Ppideam: Herramienta Automatizada para el Análisis y Visualización de Datos de Precipitación

Valbuena Urueña, Ana Maria; Ramírez Sanchez, Angie Juliana

Ppideam: Herramienta Automatizada para el Análisis y Visualización de Datos de Precipitación

dc.contributor.advisor	Vargas Pineda, Oscar Ivan
dc.contributor.author	Valbuena Urueña, Ana Maria
dc.contributor.author	Ramírez Sanchez, Angie Juliana
dc.contributor.corporatename	Universidad Santo Tomás
dc.contributor.cvlac	https://scienti.minciencias.gov.co/gruplac/jsp/visualiza/visualizagr.jsp?nro=00000000019947
dc.contributor.googlescholar	https://scholar.google.es/citations?user=z57El9wAAAAJ&hl=es
dc.contributor.gruplac	https://scienti.minciencias.gov.co/gruplac/jsp/visualiza/visualizagr.jsp?nro=00000000019947
dc.contributor.orcid	https://orcid.org/0000-0002-6462-4264
dc.date.accessioned	2025-05-06T16:12:12Z
dc.date.available	2025-05-06T16:12:12Z
dc.date.issued	2024-12-09
dc.description	Con el objetivo de determinar los períodos con mayor o menor cantidad de precipitación y sus respectivas variaciones, se desarrolló una herramienta automatizada con el fin de analizar y visualizar datos de precipitación, utilizando los datos de estaciones climatológicas suministradas por el IDEAM, en el periodo de 1970 a 2023 en el departamento de Arauca, Colombia, utilizando datos de precipitación diaria, mensual y anual. Para implementar la herramienta, se desarrolló un algoritmo en Python que se encarga del preprocesamiento, procesamiento y análisis de datos. A través de la programación en este lenguaje y la importación de bibliotecas especializadas, se aplican métodos estadísticos no convencionales y se generan gráficos lineales, box plot y de barras para una mejor interpretación de los resultados diarios, mensuales y anuales.	spa
dc.description.abstract	In order to determine the periods with more or less precipitation and their respective variations, an automated tool was developed in order to analyze and visualize precipitation data, using data from climatological stations provided by IDEAM, for the period from 1970 to 2023 in the department of Arauca, Colombia, using daily, monthly and annual precipitation data. To implement the tool, an algorithm was developed in Python, which is responsible for data preprocessing, processing and analysis. Through programming in this language and importing specialized libraries, non-conventional statistical methods are applied and linear, box plot and bar graphs are generated for a better interpretation of daily, monthly and annual results.	spa
dc.description.domain	http://www.ustavillavicencio.edu.co/home/index.php/unidades/extension-y-proyeccion/investigacion	spa
dc.format.mimetype	application/pdf
dc.identifier.citation	Valbuena Urueña, A y Ramirez Sánchez, A. (2024). Ppideam: Herramienta Automatizada para el Análisis y Visualización de Datos de Precipitación. [Articulo académico, Universidad Santo Tomás]. Repositorio Institucional
dc.identifier.uri	http://hdl.handle.net/11634/67233
dc.publisher.branch	CRAI-USTA Villavicencio	spa
dc.relation.references	[1] F. V. Davenport and N. S. Diffenbaugh, “Using Machine Learning to Analyze Physical Causes of Climate Change: A Case Study of U.S. Midwest Extreme Precipitation,” Geophys Res Lett, vol. 48, no. 15, Aug. 2021, doi: 10.1029/2021GL093787.
dc.relation.references	[2] G. F. Arfasa, E. Owusu-Sekyere, and D. A. Doke, “Climate Change Projections and Impacts on Future Temperature, Precipitation, and Stream flow in the Vea Catchment, Ghana,” Environmental Challenges, vol. 14, Jan. 2024, doi: 10.1016/j.envc.2023.100813.
dc.relation.references	[3] “República de Colombia Oferta Hídrica Total Superficial (OHTS) Multianual.”
dc.relation.references	[4] J. A. Rivera, G. Marianetti, and M. Scaglione, “Assessment of precipitation events affecting the distribution of drinkable water in the Gran Mendoza area, Argentina,” Cuadernos Geograficos, vol. 61, no. 2, pp. 204–222, 2022, doi: 10.30827/cuadgeo.v61i2.23908.
dc.relation.references	[5] H. Malekinezhad and A. Zare-Garizi, “Regional frequency analysis of daily rainfall extremes using L-moments approach,” 2014.
dc.relation.references	[6] X. Jiang et al., “Study of early flood warning based on postprocessed predicted precipitation and Xinanjiang model,” Weather Clim Extrem, vol. 42, Dec. 2023, doi: 10.1016/j.wace.2023.100611.
dc.relation.references	[7] C. Koycegiz, “Spatiotemporal analysis of precipitation variability in an endorheic basin of Turkey with coordinated regional climate downscaling experiment data,” Alexandria Engineering Journal, vol. 91, pp. 368–381, Mar. 2024, doi: 10.1016/j.aej.2024.02.010.
dc.relation.references	[8] C. Paliz, N. Perugachi, J. Martínez, M. Moreno, C. Yaucán, and R. Palaguachi, “Análisis estadístico de datos de las precipitaciones usando métodos robustos y bootstrap,” FIGEMPA: Investigación y Desarrollo, vol. 12, no. 2, pp. 52–61, Dec. 2021, doi: 10.29166/revfig.v12i2.3515.
dc.relation.references	[9] J. C. Amezquita Tovar and H. J. Eslava Blanco, “‘Supervised Learning’ para limpieza de datos en las dimensiones de consistencia y completitud,” INGENIERÍA Y COMPETITIVIDAD, vol. 24, no. 02, p. 19, Jun. 2022, doi: 10.25100/iyc.v24i02.11361.
dc.relation.references	[10] C. Augusto and G. Mateus, “Propuesta de una herramienta de análisis del clima a través de predictivas de datos Proposal for a climate analysis tool through predictive data”.
dc.relation.references	[11] C. Matovelle, B. Andreo, and M. Mudarra, “Análisis de la influencia de la altitud en los eventos de máxima precipitación en una cuenca del Pacífico: tendencias y variabilidad,” Información tecnológica, vol. 32, no. 6, pp. 3–12, Dec. 2021, doi: 10.4067/s0718-07642021000600003.
dc.relation.references	[12] “citas estaciones meteorologicas”.
dc.relation.references	[13] P. Lemenkova, “Python libraries matplotlib, seaborn and pandas for visualization geospatial datasets generated by QGIS”, [Online]. Available: https://ssrn.com/abstract=3699706
dc.relation.references	[14] P. K. Manojkumar, A. Patil, S. Shinde, S. Patra, and S. Patil, “AI-Based Virtual Assistant Using Python: A Systematic Review,” Int J Res Appl Sci Eng Technol, vol. 11, no. 3, pp. 814–818, Mar. 2023, doi: 10.22214/ijraset.2023.49519.
dc.relation.references	[15] I. Academia -Red Avanzada -RITA, H. Ardila, J. Camilo, R. Peña, and C. Camilo, “REVISTA TIA Prototipo para la detección de rostros utilizando el lenguaje de programación Python Prototype for face detection using the Python programming language Citar este documento”, [Online]. Available: https://orcid.org/0000-
dc.relation.references	[16] J. A. Obando Bastidas, A. V. Rincón Ramírez, and A. Franco Montenegro, “El Análisis de Datos en Boxplot para Población Reincorporada del Conflicto Armado,” Ciencia Latina Revista Científica Multidisciplinar, vol. 8, no. 1, pp. 6099–6113, Mar. 2024, doi: 10.37811/cl_rcm.v8i1.9954.
dc.relation.references	[17] J. Mccollum, “Python Script for Precipitation Statistics.”
dc.relation.references	[18] N. Kovač, K. Ratković, H. Farahani, and P. Watson, “A practical applications guide to machine learning regression models in psychology with Python,” Methods in Psychology, vol. 11, Dec. 2024, doi: 10.1016/j.metip.2024.100156.
dc.relation.references	[19] M. Ilbay-Yupa, F. Ilbay, R. Zubieta, M. García-Mora, and P. Chasi, “Impacts of climate change on the precipitation and streamflow regimes in equatorial regions: Guayas river basin,” Water (Switzerland), vol. 13, no. 21, Nov. 2021, doi: 10.3390/w13213138.
dc.relation.references	[20] Y. Hernández Víctor, E. A. Maldonado, and O. B. Manrique, “Uso de minería de datos para la desestacionalización de série de datos de precipitación en el municipio de Venezuela Use of data mining for the seasonal adjustment of the series of precipitation data in the municipality of Venezuela,” Revista Cubana de Ciencias Informáticas, vol. 17, no. 2, pp. 21–35, 2023, [Online]. Available: http://rcci.uci.cuhttps://orcid.org/0000-0001-6422-4298
dc.relation.references	[21] J. Senent-Aparicio, A. López-Ballesteros, P. Jimeno-Sáez, and J. Pérez-Sánchez, “Recent precipitation trends in Peninsular Spain and implications for water infrastructure design,” J Hydrol Reg Stud, vol. 45, Feb. 2023, doi: 10.1016/j.ejrh.2022.101308.
dc.relation.references	[22] B. Cabral Júnior and R. Luna Lucena, “[email protected] Universidade Federal do Ceará Brasil ANALYSIS OF PRECIPITATION USING MANN-KENDALL AND KRUSKAL-WALLIS NON-PARAMETRIC TESTS,” 2020, [Online]. Available: https://www.redalyc.org/articulo.oa?
dc.relation.references	[23] M. Basheer and T. Oommen, “PyLandslide: A Python tool for landslide susceptibility mapping and uncertainty analysis,” Environmental Modelling and Software, vol. 177, Jun. 2024, doi: 10.1016/j.envsoft.2024.106055.
dc.relation.references	[24] V. B. S. Silva, V. E. Kousky, W. Shi, and R. W. Higgins, “An improved gridded historical daily precipitation analysis for Brazil,” J Hydrometeorol, vol. 8, no. 4, pp. 847–861, Aug. 2007, doi: 10.1175/JHM598.1.
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.coar	http://purl.org/coar/access_right/c_14cb	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keyword	Ideam	spa
dc.subject.keyword	Statistics	spa
dc.subject.keyword	Machine Learning	spa
dc.subject.keyword	Precipitation	spa
dc.subject.keyword	Python	spa
dc.subject.lemb	Algoritmos - Programación
dc.subject.lemb	Lenguaje para la programación de computadores - Python
dc.subject.lemb	Análisis de Datos - Climatología
dc.subject.lemb	Automatización - Ppideam
dc.subject.lemb	Ingeniería Industrial - Investigaciones
dc.subject.lemb	Tesis y Disertaciones académicas
dc.subject.proposal	Ideam	spa
dc.subject.proposal	Estadística	spa
dc.subject.proposal	Machine Learning	spa
dc.subject.proposal	Precipitación	spa
dc.subject.proposal	Python	spa
dc.title	Ppideam: Herramienta Automatizada para el Análisis y Visualización de Datos de Precipitación	spa
dc.type	bachelor thesis
dc.type.category	Generación de Nuevo Conocimiento: Artículos publicados en revistas especializadas - Electrónicos	spa