Modelo de aprendizaje profundo para la detección automática de anomalías con los registros históricos de precipitación en la estación Huancané desde diciembre de 1963 hasta abril del 2018

Abstract

La estación Huancané suministra datos pluviométricos de la cantidad de lluvia, se tomaron datos a las 7:00 A.M. estos datos nos dan información de probables inundaciones y mediante el aprendizaje profundo se pretende encontrar alguna anomalía. Este trabajo tiene como objetivo general elaborar un modelo de aprendizaje profundo que nos permita la detección automática de anomalías con los registros históricos de precipitación en la estación Huancané desde Diciembre de 1963 hasta Abril del 2018. Se empleo una metodología cuantitativa, predictiva, no experimental, de corte transversal. La muestra es igual a la población un total de 19740 registros diarios. Los datos se obtuvieron a través de la plataforma de recursos hídricos Snirh, dividiéndose el conjunto de datos en 15000 registros para entrenamiento y 4740 para validación. Los resultados obtenidos son el promedio aritmético de precipitación es de 0,686 (mm), la desviación estándar de 2,553 (mm), el mínimo valor es 0 (mm), un máximo valor de 49.8 (mm). Se concluye que aplicando el aprendizaje profundo mediante Variational Auto Encoder entrenado para la detección automática de anomalías al conjunto de validación que tiene 4740 registros que equivale al 24,01 % de todos los datos utilizando el umbral de reconstrucción 22.85685119. se encontró una anomalía en los datos de validación de 49,8 (mm), este valor genera una alerta de lluvias extremas e inundaciones al ser superior en el umbral de reconstrucción. Considerando que datos no anómalos son el 99,98 % y datos anómalos un 0,02 %.