Ingeniería Civil · 2025

Optimización De Modelos Basados En Árboles De Decisión Para La Interpolación De Precipitación : Comparación Con Métodos Tradicionales Y Exploración De Aprendizaje Por Transferencia. Trabajo de grado

RESUMEN : La predicción y la interpolación de datos hidrológicos son aspectos cruciales para una gestión eficiente de los recursos hídricos, especialmente en un contexto de cambio climático y creciente variabilidad en los patrones de precipitación. Este trabajo presenta un análisis detallado de la optimización de modelos basados en árboles de decisión, específicamente Random Forest, en la interpolación de datos de precipitación, comparándolos con métodos tradicionales como la Interpolación Inversa Ponderada por Distancia (IDW) y Spline. Aunque estos enfoques convencionales han demostrado ser útiles, presentan limitaciones significativas en la captura de eventos extremos y en escenarios con alta variabilidad climática. A lo largo de esta investigación, se exploraron técnicas avanzadas de machine learning y optimización para mejorar la precisión de los modelos predictivos. Además, se evaluó el potencial del aprendizaje por transferencia como una herramienta complementaria para refinar la interpolación en contextos con datos limitados. Mediante un riguroso proceso de validación y análisis comparativo, se observó que los enfoques optimizados, como Random Forest con ajustes específicos, superan a los métodos tradicionales, particularmente en la predicción de eventos extremos y en la gestión de datos faltantes. Los resultados obtenidos no solo revelan mejoras en la precisión de las predicciones, sino que también destacan la importancia de implementar modelos adaptativos y robustos para la gestión hídrica en condiciones de incertidumbre. Este estudio proporciona una base sólida para futuras investigaciones en la optimización y transferencia de modelos en el campo de la hidrología.

Tesauro de su biblioteca