Análisis comparativo entre un modelo de machine learning y un modelo estadístico para la predicción de Villavicencio

Barrera Meza, Samuel; Urrego Gonzalez, Johan Steven

Análisis comparativo entre un modelo de machine learning y un modelo estadístico para la predicción de Villavicencio

dc.contributor.advisor	Vargas Pineda, Oscar Iván
dc.contributor.author	Barrera Meza, Samuel
dc.contributor.author	Urrego Gonzalez, Johan Steven
dc.contributor.corporatename	Universidad Santo Tomás
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001539970
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	2025-08-19T15:59:30Z
dc.date.available	2025-08-19T15:59:30Z
dc.date.issued	2025-06-11
dc.description	Este artículo presenta el desarrollo de un modelo de aprendizaje automático diseñado para predecir los niveles de precipitación en el municipio de Villavicencio, Meta, Colombia. El objetivo principal fue ofrecer una herramienta útil que apoye la toma de decisiones en sectores clave como la agricultura, la gestión ambiental y la planificación urbana. Para ello, se utilizaron datos históricos recolectados desde 1980 hasta 2023 por el IDEAM, los cuales fueron procesados, limpiados y organizados en series temporales. Se implementaron modelos de aprendizaje supervisado con técnicas modernas de programación en Python, y se usó Google Colab como entorno de desarrollo. Se compararon distintos enfoques de predicción para determinar el más efectivo en términos de precisión y eficiencia. Los resultados mostraron una mejora considerable respecto a modelos tradicionales como ARIMA, especialmente en la detección de patrones estacionales. Además, se desarrolló un manual de implementación para facilitar su adopción por organizaciones públicas y privadas interesadas en prever el comportamiento del clima a nivel local.
dc.description.abstract	This article presents the development of a machine learning model designed to predict rainfall levels in the municipality of Villavicencio, Meta, Colombia. The main objective was to offer a practical tool to support decision-making in key sectors such as agriculture, environmental management, and urban planning. Historical data collected from 1980 to 2023 by IDEAM were processed, cleaned, and structured into time series. Supervised learning models were implemented using modern programming techniques in Python, with Google Colab as the development environment. Several forecasting approaches were compared to determine the most effective in terms of accuracy and efficiency. Results showed a significant improvement over traditional models such as ARIMA, especially in identifying seasonal patterns. Additionally, an implementation manual was developed to support adoption by public and private organizations interested in local climate forecasting.
dc.description.domain	http://www.ustavillavicencio.edu.co/home/index.php/unidades/extension-y-proyeccion/investigacion
dc.format.mimetype	application/pdf
dc.identifier.citation	Barrera & Urrego. (2025) Análisis Comparativo entre un Modelo de Machine Learning y un Modelo Estadístico para la Predicción de Villavicencio. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional
dc.identifier.uri	http://hdl.handle.net/11634/69092
dc.publisher.branch	CRAI-USTA Villavicencio
dc.relation.references	R. W. Divisekara, G. J. M. S. R. Jayasinghe, and K. W. S. N. Kumari, "Pronóstico del precio de mercado de las lentejas rojas mediante modelos SARIMA," SN Business & Economics, vol. 1, no. 1, p. 20, 2020. https://www.academia.edu/download/80390603/s43546-020- 00020-x.pdf.
dc.relation.references	X. Chen and H. Ishwaran, "Bosques aleatorios para el análisis de datos genómicos," Genomics, vol. 99, no. 6, pp. 323-329, 2012. https://www.sciencedirect.com/science/article/pii/S0888754312000626.
dc.relation.references	"Aplicación de redes neuronales para la reconstrucción de series de tiempo de precipitación y temperatura utilizando información satelital," https://www.redalyc.org/journal/1492/149264860008/html.
dc.relation.references	Instituto de Hidrología, Meteorología y Estudios Ambientales de Colombia (IDEAM), "Análisis climático y proyecciones de variabilidad en Colombia," https://www.ideam.gov.co/.
dc.relation.references	L. García-Rodríguez and M. García-Rodríguez, Modelos predictivos en meteorología y su aplicación en la ingeniería ambiental, Editorial Universitaria, 2020. https://www.researchgate.net/publication/377856446_Machine_Learning_para_la_predic cion_de_cambios_climaticos_en_el_medio_ambiente_Revision.
dc.relation.references	F. M. Lang et al., "Role of Artificial Intelligence and Machine Learning to Create Predictors, Enhance Molecular Understanding, and Implement Purposeful Programs for Myocardial Recovery," Methodist DeBakey Cardiovascular Journal, vol. 20, no. 4, pp. 76–87, 2024. https://research-ebsco-com.crai ustadigital.usantotomas.edu.co/linkprocessor/plink?id=968fc8c5-0c45-38b9-b151- 615ec7c099b0.
dc.relation.references	Y. Wang, S. Ma, J. Gao, J. Zhong, T. Gao, S. Yang, L. Zhang, and Q. Li, "A novel atomic mobility model for alloys under pressure and its application in high pressure heat treatment Al-Si alloys by integrating CALPHAD and machine learning," https://www.sciencedirect.com/science/article/pii/S1005030224008429.
dc.relation.references	K. G., Y. Sushmitha, K. L. Saranya, P. Naga Ramya Sri, and P. Amulya, "Rainfall Prediction Using Deep Learning and Machine Learning Techniques," in 2023 International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI), Chennai, India, 2023, pp. 1-7, doi: 10.1109/ACCAI58221.2023.10199905. https://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=10199905&isnumber=101991 75.
dc.relation.references	W. He, S. Kong, R. Lin, Y. Xie, S. Zheng, Z. Yin, X. Huang, L. Su, and X. Zhang, "Machine Learning Assists in the Design and Application of Microneedles," Biomimetics, vol. 9, no. 8, p. 469, 2024. https://doi-org.crai ustadigital.usantotomas.edu.co/10.3390/biomimetics9080469
dc.relation.references	Y. Harbi, K. Medani, C. Gherbi, Z. Aliouat, and S. Harous, "Roadmap of Adversarial Machine Learning in Internet of Things-Enabled Security Systems," Sensors, vol. 24, no. 16, p. 5150, 2024. https://doi-org.crai-ustadigital.usantotomas.edu.co/10.3390/s24165150.
dc.relation.references	L. J. Paas, "Marketing analytics stages: Demystifying and deploying machine learning," International Journal of Market Research, vol. 65, no. 6, pp. 687–707, 2023. https://doi org.crai-ustadigital.usantotomas.edu.co/10.1177/14707853231191726
dc.relation.references	M. V. Bourganou et al., "Assessment of Published Papers on the Use of Machine Learning in Diagnosis and Treatment of Mastitis," Information, vol. 15, no. 8, p. 428, 2024. https://doi org.crai-ustadigital.usantotomas.edu.co/10.3390/info15080428
dc.relation.references	M. Soltaninejad, R. Aghazadeh, S. Shaghaghi, and M. Zarei, "Using Machine Learning Techniques to Forecast Mehram Company’s Sales: A Case Study," Journal of Business & Management Studies, vol. 6, no. 2, pp. 42–53, 2024. https://doi-org.crai ustadigital.usantotomas.edu.co/10.32996/jbms.2024.6.2.4
dc.relation.references	A. R. Reyes Santiago and J. G. Maíz Jiménez, "Machine learning portfolios for US stock prices: Directional forecasting before and during the COVID-19 pandemic," Contaduría y Administración, vol. 69, no. 4, pp. 254–277, 2024.
dc.relation.references	A. D. Jiménez Alfaro and J. V. Díaz Ospina, "Revisión sistemática de literatura: Técnicas de aprendizaje automático (machine learning)," Cuaderno Activa, vol. 13, pp. 113–121, 2021.
dc.relation.references	Y. P. Correa Torres and J. D. Bohórquez Robayo, "Modelo de predicción espacial regionalizado para temperatura y precipitación mediante regresiones lineales múltiples," https://repositorio.escuelaing.edu.co/handle/001/1631.
dc.relation.references	B. Fernández-Baldeón, D. Quino-Pulache, and B. Meneses-Claudio, "Machine Learning para la predicción de cambios climáticos en el medio ambiente: Revisión," Salud, Ciencia y Tecnología - Serie de Conferencias, vol. 2, p. 465, 2023. https://doi.org/10.56294/sctconf2023465.
dc.relation.references	D. G. Garcés Mesa, "Modelo predictivo para identificar zonas potenciales de deslizamientos influenciados por precipitación en la ciudad de Medellín," https://repository.eia.edu.co/items/7e370434-8195-45db-ae8f-5b451bb996f7.
dc.relation.references	W. M. Herrera, O. F. B. Leiva, and M. E. R. Romero, "Aplicación de redes neuronales para la reconstrucción de series de tiempo de precipitación y temperatura utilizando información satelital," Revista EIA, vol. 17, no. 34, pp. 1-16, 2020.
dc.relation.references	R. Marín Cubas, "Utilización de modelos univariantes ARIMA y la predicción de datos de precipitación en la microcuenca Amojú, Jaén, Cajamarca 2021," https://repositorio.ucv.edu.pe/handle/20.500.12692/75474.
dc.relation.references	C. E. M. Martínez, D. A. M. Márquez, and D. D. R. Forero, "Revista AZIMUT. Revista de Topografía AZIMUT," vol. 10, no. 1, Article 1, 2019. https://revistas.udistrital.edu.co/index.php/azimut/article/view/14973.
dc.relation.references	K. Y. Rayo Bermúdez, "Análisis de precipitaciones con modelos predictivos a partir de la interrelación de series de tiempo y geoestadística para el Departamento de Cundinamarca," https://repository.udistrital.edu.co/handle/11349/30942.
dc.relation.references	J. Tamayo Carmona and J. Á. Núñez Mora, "Precipitaciones intensas en la Comunidad Valenciana: Análisis, sistemas de predicción y perspectivas ante el cambio climático," in Riesgo de inundación en España: análisis y soluciones para la generación de territorios resilientes, ISBN 978-84-1302-091-4, 2020, pp. 49-62. https://dialnet.unirioja.es/servlet/articulo?codigo=7578907.
dc.relation.references	J. D. C. Zambrano and J. E. S. Ríos, "Automatización de un prototipo para la captación y predicción de las precipitaciones, para una vivienda urbana unifamiliar en la ciudad de Bogotá," Encuentro Internacional de Educación en Ingeniería, https://doi.org/10.26507/ponencia.1728.
dc.relation.references	"Estado del clima," Organización Meteorológica Mundial, 2024. https://wmo.int/es/site/frontline of-climate-action/state-of-climate.
dc.relation.references	R. Marín Cubas, "Utilización de modelos univariantes ARIMA y la predicción de datos de precipitación en la microcuenca Amojú, Jaén, Cajamarca 2021," Universidad César Vallejo, 2021.
dc.relation.references	K. Rayo, "Análisis de precipitaciones con modelos predictivos a partir de la interrelación de series de tiempo y geoestadística para el Departamento de Cundinamarca," https://stg.bibliotecadigitaldebogota.gov.co/resources/3643564/.
dc.relation.references	Landa, R., Magaña, V., & Neri, C. (2008). Agua y clima: elementos para la adaptación al cambio climático. Secretaría de Medio Ambiente y Recursos Naturales (SEMARNAT) y Centro de Ciencias de la Atmósfera, Universidad Nacional Autónoma de México (UNAM). https://www.atmosfera.unam.mx/wp-content/uploads/2017/12/agua-y-clima.pdf
dc.relation.references	"A Comparison Between SARIMA Models and Feed-Forward Neural Networks," SciSpace. [Online]. Available: https://scispace.com/papers/a-comparison-between-sarima-models and-feed-forward-neural-awaecjxe7
dc.relation.references	"A Comparative Study of ARIMA and SARIMA Models to Forecast," SciSpace. https://scispace.com/papers/a-comparative-study-of-arima-and-sarima-models-to forecast-1ncpqa01
dc.relation.references	"A Comparative of a New Hybrid Based on Neural Networks and SARIMA," SciSpace. https://scispace.com/papers/a-comparative-of-a-new-hybrid-based-on-neural-networks and-4456ymuouk.
dc.relation.references	"Urban Electricity Consumption Forecasting Based on SARIMA," https://scispace.com/papers/urban-electricity-consumption-forecasting-based-on-sarima 389n57nbks.
dc.relation.references	"A Random Forest Model to Estimating Precipitation Return," SciSpace. https://scispace.com/papers/a-random-forest-model-to-estimating-precipitation-return 6neepomlc6w8.
dc.relation.references	"Performance Evaluation of Machine Learning-Based Regression," SciSpace. https://scispace.com/papers/performance-evaluation-of-machine-learning-based regression-4tm5bm2bgv.
dc.relation.references	"A Posteriori Random Forests for Stochastic Downscaling of," SciSpace. https://scispace.com/papers/a-posteriori-random-forests-for-stochastic-downscaling-of 2bah3jbt
dc.relation.references	"Random Forest Algorithm for Prediction of Precipitation," SciSpace. https://scispace.com/papers/random-forest-algorithm-for-prediction-of-precipitation 5ggosavlv4
dc.rights	Attribution-NonCommercial-NoDerivs 2.5 Colombia	en
dc.rights.coar	http://purl.org/coar/access_right/c_14cb
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keyword	Machine learning
dc.subject.keyword	Predictive models
dc.subject.keyword	Rainfall
dc.subject.keyword	Time series
dc.subject.keyword	Villavicencio
dc.subject.keyword	Python
dc.subject.lemb	Algoritmos - Programación
dc.subject.lemb	Ingeniería - Modelo predictivo
dc.subject.lemb	Climatología - Precipitaciones
dc.subject.lemb	Gestión ambiental - Proceso automatizado
dc.subject.lemb	Ingeniería Industrial - Investigaciones
dc.subject.lemb	Tesis y Disertaciones académicas
dc.subject.proposal	Aprendizaje automático
dc.subject.proposal	Modelos predictivos
dc.subject.proposal	Precipitación
dc.subject.proposal	Series temporales
dc.subject.proposal	Villavicencio
dc.subject.proposal	Python
dc.title	Análisis comparativo entre un modelo de machine learning y un modelo estadístico para la predicción de Villavicencio
dc.type	bachelor thesis
dc.type.category	Generación de Nuevo Conocimiento: Artículos publicados en revistas especializadas - Electrónicos