Sistema de recomendación para detectar patrones climáticos utilizando estrategias de machine learning

A medida que la humanidad ha avanzado en la recopilación y análisis de datos climáticos, su uso para la toma de decisiones ha cobrado gran relevancia, especialmente en un contexto donde el cambio climático intensifica fenómenos como inviernos extremos y sequías prolongadas. La prevención y la acción ante estos eventos se han vuelto esenciales para proteger a las comunidades y mitigar los impactos de los desastres naturales. En este sentido, la inteligencia artificial y el machine learning ofrecen herramientas valiosas al identificar patrones climáticos que permiten anticipar eventos extremos y mejorar la preparación para emergencias. El análisis realizado sobre datos climáticos ha revelado patrones estacionales que ayudan a prever fenómenos naturales y a mitigar riesgos en sectores clave como la agricultura y la energía. Además, se observaron correlaciones significativas entre variables como presión atmosférica, humedad y velocidad del viento, que pueden funcionar como indicadores tempranos de condiciones severas. Estos patrones y correlaciones permiten desarrollar modelos predictivos que refuerzan los sistemas de alerta y mejoran la capacidad de respuesta ante situaciones adversas. Finalmente, los modelos empleados, como las regresiones múltiples, han demostrado ser efectivos en la predicción a corto y mediano plazo de fenómenos climáticos específicos. Esto refuerza la idea de que la integración de la ciencia de datos y la inteligencia artificial es un componente crucial para enfrentar los desafíos actuales del cambio climático y tomar decisiones informadas que salvaguarden a la sociedad.

• Autores: Ríos Sánchez, Sebastián
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Corporación Universitaria Remington
• Repositorio: Repositorio institucional Uniremington
• Idioma: spa
• OAI Identifier: oai:repositorio.uniremington.edu.co:123456789/5410
• Acceso en línea: https://repositorio.uniremington.edu.co/handle/123456789/5410
• Palabra clave: Sistemas de recomendación; Clustering; Temperatura; Temperatura de punto de rocío; Precipitación; Humedad relativa; Velocidad del viento; Presión atmosférica; Aprendizaje automático (Inteligencia artificial); Análisis de datos; Cambios climáticos
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)