Especialización en Analítica y Ciencia de Datos · 2026
Modelo de aprendizaje automático para la detección de anomalías en registros de temperatura de sensores meteorológicos in-situ en el Valle de Aburrá
El monitoreo continuo de variables atmosféricas en redes de sensores meteorológicos enfrenta el desafío persistente de registrar datos erróneos o atípicos, derivados de fallas técnicas, interferencias ambientales o degradación de los equipos, lo que compromete la calidad de la información que sustenta la toma de decisiones. En este contexto, se evalúan modelos de aprendizaje automático no supervisado para la detección automática de anomalías en registros de temperatura de sensores in situ en el Valle de Aburrá, empleando los datos de la estación 203 (Universidad Nacional de Colombia) de la red SIATA para el período enero–junio de 2023. Se implementaron y compararon tres enfoques: (1) USAD (Unsupervised Anomaly Detection) con aprendizaje por transferencia de dominio; (2) Anomaly-Transformer con entrenamiento progresivo en dos fases; y (3) ensambles de auto-codificadores recurrentes (RNN, LSTM y GRU). La detección de las anomalías se realiza a partir del error de reconstrucción y el umbral definido mediante el criterio de Youden J sobre el conjunto de validación. Para los datos de prueba, el experimento USAD obtuvo F1 = 0,3015, el Anomaly-Transformer-TL alcanzó F1 = 0,4298 y de los auto-codificadores recurrentes, se tiene que RNN simple posee un F1 =0,5768, GRU alcanzó un F1 = 0,5621 y LSTM obtiene F1 =0,6120. Donde la arquitectura LSTM logra el mejor desempeño global entre los modelos comparados.
Texto completo 33 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Figura 1. Ubicación de las estaciones meteorológicas empleadasp. 11
- normales (azul) y anómalos (rojo)p. 12
- estimados utilizando los datos evaluadosp. 12
- Figura 4. Arquitectura del autoencoder recurrentep. 15
- Audibert et al. (2020)p. 16
- RNN. B) LSTM y C) GRUp. 18
- ajuste finop. 19
- Anomaly-Transformerp. 20
- Figura 9. Curvas de pérdida durante el ajuste fino del modelo Anomaly-Transformerp. 20
- datos de prueba. D) Comparación serie original y reconstruida — Simple RNNp. 22
- datos de prueba. D) Comparación serie original y reconstruida — LSTMp. 23
- datos de prueba. D) Comparación serie original y reconstruida — GRUp. 24
- recurrentes en el conjunto de prueba A) Simple RNN, B) LSTM y C) GRUp. 24
- umbral θ = 0,308279 — USAD — validaciónp. 25
- Figura 15. Error de reconstrucción USADp. 25
- Figura 16. Curva ROC sobre el conjunto de prueba (AUC = 0,5826) — USADp. 26
- Figura 17. Señal reconstruida USAD vs. señal originalp. 26
- Figura 18. Matriz de confusión normalizada USADp. 27
- umbral θ = −0,000121 — Anomaly-Transformerp. 28
- Figura 20. Error de reconstrucción Anomaly-Transformerp. 28
- Anomaly-Transformer. El umbral θ fue definido exclusivamente en validaciónp. 28
- Figura 22. Señal reconstruida Anomaly-Transformer vs. señal originalp. 29
- Figura 23. Matriz de confusión normalizada Anomaly-Transformerp. 29
- conjunto de pruebap. 24