Ciencia de datos en la predicción del fenómeno climático de la helada, centrado en su intensidad, duración y alternativas de mitigación

Abstract

Las heladas son una de las problemáticas que afectan a los agroproductores y ocasionan grandes pérdidas económicas. En este trabajo se plantea resolver el problema de la predicción de ocurrencia de heladas, y sus características de intensidad y duración, utilizando métodos de Ciencia de Datos. En torno a esto, se exploró y profundizó sobre los conceptos de Ciencia de Datos y su proceso, Inteligencia Artificial (IA), Machine Learning (ML), Deep Learning (DL), computación paralela y, por su puesto, el fenómeno climático de la helada. Para el desarrollo de este trabajo, se utilizaron datos captados por sensores agro meteorológicos dispuestos en dos estaciones meteorológicas ubicadas en la provincia de San Juan entre los años 2013 y 2019. Se utilizó el lenguaje de programación Python, con diferentes bibliotecas, así como también Knime Analytics (KA) -Konstanz Information Miner- una plataforma de minería de datos que permite el desarrollo de modelos en un entorno visual, para la limpieza, procesamiento, modelado y visualización de los datos. La predicción de ocurrencia de heladas, se realizó con la estrategia de ventanas de tiempo, la cual fue abordada por algoritmos de Machine Learning y Deep Learning. Por otro lado, se trabajó en las características de la helada, así como su ocurrencia, mediante agrupación por días de los datos, y su predicción mediante algoritmos de Machine Learning. Los algoritmos de Machine Learning utilizados fueron Random Forest, clasificador y regresor, y regresión logística y lineal con diferentes hiperparámetros. Por otro lado, en cuanto a Deep Learning se utilizaron redes neuronales FeedForward y LSTM (Long Short Term Memory, del inglés Memoria de Corto-Largo Plazo), las cuales fueron comparadas tanto con métricas de predicciones como en tiempos de ejecución, en CPU (Central Processing Unit) y GPU (Graphic Processing Unit). Se lograron buenos resultados prediciendo la ocurrencia de helada, en especial con Random Forest y también mediante la estrategia de ventanas de tiempo con redes neuronales LSTM. También se logró estimar la intensidad y duración de heladas antes de que estas ocurran, en especial en sus categorías más severas. Se compararon los resultados en los tiempos de ejecución trabajando redes neuronales sobre CPU y GPU y se encontró que existe una gran reducción en los tiempos en caso de entrenar las redes neuronales sobre GPU.