Patrones de comportamiento de datos meteorológicos mediante técnicas de data MINING en Huancavelica 2018 – 2019
Descripción del Articulo
Una de las fases del descubrimiento de conocimiento de bases de datos (KDD), comprende las técnicas de Data Mining o minería de datos, en este marco la presente investigación tuvo como objetivo determinar patrones de comportamiento de datos obtenidos mediante éstas técnicas, de las variables meteoro...
| Autor: | |
|---|---|
| Formato: | tesis doctoral |
| Fecha de Publicación: | 2021 |
| Institución: | Universidad Nacional de Huancavelica |
| Repositorio: | UNH-Institucional |
| Lenguaje: | español |
| OAI Identifier: | oai:repositorio.unh.edu.pe:20.500.14597/3988 |
| Enlace del recurso: | https://hdl.handle.net/20.500.14597/3988 |
| Nivel de acceso: | acceso abierto |
| Materia: | Variables meteorológicas Patrones meteorológicos Comportamiento meteorológico Data Mining https://purl.org/pe-repo/ocde/ford#2.07.00 |
| Sumario: | Una de las fases del descubrimiento de conocimiento de bases de datos (KDD), comprende las técnicas de Data Mining o minería de datos, en este marco la presente investigación tuvo como objetivo determinar patrones de comportamiento de datos obtenidos mediante éstas técnicas, de las variables meteorológicas en la ciudad de Huancavelica como son: la temperatura ambiental, presión atmosférica, humedad atmosférica, velocidad del viento, radiación solar, radiación ultra violeta y precipitación pluvial durante el periodo 2018 y 2019, utilizando para ello una estación meteorológica automatizada de la compañía Weather Link, Marca DAVIS, Modelo Vantage Pro y una consola para el almacenamiento de datos Vantage Pro en texto plano y que posteriormente fueron procesados, descritos y analizados usando el software SPSS Statistical y WRPLOT en el caso particular de la variable dirección del viento y para la determinación de comportamientos y patrones se usó la metodología CRISP-DM mediante el Software SPSS Modeler que en la ruta de sus procedimientos, incluye las etapas de esta metodología, los resultados obtenidos fueron clúster de las variables meteorológicas con algoritmos de aprendizaje no supervisado y predicciones de la variable precipitación pluvial con algoritmos de aprendizaje supervisados obteniendo 84,9% de probabilidades de éxito en el pronóstico y en el caso de los clúster grupos de cuatro y diez significativamente diferentes. |
|---|
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
