telf: 4051000 Ext. 1311, 1312, 1313, 1314. Horario de atención: Lunes-Viernes: 07H00-21H00. Sábados: 08H00-12H00 Av. El Paraíso 3-52, detrás del Hospital Regional "Vicente Corral Moscoso", Telf: 4051000 Ext. 3144. Horario de atención: Lunes-Viernes: 07H00-19H00 Av. 12 de Octubre y Diego de Tapia, antiguo Colegio Orientalista, Telf: 4051000 Ext. 3535 2810706 Ext. 116. Horario de atención: Lunes-Viernes: 07H30-19H00