Redes neuronales en la predicción de micro-clima, zona de estudio La Hechicera Mérida, Venezuela
Palabras clave:
microclima, redes neuronales, predicción de microclima, predicción climáticaResumen
Se desarrolló una Red Neuronal Artificial (RNA) con capacidad para realizar predicciones climáticas a corto plazo, entrenada con datos a intervalos de 15 min durante 454 días, de una estación climatológica ubicada en La Hechicera Mérida-Venezuela (1896 msnm). Para el entrenamiento y su validación se usaron patrones simulados que contienen variaciones diarias de la radiancia y la temperatura. Se eligieron 3 funciones de prueba tales como el Seno, Coseno y los Polinomios de Legendre Pl(x). La (RNA) p.ej, puede predecir el intervalo (0,1] usando sólo como entrada el intervalo [-1,0] de la correspondiente derivada P´l (x) del polinomio. En la fase de producción con datos reales, se encontró que la red es capaz de predecir la temperatura con un 5% de error en el rango horario [12:15 a 06:15] pm, sólo con los datos de temperatura en el rango [6:00 a 12:00) am. Igualmente al predecir temperatura a partir de radiancia (5 %), radiancia-radiancia (16 %). Se considera viable el uso de (RNA) para la predicción de micro-clima a corto plazo, pudiendo extender su uso a otras localidades, lo que podría ser útil para el desarrollo de planes de prevención de desastres, períodos de siembra y en la predicción de oferta de energía en plantas eólicas y solares.
Descargas
Referencias
T. Carleton; S. Hsiang. Social and economic impacts of climate. Science, 353(6304):aad9837, 2016, Disponible: http://science.sciencemag.org/content/353/6304/aad9837.
A. Olmstead; P. Rhode. Responding to climatic challenges: lessons from us agricultural development. In The economics of climate change: Adaptations past and present, pages 169–194. University of Chicago Press, 2011.
T. Palmer. Predicting uncertainty in forecasts of weather and climate. Reports on Progress in Physics, 3(2):71, 2000.
United States Department of Energy (DOE), 2016.
P. Moonen; T. Defraeye; V. Dorer; B. Blocken; J. Carmeliet. Urban physics: effect of the micro-climate on comfort, health and energy demand. Frontiers of Architectural Research, 1(3):197–228, 2012.
T.F. Stocker. Ipcc (intergovernmental panel on climate change). climate change 2013: The physical science basics. Cambridge University Press:Cambridge, UK; New York, NY, USA, 2013.
R. Duda; P. Hart; D. Stork. Pattern classification. Wiley New York, 2 edition, 2001.
D. Lindley. Making decisions. Wiley, 2 edition, 1991.
S. Roy J. Traiteur; D. Callicutt; M. Smith. A short-term ensemble wind speed forecasting system for wind power applications. Journal of Applied Meteorology and Climatology, 51(10):1763–1774, 2012.
M. Vuckovic; K. Kiesel; A. Mahdavi. The extent and implications of the microclimatic conditions in the urban environment: A vienna case study. Sustainability, 9(2):177, 2017, Disponible: http://www.mdpi.com/2071-1050/9/2/177.
National Association of Regulatory Utility Commissioners (NARUC) National Wind Coordinating Collaborative (NWCC) and the Western Governors Association, 2007.
Ö. Dombaycı; M. Gölcü. Daily means ambient temperature prediction using artificial neural network method: A case study of turkey. Renewable Energy, 34(4):1158–1161, 2009.
A. Litta; S. Idicula; U. Mohanty. Artificial neural network model in prediction of meteorological parameters during premonsoon thunderstorms. International Journal of atmospheric sciences, 2013:1–14, 2013.
M. Behrang; E. Assareh; A. Ghanbarzadeh; A. Noghrehabadi. The potential of different artificial neural network (ann) techniques in daily global solar radiation modeling based on meteorological data. Solar Energy, 84(8):1468–1480, 2010.
I. Seginer. Some artificial neural network applications to greenhouse environmental control. Computers and Electronics in Agriculture, 18(2-3):167–186, 1997.
A. Kémajou; L. Mba; P.Meukam. Application of artificial neural network for predicting the indoor air temperature in modern building in humid region. British Journal of Applied Science & Technology, 2(1):23–34, 2012.
P. McSharry; S. Bouwman; G. Bloemhof. Probabilistic forecasts of the magnitude and timing of peak electricity demand. IEEE Transactions on Power Systems, 20(2):1166–1172, 2005.
A. Parisi; F. Parisi; D. Díaz. Modelos de algoritmos genéticos y redes neuronales en la predicción de índices bursátiles asiáticos. Cuadernos de economía, 43(128):251–284, 2006.
E. Trejos; P. Varela; J. Restrepo. Pronóstico del índice general de la bolsa de valores de Colombia usando redes neuronales. Scientia et technica, 1(41):129–134, 2009.
C. Bocanegra; H. Cybis; M. Jacques; M. Stumpf. Modelo de redes neuronales artificiales para determinar la velocidad en vías con fiscalización electrónica de la velocidad. In VI Congreso de Ingeniería del Transporte, 2004.
E. Rich; K. Knight. Artificial Intelligence. McGraw-Interamericana de España, 2 edition, 1994.
ADCON Telemetry. Products. adwave user manual, 2018, Disponible: http://www.adcon.com/products/sensors.
Descargas
Publicado
Número
Sección
Licencia
Las opiniones expresadas por los autores no necesariamente reflejan la postura del editor de la publicación ni de la UCLA. Se autoriza la reproducción total o parcial de los textos aquí publicados, siempre y cuando se cite la fuente completa y la dirección electrónica de esta revista.
Los autores conservan integramente los derechos sobre sus obras, cediendo a la revista el derecho de ser la primera publicación donde se presenta el artículo. Los autores(as) tienen el derecho de utilizar sus artículos para cualquier propósito siempre y cuando se realice sin fines de lucro. Se recomienda a los autores(as) difundir sus obras en la versión final, luego de publicada en esta revista, en los medios electrónicos de la intituciones a las cuales están afiliadas o medios digitales personales
