Estimación de datos faltantes en estaciones meteorológicas de Venezuela vía un modelo de redes neuronales

En el presente trabajo se propone un método de reconstrucción de series de tiempo de precipitaciones, para ser aplicado a las estaciones meteorológicas de Venezuela con el propósito de corregir el problema de datos faltantes. La metodología se fundamenta en dos técnicas: la primera reconstruye la dinámica y el tiempo de retardo del sistema dinámico de la serie temporal, y la segunda utiliza un modelo de redes neuronales para predecir los datos faltantes. Los modelos de redes neuronales exploran la dependencia espacio temporal de los atributos meteorológicos de las series y constituyen una herramienta importante para la propagación de la información relacionada con el clima, y además proveen soluciones prácticas de incertidumbre asociados con la interpolación y la captura de la estructura espacio temporal de los datos. Para llevar a cabo estos procedimientos, se ha determinado la dimensión de inmersión del atractor de las series y el tiempo de retardo, y luego se han usado estas medidas para definir la arquitectura de la red neuronal. El algoritmo utilizado para estimar los parámetros de la red neuronal ha sido el de retropropagación, que básicamente actualiza los pesos del modelo en la dirección en que el gradiente decrece más rápidamente. Para seleccionar la arquitectura de la red, se ha usado el criterio de información de Bayes (BIC), que consiste en penalizar el error cuadrático medio de los parámetros utilizados en el ajuste del modelo. Los resultados indican que las series de precipitaciones en Venezuela tienen alguna estructura subyacente no lineal, y provienen de un sistema caótico de bajas dimensiones. Los modelos de redes neuronales se han revelado útiles para la reconstrucción de los datos faltantes de las series.The present work proposes a method of reconstruction of precipitation time series, to be applied to the meteorological stations of Venezuela with the purpose of correcting the problem of missing data. The methodology is based in two techniques: the first reconstructs the dynamics and the time of delay of the dynamic system of the temporary series and the second uses a model of neural network to predict the missing data. The model of neural network explores the spatio-temporal dependence of the meteorological attributes and constitutes an important tool for the propagation of the related weather information to provide practical solutions of uncertainties associated with interpolation, capturing the spatiotemporal structure of the data. To carry out these procedures, the embedding dimension of the time series attractor and time delay ar