Revista Ciencias Técnicas Agropecuarias Vol. 35, January-December 2026, ISSN: 2071-0054
Código QR
Cu-ID: https://cu-id.com/2177/v35e11
Original article

Data driven and expert knowledge approach for climate zoning

 

iDAriamna Crespo Lara*✉:ariamnacrespo@gmail.com

iDYankier González Crespo

iDJulio C. Quintana Zaez

iDOscar Brown Manrique


Universidad de Ciego de Ávila “Máximo Gómez Báez”, Ciego de Ávila, Cuba. E-mail: Yankier2008@gmail.com, cjquintanazaez@gmail.com, obrown@unica.cu

 

*Corresponding author: Ariamna Crespo Lara, e-mail: ariamnacrespo@gmail.com

Abstract

Increasing climate variability demands robust methodologies to characterize rainfall regimes, a critical factor for food security and water management. In Cuba, the application of advanced data mining techniques for this purpose remains an underexplored area. This study proposes a novel framework for clustering precipitation time series by combining automated feature extraction (tsfresh) with expert-defined hydroclimatic indicators, followed by the application of the Hierarchical Clustering Algorithm (HCA). The methodology, validated with data from 17 stations in Ciego de Ávila (1960-2013), identified six homogeneous rainfall regimes with significantly different seasonal patterns and extreme event intensities. This contribution enables precise climate zoning, surpassing traditional statistical approaches. The projection of this work is direct for the agricultural context, as it facilitates the development of differentiated cultivation strategies, optimized planting calendars, and improved climate risk management, thereby increasing the resilience of the Cuban agricultural sector.

Keywords: 
agriculture, hierarchical clustering, time series, unsupervised learning

Received: 19/11/2025; Accepted: 02/4/2026

Conflicts of interest: The authors declare that there are no conflicts of interest.

Author contributions: Conceptualization: Ariamna Crespo Lara, Yankier González Crespo. Data curation: Ariamna Crespo Lara, Yankier González Crespo, Julio C. Quintana Zaez. Investigation: Ariamna Crespo Lara, Yankier González Crespo. Methodology: Ariamna Crespo Lara, Yankier González Crespo, Oscar Brown Manrique. Supervision: Julio C. Quintana Zaez, Oscar Brown Manrique. Validation: Julio C. Quintana Zaez, Oscar Brown Manrique. Writing - original draft: Ariamna Crespo Lara, Yankier González Crespo. Writing - review & editing: Ariamna Crespo Lara, Yankier González Crespo, Julio C. Quintana Zaez, Oscar Brown Manrique.

The mention of trademarks of specific equipment, instruments or materials is for identification purposes, there being no promotional commitment in relation to them, neither by the authors nor by the publisher.

CONTENT

Introduction

 ⌅

The proliferation of hydrometeorological data, driven by advances in sensor and telemetry technologies, has established time series analysis as an indispensable tool in water resource management and climate studies (Bonaccorso y Peres, 2022BONACCORSO, B.; PERES, D.J.: "Analysis of Extreme Hydrometeorological Events", Resources, 11(6): 55, 2022, ISSN: 2079-9276, DOI: https://doi.org/10.3390/resources11060055 ; Loukas et al., 2021LOUKAS, A.; GARROTE, L.; VASILIADES, L.: "Hydrological and Hydro-Meteorological Extremes and Related Risk and Uncertainty", Water, 13(3): 377, 2021, ISSN: 0043-1397, DOI: https://doi.org/10.3390/w13030377 ). Among these, precipitation time series represent a critical component of the hydrological cycle, whose accurate characterization is essential for understanding extreme events, agricultural planning, and assessing the impacts of climate change (F. Zhang et al., 2021ZHANG, F.; BIEDERMAN, J.A.; DANNENBERG, M.P.; YAN, D.; REED, S.C.; SMITH, W.K.: "Five Decades of Observed Daily Precipitation Reveal Longer and More Variable Drought Events Across Much of the Western United States", Geophysical Research Letters, 48(7): e2020GL092293, 2021, ISSN: 1944-8007, DOI: https://doi.org/10.1029/2020GL092293 ). In this context, time series clustering emerges as a powerful data mining technique for discovering spatiotemporal patterns, identifying homogeneous regions, and understanding the underlying structure of large volumes of precipitation data without the need for prior labels, thereby facilitating robust exploratory analysis (Duan et al., 2024DUAN, H.; LI, Q.; HE, L.; ZHANG, J.; AN, H.; ALI, R.; VAZIFEDOUST, M.: "Climate Classification for Major Cities in China Using Cluster Analysis", Atmosphere, 15(7): 741, 2024, ISSN: 2073-4433, DOI: https://doi.org/10.3390/atmos15070741 ; Singh et al., 2025SINGH, J.; SINGH, V.; OJHA, C.S.P.: "A Cluster‐Based Data Assimilation Approach to Generate New Daily Gridded Time Series Precipitation Data in the Himalayan River Basins", Water Resources Research, 61(1): e2024WR037324, 2025, ISSN: 2165-4824, DOI: https://doi.org/10.1029/2024WR037324 ).

The international scientific community has developed multiple approaches for time series clustering, which can be categorized into three main groups: methods based on temporal proximity that use measures like Dynamic Time Warping (DTW) to capture similarities in the shape of the series (Fransiska et al., 2024FRANSISKA, H.; AGUSTINA, D.; SETYORINI, D.; SUMARTAJAYA, I.M.; KURNIA, A.: "Time Series Clustering Analysis Using Dynamic Time Warping Technique of Daily Rainfall in Bengkulu Province", IOP Conference Series: Earth and Environmental Science, 1359(1): 012026, 2024, ISSN: 1755-1315, DOI: https://doi.org/10.1088/1755-1315/1359/1/012026 ; Lee et al., 2025LEE, S.; DANANDEH MEHR, A.; MORIASI, D.; MIRCHI, A.: "Large‐Scale Drought Forecasting in the U.S. Southern Plains Through a Hybrid Cluster‐Based Wavelet‐Machine Learning Approach", Water Resources Research, 61(11): e2024WR039744, 2025, ISSN: 0043-1397, DOI: https://doi.org/10.1029/2024WR039744 ); model-based methods that employ parameters from autoregressive or Hidden Markov Models Hernández et al. (2022)HERNÁNDEZ, C.A.; MARTÍNEZ, F.H.; GIRAL, D.A.: "Evaluación del desempeño de modelos de decisión espectral predictivos", Información tecnológica, 33(3): 149-158, 2022, ISSN: 0718-0764, DOI: http://dx.doi.org/10.4067/S0718-07642022000300149 ; Ghassempour et al. (2014)GHASSEMPOUR, S.; GIROSI, F.; MAEDER, A.: "Clustering Multivariate Time Series Using Hidden Markov Models", International Journal of Environmental Research and Public Health, 11(3): 2741-2763, 2014, ISSN: 1660-4601, DOI: https://doi.org/10.3390/ijerph110302741 ; and feature-based methods that transform the series into vectors of precomputed features (Arulraj et al., 2023ARULRAJ, M.; PETKOVIC, V.; FERRARO, R.R.; MENG, H.: "Precipitation Vertical Structure Characterization: A Feature-Based Approach", Journal of Hydrometeorology, 24(12): 2281-2297, 2023, ISSN: 1573-1650, DOI: https://doi.org/10.1175/JHM-D-23-0034.1 ; Tiano et al., 2021TIANO, D.; BONIFATI, A.; NG, R.: "Feature-driven Time Series Clustering", OpenProceedings.org, 2021, ISSN: 2367-2005, DOI: https://doi.org/10.5441/002/EDBT.2021.33 ). More recently, advanced techniques have emerged that incorporate deep learning architectures, such as autoencoders and recurrent neural networks, which enable learning non-linear representations of time series (Paparrizos et al., 2024PAPARRIZOS, J.; YANG, F.; LI, H.: "Bridging the Gap: A Decade Review of Time-Series Clustering Methods", arXiv:2412.20582, 2024, ISSN: 2331-8422, DOI: https://doi.org/10.48550/arXiv.2412.20582 ). In parallel, specialized computational tools like tslearn have been developed to facilitate the implementation and comparison of these algorithms (Tavenard et al., 2020TAVENARD, R.; FAOUZI, J.; VANDEWIELE, G.; DIVO, F.; ANDROZ, G.; HOLTZ, C.; PAYNE, M.; YURCHAK, R.; RUßWURM, M.; KOLAR, K.; WOODS, E.: "Tslearn, A Machine Learning Toolkit for Time Series Data", Journal of Machine Learning Research, 21: 1-6, 2020, ISSN: 1533-7928).

In the specific domain of precipitation, clustering has demonstrated its utility in diverse applications. Studies have successfully employed techniques such as k-Shape for spatiotemporal mobility analysis Paparrizos & Gravano (2017)PAPARRIZOS, J.; GRAVANO, L.: "Fast and Accurate Time-Series Clustering", ACM Transactions on Database Systems, 42(2): 1-49, 2017, ISSN: 0362-5915, DOI: https://doi.org/10.1145/3044711 , hierarchical clustering with correlation measures for regional frequency analysis Zaifoglu et al. (2018)ZAIFOGLU, H.; AKINTUG, B.; YANMAZ, A.M.: "Regional Frequency Analysis of Precipitation Using Time Series Clustering Approaches", Journal of Hydrologic Engineering, 23(6): 05018007, 2018, ISSN: 1084-0699, DOI: https://doi.org/10.1061/(ASCE)HE.1943-5584.0001659 , and feature-based methods for identifying rainfall pattern hietographs (Zhang et al., 2024ZHANG, Z.; LI, D.; ZHANG, Z.; DUFFIELD, N.: "Mining Spatiotemporal Mobility Patterns Using Improved Deep Time Series Clustering", ISPRS International Journal of Geo-Information, 13(11): 374, 2024, ISSN: 2220-9964, DOI: https://doi.org/10.3390/ijgi13110374 ). In particular, research in Indonesia has used ensemble distance for rainfall data clustering, while in India, combined approaches of hierarchical clustering and wavelet transform have been applied to analyze seasonal precipitation trends (Hendrawati et al., 2024HENDRAWATI, T.; WIGENA, A.H.; SUMERTAJAYA, I.M.; SARTONO, B.; PRAVITASARI, A.A.; ASNAWI, M.H.: "The ensemble distance on model-based clustering for regions clustering based on rainfall: The case of rainfall in West Java Indonesia", International Journal of Data and Network Science, 8(2): 1187-1196, 2024, ISSN: 2561-8148, DOI: https://doi.org/10.5267/j.ijdns.2023.11.015 ). Those international research highlight the potential of these techniques for regional hydroclimatic analysis.

However, in the national context, specifically in Cuba, the application of these modern clustering methodologies to precipitation time series represents a largely unexplored research niche. Existing studies have predominantly focused on traditional statistical analyses or conventional climatic approaches, with limited implementation of advanced data mining and machine learning techniques for the spatiotemporal characterization of rainfall regimes (Garcia Moya et al., 2024GARCIA-MOYA, A.; ALONSO-HERNÁNDEZ, C.M.; SÁNCHEZ-MURILLO, R.; MORERA-GÓMEZ, Y.; SÁNCHEZ-LLULL, M.; DÍAZ RIZO, O.; CUESTA SANTOS, O.; LÓPEZ LEE, R.; BRÍGIDO FLORES, O.; RAMOS VILTRE, E.O.; ORTEGA, L.: "Spatiotemporal characterization of the isotopic composition of meteoric waters in Cuba", Scientific Data, 11(1): 1398, 2024, ISSN: 2542-2987, DOI: https://doi.org/10.1038/s41597-024-04178-z ). This methodological gap represents a significant opportunity to develop research that adapts and optimizes these algorithms to the particularities of the Cuban climate, characterized by its temporal and spatial variability and the influence of complex meteorological systems.

To bridge this methodological gap and leverage the identified opportunities, this article proposes a clustering framework for precipitation time series based on the extraction of precomputed features and the application of the Hierarchical Clustering Algorithm (HCA). This methodology combines the computational efficiency of HCA with the informational richness of a set of features designed to capture key aspects of the rainfall regime, such as its intensity, variability, seasonality, and extreme behavior. The main objective is to develop an accessible and scalable methodology that enables the identification of climatically homogeneous regions in Cuba with high precision, thereby contributing to the improvement of prediction models, drought and flood risk management, and water resource planning in a context of climate change. The proposal is validated using long-term precipitation data, demonstrating its effectiveness in the coherent grouping of stations and its utility as a tool for regional hydroclimatic analysis.

Materials and Methods

 ⌅

This section outlines the methodology employed in the paper, detailing the research design and its practical implementation. The selection of specific methods and techniques is justified to ensure the study can be replicated by other researchers.

Context and dataset

 ⌅

Precipitation data from the experimental stations in Ciego de Ávila were obtained from CITMA upon request by the Head of the Water Resources Scientific Group at the University of Ciego de Ávila. The dataset covers the period from 1960 to 2013 and was compiled through specialist surveys. The database is provided in an Excel file and includes records from 107 experimental stations distributed across the province. For each station, the data are organized by daily precipitation, month, year, station ID_Code, and municipality. Precipitation values are expressed in millimeters (mm).

As tools the Python Pandas library was used to read and process the data, offering a range of methods that enable efficient data extraction through streamlined code. During the data loading process several experimental stations were discarded due to significant data recording errors, resulting in a final set of 17 stations with valid data for the study. The information for all station staked into account can be requested in the supplementary materials.

Methodology

 ⌅

The methodology applied in this work consisted of five stages that formed the workflow of the proposed process for clustering time series data using HCA (Figure 1). These stages were as follows: data loading and normalization, feature generation, data analysis, algorithm tuning, metric evaluation, and cluster description:

Figure 1.  Pipeline of process for clustering time series

  • Load data - normalization: Following rigorous data curation that excluded stations with extensive missing data, metadata flaws, or low reliability scores, the refined dataset underwent MinMaxScaler normalization to ensure equitable feature contribution for clustering.

  • Features generation: Feature engineering was conducted through a hybrid approach combining computational and domain expertise. Using tsfresh (Christ et al., 2018CHRIST, M.; BRAUN, N.; NEUFFER, J.; KEMPA-LIEHR, A.W.: "Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh - A Python package)", Neurocomputing, 307: 72-77, 2018, ISSN: 1872-8286, DOI: https://doi.org/10.1016/j.neucom.2018.03.067 ), sliding window segmentation was applied to extract temporal patterns, while statistical features (mean, variance, trends) were computed from each window. These data-driven features were enriched with expert-defined hydrological indicators, creating a multidimensional feature set that captures both algorithmic patterns and physical significance for subsequent clustering analysis.

  • Data analysis: A correlation analysis identified key hydrological drivers and potential multicollinearity, establishing the foundational interpretability framework for subsequent cluster characterization.

  • Algorithm fitting: Hierarchical clustering with Ward's linkage was selected to model the station relationships. This algorithm excels at generating a clear dendrogram structure that visually represents the nested hierarchy of stations. Ward's method minimizes within-cluster variance, producing compact, spherical clusters that offer superior explanatory value by directly illustrating the aggregation logic and relative similarities between stations at different hierarchical levels.

  • Metrics evaluation: Cluster quality was assessed through a triple-metric framework: Silhouette Score (measuring cohesion and separation), Calinski-Harabasz Index (evaluating between-cluster dispersion), and Davies-Bouldin Index (quantifying cluster distinctness). This multi-faceted validation approach provides complementary perspectives on partition optimality, ensuring the selected solution demonstrates both mathematical robustness and hydrological relevance beyond what any single metric could confirm.

  • Clusters description: The final cluster characterization employs a comprehensive five-pillar analytical framework: inferential statistical testing to identify significant inter-cluster differences, vulnerability assessment to evaluate climate risk exposure, temporal trend analysis to uncover precipitation patterns, regional mapping to contextualize spatial distributions, and expert validation to ground algorithmic findings in domain knowledge. This multidimensional interpretation transforms abstract clusters into actionable hydrological typologies.

Algorithm

 ⌅

This study combined feature engineering with Ward's linkage to form compact and interpretable clusters, mitigating dimensional complexity and revealing distinct dynamic regimes through a multiresolution visualization of the data:

  • Hierarchical Clustering: uncovers latent structures within high-dimensional time series data, leveraging its inherent adaptability to this complex domain. The methodological framework strategically combines feature engineering with Ward's linkage to address key challenges. By transforming raw series into a curated set of salient features (using tsfresh and feature engineering), the algorithm mitigates the high-dimensionality problem and enhances computational efficiency.

  • Ward's Linkage Method: minimizes intra-cluster variance to form compact, spherical clusters that facilitate interpretation (Duan et al., 2024DUAN, H.; LI, Q.; HE, L.; ZHANG, J.; AN, H.; ALI, R.; VAZIFEDOUST, M.: "Climate Classification for Major Cities in China Using Cluster Analysis", Atmosphere, 15(7): 741, 2024, ISSN: 2073-4433, DOI: https://doi.org/10.3390/atmos15070741 ; Radovanovic et al., 2020RADOVANOVIC, A.; LI, J.; MILANOVIC, J.V.; MILOSAVLJEVIC, N.; STORCHI, R.: "Application of Agglomerative Hierarchical Clustering for Clustering of Time Series Data", 2020, IEEE PES Innovative Smart Grid Technologies Europe (ISGT-Europe): 640-644, 2020, ISSN: 2165-4824, DOI: https://doi.org/10.1109/ISGT-Europe47291.2020.9248759 ; Rodrigues et al., 2006RODRIGUES, P.P.; GAMA, J.; PEDROSO, J.P.: "ODAC: Hierarchical Clustering of Time Series Data Streams", Proceedings of the 2006 SIAM International Conference on Data Mining: 499-503, 2006, ISBN: 978-0-89871-611-5, DOI: https://doi.org/10.1137/1.9781611972764.48 ). This approach replaces the need for direct similarity measures on raw data, such as DTW, with a robust distance metric in the domain of engineered features.

  • Resulting Dendrogram: provides a multiresolution visualization of the data hierarchy, revealing both broad patterns and detailed anomalies. Consequently, this workflow facilitates the discovery of meaningful clusters corresponding to distinct dynamic regimes within the temporal data, balancing analytical rigor with the extraction of actionable insights.

Internal validity metrics

 ⌅

The clustering solution was quantitatively evaluated using a triad of internal validation metrics: the Silhouette Coefficient, the Calinski-Harabasz Index, and the Davies-Bouldin Index:

  • Silhouette Coefficient: evaluates how well each object lies within its cluster by measuring cohesion and separation, with values close to 1 indicating a superior model.

  • Calinski-Harabasz Index: also known as the Variance Ratio Criterion, evaluates cluster quality by comparing the ratio between inter-cluster dispersion and intra-cluster dispersion, where a higher score signifies better-defined clusters (Shahapure y Nicholas, 2020SHAHAPURE, K.R.; NICHOLAS, C.: "Cluster Quality Analysis Using Silhouette Score", 2020 IEEE 7th International Conference on Data Science and Advanced Analytics (DSAA): 747-748, 2020, ISSN: 2472-1573, DOI: https://doi.org/10.1109/DSAA49011.2020.00096 ; Wang y Xu, 2019WANG, X.; XU, Y.: "An improved index for clustering validation based on Silhouette index and Calinski-Harabasz index", IOP Conference Series: Materials Science and Engineering, 569(5): 052024, 2019, ISSN: 1873-0191, DOI: https://doi.org/10.1088/1757-899X/569/5/052024 ).

  • Davies-Bouldin Index: quantifies the average similarity between each cluster and its most similar cluster, where an optimal solution achieves the lowest possible value, indicating maximum distinctness among clusters (Ashari et al., 2022ASHARI, I.F.; BANJARNAHOR, R.; FARIDA, D.R.; AISYAH, S.P.; DEWI, A.P.; HUMAYA, N.: "Application of Data Mining with the K-Means Clustering Method and Davies Bouldin Index for Grouping IMDB Movies", Journal of Applied Informatics and Computing, 6(1): 07-15, 2022, ISSN: 2548-6861, DOI: https://doi.org/10.30871/jaic.v6i1.3485 ).

Together, this multifaceted validation framework provides a robust and non-redundant assessment of partition quality, ensuring that the results are both statistically sound and structurally meaningful.

Results and Discussion

 ⌅

The application of the proposed methodology yielded significant insights into the precipitation regimes of Ciego de Ávila. The initial phase involved a comprehensive analysis of the generated features to understand their relationships and relevance. Subsequently, the Hierarchical Clustering Algorithm was fitted, identifying the optimal partition of the data. Finally, the resulting clusters were rigorously interpreted and discussed by integrating the quantitative findings with expert domain knowledge, translating the algorithmic output into actionable climatic characterization.

Feature correlation analysis

 ⌅

This research developed a feature engineering strategy that integrates three distinct feature groups to capture comprehensive time series characteristics. The features groups are show in the Table 1. The first group comprises automated features generated using the tsfresh Python library, which systematically extracts a wide range of temporal patterns. The second group incorporates domain-specific features derived from expert knowledge, ensuring alignment with theoretical foundations. The third group employs a rolling window approach with 30 days of lags to capture temporal dependencies and evolution patterns.

Collectively, these feature sets compress multidimensional time series information into a structured representation suitable for clustering algorithms. Additionally, a correlation analysis was conducted to identify key relationships, providing foundational insights for subsequent cluster interpretation and characterization studies.

Table 1.  Features groups for time series analyzing
Tfresh Experts Rolling window
fft_coefficient__attr_"real"__coeff_0 dry_season_intensity window_variability
fft_aggregated__aggtype_"centroid" dry_season_std window_stability
number_peaks__n_3 rainy_season_intensity window_autocorrelation
change_quantiles_isabs_qh_0.9_ql_0.1 rainfall_regime_contrast window_consistency
change_quantiles_isabs_qh_0.8_ql_0.2' hurricane_season_intensity n_valid_windows
abs_energy' hurricane_season_variability
mean_abs_change extreme_event_frequency
autocorrelation__lag_1 extreme_event_intensity
autocorrelation__lag_7 interannual_variability
autocorrelation__lag_30 interannual_trend
quantile__q_0.95 total_precipitation
quantile__q_0.99 mean_precipitation
c3__lag_1 std_precipitation
cid_ce__normalize_True cv_precipitation
zero_ratio

It is noteworthy that the expert-derived features were specifically designed to capture climate dynamics relevant to the Caribbean region. Variables such as dry_season_intensity, hurricane_season_intensity, extreme_event_frequency, and interannual_trend were incorporated based on domain expertise regarding their significance in characterizing rainfall patterns.

A Spearman correlation analysis revealed several key relationships: dry_season_intensity and total_precipitation exhibited a moderate positive correlation (ρ = 0.544), while rainfall_regime_contrast and hurricane_season_intensity showed a strong positive correlation (ρ = 0.861). Conversely, extreme_event_frequency and extreme_event_intensity demonstrated a strong negative correlation (ρ = -0.761). These relationships provide crucial insights for interpreting the resulting clusters and identifying distinct time series regimes.

The Figure 2 illustrates the correlation structure among all features, revealing several distinct groups of interrelated variables. Understanding these relationships is particularly valuable for agricultural applications, as they can inform farmers' decision-making processes and support optimization of farming practices in response to climatic variability.

Figure 2.  Feature correlation dendrogram for selected variables

Clustering analysis

 ⌅

In the Figure 3, the hierarchical clustering analysis identified six distinct groups organized within a well-defined hierarchical structure. This grouping reveals different seasonal regimes that are critical for the agricultural sector, as they enable the characterization of specific climate patterns and their impact on crop cycles.

Figure 3.  Hierarchical clustering of the stations

The determination of the optimal number of clusters was based on validation metrics such as Silhouette, Calinski-Harabasz, and Davies-Bouldin, which consistently confirmed that six clusters represent the most optimal configuration, as shown in Figure 4. This is particularly relevant because, although other groupings might be visually suggested in the dendrogram, objective metrics validate that this segmentation most effectively captures seasonal variations that directly affect agricultural planning, crop selection, and climate risk management in the region.

Figure 4.  Silhouette Score, Calinski-Harabasz Score and Davies-Bouldin Score results

In the Figure 4, the clustering validation metrics yielded moderate performance, with a Silhouette score of 0.34 indicating weak structure separation. A Calinski-Harabasz index of 9.0 suggests limited between-cluster differentiation, while the Davies-Bouldin score of 0.6 reflects reasonable cluster compactness. These collective results imply overlapping clusters with subdued but detectable patterns in the data structure.

Characterization of Clusters

 ⌅

Hierarchical clustering analysis identified six distinct rainfall regimes across the Caribbean region, each characterized by specific seasonal variability patterns. Cluster 5 emerged as the most intense, exhibiting maximum values in precipitation (FFT real component), dry season variability (dry_season_std), and hurricane season intensity, suggesting a high-energy climatic regime. Conversely, Cluster 0 showed minimum values across these variables, indicating a more stable and less intense rainfall pattern. These extremes represent opposite poles of regional climate variability, with direct implications for seasonal agricultural planning and water resource management strategies tailored to each regime's specific characteristics.

Inferential analysis confirmed statistically significant differences (p < 0.01) in critical climate variables, including precipitation peak frequency, interannual trends, and hurricane intensity. Post-hoc testing revealed that Cluster 4 exhibits significantly more precipitation peaks compared to Clusters 0, 1, 2, 3, and 5, while Cluster 1 demonstrates a substantially stronger interannual trend than Cluster 5. Vulnerability analysis identified Cluster 1 as the highest-risk group, combining elevated extreme event frequency with pronounced dry season intensity, creating critical challenges for rainfed agriculture systems that depend on predictable seasonal patterns.

The geographical distribution of clusters reveals distinct spatial patterns, with Cluster 0 predominant in 1º de Enero, Cluster 1 in Chambas, and Cluster 5 in Venezuela, suggesting natural climate zonation. This segmentation enables differentiated agricultural strategies: regions like Chambas (Cluster 1) require drought-resistant crops and supplemental irrigation systems, while areas such as Venezuela (Cluster 5) need preparedness protocols for high climate variability and hurricane intensity. This rainfall regime characterization provides a scientific foundation for crop selection, planting calendar optimization, and water management system design adapted to each identified climate pattern, ultimately enhancing agricultural resilience across the Caribbean basin.

Conclusions

 ⌅

As conclusion, this research successfully demonstrates the efficacy of a hybrid clustering framework, combining data-driven features with domain-driven expertise, to decipher the complexity of rainfall regimes in Ciego de Ávila.

The methodology not only identified six statistically distinct pluviometric regimes-ranging from stable to high-energy systems with marked cyclonic influence-but also effectively translates these findings into agricultural practice.

By characterizing high-vulnerability clusters, it provides an objective tool for decision-making, enabling the prioritization of interventions such as drought-resistant crops or irrigation systems in specific zones.

This contribution transcends academia, laying the groundwork for precise and scalable climate zoning at a national level. This is fundamental for designing resilient agricultural and water policies, optimizing planting calendars, and ultimately strengthening Cuba's food security in the face of climate variability.

References

 ⌅

ARULRAJ, M.; PETKOVIC, V.; FERRARO, R.R.; MENG, H.: "Precipitation Vertical Structure Characterization: A Feature-Based Approach", Journal of Hydrometeorology, 24(12): 2281-2297, 2023, ISSN: 1573-1650, DOI: https://doi.org/10.1175/JHM-D-23-0034.1

ASHARI, I.F.; BANJARNAHOR, R.; FARIDA, D.R.; AISYAH, S.P.; DEWI, A.P.; HUMAYA, N.: "Application of Data Mining with the K-Means Clustering Method and Davies Bouldin Index for Grouping IMDB Movies", Journal of Applied Informatics and Computing, 6(1): 07-15, 2022, ISSN: 2548-6861, DOI: https://doi.org/10.30871/jaic.v6i1.3485

BONACCORSO, B.; PERES, D.J.: "Analysis of Extreme Hydrometeorological Events", Resources, 11(6): 55, 2022, ISSN: 2079-9276, DOI: https://doi.org/10.3390/resources11060055

CHRIST, M.; BRAUN, N.; NEUFFER, J.; KEMPA-LIEHR, A.W.: "Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh - A Python package)", Neurocomputing, 307: 72-77, 2018, ISSN: 1872-8286, DOI: https://doi.org/10.1016/j.neucom.2018.03.067

DUAN, H.; LI, Q.; HE, L.; ZHANG, J.; AN, H.; ALI, R.; VAZIFEDOUST, M.: "Climate Classification for Major Cities in China Using Cluster Analysis", Atmosphere, 15(7): 741, 2024, ISSN: 2073-4433, DOI: https://doi.org/10.3390/atmos15070741

FRANSISKA, H.; AGUSTINA, D.; SETYORINI, D.; SUMARTAJAYA, I.M.; KURNIA, A.: "Time Series Clustering Analysis Using Dynamic Time Warping Technique of Daily Rainfall in Bengkulu Province", IOP Conference Series: Earth and Environmental Science, 1359(1): 012026, 2024, ISSN: 1755-1315, DOI: https://doi.org/10.1088/1755-1315/1359/1/012026

GARCIA-MOYA, A.; ALONSO-HERNÁNDEZ, C.M.; SÁNCHEZ-MURILLO, R.; MORERA-GÓMEZ, Y.; SÁNCHEZ-LLULL, M.; DÍAZ RIZO, O.; CUESTA SANTOS, O.; LÓPEZ LEE, R.; BRÍGIDO FLORES, O.; RAMOS VILTRE, E.O.; ORTEGA, L.: "Spatiotemporal characterization of the isotopic composition of meteoric waters in Cuba", Scientific Data, 11(1): 1398, 2024, ISSN: 2542-2987, DOI: https://doi.org/10.1038/s41597-024-04178-z

GHASSEMPOUR, S.; GIROSI, F.; MAEDER, A.: "Clustering Multivariate Time Series Using Hidden Markov Models", International Journal of Environmental Research and Public Health, 11(3): 2741-2763, 2014, ISSN: 1660-4601, DOI: https://doi.org/10.3390/ijerph110302741

HERNÁNDEZ, C.A.; MARTÍNEZ, F.H.; GIRAL, D.A.: "Evaluación del desempeño de modelos de decisión espectral predictivos", Información tecnológica, 33(3): 149-158, 2022, ISSN: 0718-0764, DOI: http://dx.doi.org/10.4067/S0718-07642022000300149

HENDRAWATI, T.; WIGENA, A.H.; SUMERTAJAYA, I.M.; SARTONO, B.; PRAVITASARI, A.A.; ASNAWI, M.H.: "The ensemble distance on model-based clustering for regions clustering based on rainfall: The case of rainfall in West Java Indonesia", International Journal of Data and Network Science, 8(2): 1187-1196, 2024, ISSN: 2561-8148, DOI: https://doi.org/10.5267/j.ijdns.2023.11.015

LEE, S.; DANANDEH MEHR, A.; MORIASI, D.; MIRCHI, A.: "Large‐Scale Drought Forecasting in the U.S. Southern Plains Through a Hybrid Cluster‐Based Wavelet‐Machine Learning Approach", Water Resources Research, 61(11): e2024WR039744, 2025, ISSN: 0043-1397, DOI: https://doi.org/10.1029/2024WR039744

LOUKAS, A.; GARROTE, L.; VASILIADES, L.: "Hydrological and Hydro-Meteorological Extremes and Related Risk and Uncertainty", Water, 13(3): 377, 2021, ISSN: 0043-1397, DOI: https://doi.org/10.3390/w13030377

PAPARRIZOS, J.; GRAVANO, L.: "Fast and Accurate Time-Series Clustering", ACM Transactions on Database Systems, 42(2): 1-49, 2017, ISSN: 0362-5915, DOI: https://doi.org/10.1145/3044711

PAPARRIZOS, J.; YANG, F.; LI, H.: "Bridging the Gap: A Decade Review of Time-Series Clustering Methods", arXiv:2412.20582, 2024, ISSN: 2331-8422, DOI: https://doi.org/10.48550/arXiv.2412.20582

RADOVANOVIC, A.; LI, J.; MILANOVIC, J.V.; MILOSAVLJEVIC, N.; STORCHI, R.: "Application of Agglomerative Hierarchical Clustering for Clustering of Time Series Data", 2020, IEEE PES Innovative Smart Grid Technologies Europe (ISGT-Europe): 640-644, 2020, ISSN: 2165-4824, DOI: https://doi.org/10.1109/ISGT-Europe47291.2020.9248759

RODRIGUES, P.P.; GAMA, J.; PEDROSO, J.P.: "ODAC: Hierarchical Clustering of Time Series Data Streams", Proceedings of the 2006 SIAM International Conference on Data Mining: 499-503, 2006, ISBN: 978-0-89871-611-5, DOI: https://doi.org/10.1137/1.9781611972764.48

SHAHAPURE, K.R.; NICHOLAS, C.: "Cluster Quality Analysis Using Silhouette Score", 2020 IEEE 7th International Conference on Data Science and Advanced Analytics (DSAA): 747-748, 2020, ISSN: 2472-1573, DOI: https://doi.org/10.1109/DSAA49011.2020.00096

SINGH, J.; SINGH, V.; OJHA, C.S.P.: "A Cluster‐Based Data Assimilation Approach to Generate New Daily Gridded Time Series Precipitation Data in the Himalayan River Basins", Water Resources Research, 61(1): e2024WR037324, 2025, ISSN: 2165-4824, DOI: https://doi.org/10.1029/2024WR037324

TAVENARD, R.; FAOUZI, J.; VANDEWIELE, G.; DIVO, F.; ANDROZ, G.; HOLTZ, C.; PAYNE, M.; YURCHAK, R.; RUßWURM, M.; KOLAR, K.; WOODS, E.: "Tslearn, A Machine Learning Toolkit for Time Series Data", Journal of Machine Learning Research, 21: 1-6, 2020, ISSN: 1533-7928

TIANO, D.; BONIFATI, A.; NG, R.: "Feature-driven Time Series Clustering", OpenProceedings.org, 2021, ISSN: 2367-2005, DOI: https://doi.org/10.5441/002/EDBT.2021.33

WANG, X.; XU, Y.: "An improved index for clustering validation based on Silhouette index and Calinski-Harabasz index", IOP Conference Series: Materials Science and Engineering, 569(5): 052024, 2019, ISSN: 1873-0191, DOI: https://doi.org/10.1088/1757-899X/569/5/052024

ZAIFOGLU, H.; AKINTUG, B.; YANMAZ, A.M.: "Regional Frequency Analysis of Precipitation Using Time Series Clustering Approaches", Journal of Hydrologic Engineering, 23(6): 05018007, 2018, ISSN: 1084-0699, DOI: https://doi.org/10.1061/(ASCE)HE.1943-5584.0001659

ZHANG, F.; BIEDERMAN, J.A.; DANNENBERG, M.P.; YAN, D.; REED, S.C.; SMITH, W.K.: "Five Decades of Observed Daily Precipitation Reveal Longer and More Variable Drought Events Across Much of the Western United States", Geophysical Research Letters, 48(7): e2020GL092293, 2021, ISSN: 1944-8007, DOI: https://doi.org/10.1029/2020GL092293

ZHANG, Z.; LI, D.; ZHANG, Z.; DUFFIELD, N.: "Mining Spatiotemporal Mobility Patterns Using Improved Deep Time Series Clustering", ISPRS International Journal of Geo-Information, 13(11): 374, 2024, ISSN: 2220-9964, DOI: https://doi.org/10.3390/ijgi13110374


Revista Ciencias Técnicas Agropecuarias Vol. 35, January-December 2026, ISSN: 2071-0054
 
Artículo original

Enfoque basado en datos y conocimiento experto para la zonificación climática

 

iDAriamna Crespo Lara*✉:ariamnacrespo@gmail.com

iDYankier González Crespo

iDJulio C. Quintana Zaez

iDOscar Brown Manrique


Universidad de Ciego de Ávila “Máximo Gómez Báez”, Ciego de Ávila, Cuba. E-mail: Yankier2008@gmail.com, cjquintanazaez@gmail.com, obrown@unica.cu

 

*Autor para correspondencia: Ariamna Crespo Lara, e-mail: ariamnacrespo@gmail.com

Resumen

La creciente variabilidad climática exige metodologías robustas para caracterizar los regímenes de lluvia, un factor crítico para la seguridad alimentaria y la gestión del agua. En Cuba, la aplicación de técnicas avanzadas de minería de datos para este fin representa un área subexplorada. Este estudio propone un marco novedoso para el agrupamiento de series de tiempo de precipitación que combina la extracción de características automatizadas (tsfresh) con indicadores hidroclimáticos definidos por expertos, aplicando posteriormente el algoritmo de Clustering Jerárquico (HCA). La metodología, validada con datos de 17 estaciones en Ciego de Ávila (1960-2013), identificó seis regímenes pluviométricos homogéneos con patrones estacionales e intensidades de eventos extremos significativamente diferentes. Este aporte permite una zonificación climática precisa, superando los enfoques estadísticos tradicionales. La proyección de este trabajo es directa para el contexto agrícola, ya que facilita el desarrollo de estrategias diferenciadas de cultivo, calendarios de siembra optimizados y una mejor gestión del riesgo climático, incrementando así la resiliencia del sector agropecuario cubano.

Palabras clave: 
agricultura, agrupamiento jerárquico, aprendizaje no supervisado, serie cronológica

Introducción

 ⌅

La proliferación de datos hidrometeorológicos, impulsada por los avances en las tecnologías de sensores y telemetría, ha consolidado el análisis de series temporales como una herramienta indispensable en la gestión de recursos hídricos y los estudios climáticos (Bonaccorso y Peres, 2022BONACCORSO, B.; PERES, D.J.: "Analysis of Extreme Hydrometeorological Events", Resources, 11(6): 55, 2022, ISSN: 2079-9276, DOI: https://doi.org/10.3390/resources11060055 ; Loukas et al., 2021LOUKAS, A.; GARROTE, L.; VASILIADES, L.: "Hydrological and Hydro-Meteorological Extremes and Related Risk and Uncertainty", Water, 13(3): 377, 2021, ISSN: 0043-1397, DOI: https://doi.org/10.3390/w13030377 ). Entre estas, las series temporales de precipitación representan un componente crítico del ciclo hidrológico, cuya caracterización precisa es esencial para comprender los eventos extremos, la planificación agrícola y la evaluación de los impactos del cambio climático (Zhang et al., 2021ZHANG, F.; BIEDERMAN, J.A.; DANNENBERG, M.P.; YAN, D.; REED, S.C.; SMITH, W.K.: "Five Decades of Observed Daily Precipitation Reveal Longer and More Variable Drought Events Across Much of the Western United States", Geophysical Research Letters, 48(7): e2020GL092293, 2021, ISSN: 1944-8007, DOI: https://doi.org/10.1029/2020GL092293 ). En este contexto, la clusterización de series temporales emerge como una poderosa técnica de minería de datos para descubrir patrones espacio-temporales, identificar regiones homogéneas y comprender la estructura subyacente de grandes volúmenes de datos de precipitación sin necesidad de etiquetas previas, facilitando así un análisis exploratorio robusto (Duan et al., 2024DUAN, H.; LI, Q.; HE, L.; ZHANG, J.; AN, H.; ALI, R.; VAZIFEDOUST, M.: "Climate Classification for Major Cities in China Using Cluster Analysis", Atmosphere, 15(7): 741, 2024, ISSN: 2073-4433, DOI: https://doi.org/10.3390/atmos15070741 ; Singh et al., 2025SINGH, J.; SINGH, V.; OJHA, C.S.P.: "A Cluster‐Based Data Assimilation Approach to Generate New Daily Gridded Time Series Precipitation Data in the Himalayan River Basins", Water Resources Research, 61(1): e2024WR037324, 2025, ISSN: 2165-4824, DOI: https://doi.org/10.1029/2024WR037324 ).

La comunidad científica internacional ha desarrollado múltiples enfoques para la clusterización de series temporales, los cuales pueden categorizarse en tres grupos principales: métodos basados en la proximidad temporal que utilizan medidas como Dynamic Time Warping (DTW) para capturar similitudes en la forma de las series Fransiska et al. (2024)FRANSISKA, H.; AGUSTINA, D.; SETYORINI, D.; SUMARTAJAYA, I.M.; KURNIA, A.: "Time Series Clustering Analysis Using Dynamic Time Warping Technique of Daily Rainfall in Bengkulu Province", IOP Conference Series: Earth and Environmental Science, 1359(1): 012026, 2024, ISSN: 1755-1315, DOI: https://doi.org/10.1088/1755-1315/1359/1/012026 ; Lee et al. (2025)LEE, S.; DANANDEH MEHR, A.; MORIASI, D.; MIRCHI, A.: "Large‐Scale Drought Forecasting in the U.S. Southern Plains Through a Hybrid Cluster‐Based Wavelet‐Machine Learning Approach", Water Resources Research, 61(11): e2024WR039744, 2025, ISSN: 0043-1397, DOI: https://doi.org/10.1029/2024WR039744 ; métodos basados en modelos que emplean parámetros de modelos autorregresivos o modelos ocultos de Márkov Hernández et al. (2022)HERNÁNDEZ, C.A.; MARTÍNEZ, F.H.; GIRAL, D.A.: "Evaluación del desempeño de modelos de decisión espectral predictivos", Información tecnológica, 33(3): 149-158, 2022, ISSN: 0718-0764, DOI: http://dx.doi.org/10.4067/S0718-07642022000300149 ; Ghassempour et al. (2014)GHASSEMPOUR, S.; GIROSI, F.; MAEDER, A.: "Clustering Multivariate Time Series Using Hidden Markov Models", International Journal of Environmental Research and Public Health, 11(3): 2741-2763, 2014, ISSN: 1660-4601, DOI: https://doi.org/10.3390/ijerph110302741 ; y métodos basados en características (features) que transforman la serie en vectores de atributos precomputados (Arulraj et al., 2023ARULRAJ, M.; PETKOVIC, V.; FERRARO, R.R.; MENG, H.: "Precipitation Vertical Structure Characterization: A Feature-Based Approach", Journal of Hydrometeorology, 24(12): 2281-2297, 2023, ISSN: 1573-1650, DOI: https://doi.org/10.1175/JHM-D-23-0034.1 ; Tiano et al., 2021TIANO, D.; BONIFATI, A.; NG, R.: "Feature-driven Time Series Clustering", OpenProceedings.org, 2021, ISSN: 2367-2005, DOI: https://doi.org/10.5441/002/EDBT.2021.33 ).

Más recientemente, han surgido técnicas avanzadas que incorporan arquitecturas de aprendizaje profundo, como autoencoders y redes neuronales recurrentes, que permiten aprender representaciones no lineales de las series temporales (Paparrizos et al., 2024PAPARRIZOS, J.; YANG, F.; LI, H.: "Bridging the Gap: A Decade Review of Time-Series Clustering Methods", arXiv:2412.20582, 2024, ISSN: 2331-8422, DOI: https://doi.org/10.48550/arXiv.2412.20582 ). Paralelamente, se han desarrollado herramientas computacionales especializadas como tslearn para facilitar la implementación y comparación de estos algoritmos (Tavenard et al., 2020TAVENARD, R.; FAOUZI, J.; VANDEWIELE, G.; DIVO, F.; ANDROZ, G.; HOLTZ, C.; PAYNE, M.; YURCHAK, R.; RUßWURM, M.; KOLAR, K.; WOODS, E.: "Tslearn, A Machine Learning Toolkit for Time Series Data", Journal of Machine Learning Research, 21: 1-6, 2020, ISSN: 1533-7928).

En el dominio específico de la precipitación, la clusterización ha demostrado su utilidad en diversas aplicaciones. Estudios previos han empleado con éxito técnicas como k-Shape para el análisis de movilidad espacio-temporal Paparrizos y Gravano (2017)PAPARRIZOS, J.; GRAVANO, L.: "Fast and Accurate Time-Series Clustering", ACM Transactions on Database Systems, 42(2): 1-49, 2017, ISSN: 0362-5915, DOI: https://doi.org/10.1145/3044711 , clusterización jerárquica con medidas de correlación para el análisis de frecuencia regional Zaifoglu et al. (2018)ZAIFOGLU, H.; AKINTUG, B.; YANMAZ, A.M.: "Regional Frequency Analysis of Precipitation Using Time Series Clustering Approaches", Journal of Hydrologic Engineering, 23(6): 05018007, 2018, ISSN: 1084-0699, DOI: https://doi.org/10.1061/(ASCE)HE.1943-5584.0001659 , y métodos basados en características para identificar hietogramas de patrones de lluvia (Zhang et al., 2024ZHANG, Z.; LI, D.; ZHANG, Z.; DUFFIELD, N.: "Mining Spatiotemporal Mobility Patterns Using Improved Deep Time Series Clustering", ISPRS International Journal of Geo-Information, 13(11): 374, 2024, ISSN: 2220-9964, DOI: https://doi.org/10.3390/ijgi13110374 ). En particular, investigaciones en Indonesia han utilizado la distancia de ensamble para la clusterización de datos de lluvia, mientras que en India se han aplicado enfoques combinados de clusterización jerárquica y transformada wavelet para analizar tendencias estacionales de precipitación (Hendrawati et al., 2024HENDRAWATI, T.; WIGENA, A.H.; SUMERTAJAYA, I.M.; SARTONO, B.; PRAVITASARI, A.A.; ASNAWI, M.H.: "The ensemble distance on model-based clustering for regions clustering based on rainfall: The case of rainfall in West Java Indonesia", International Journal of Data and Network Science, 8(2): 1187-1196, 2024, ISSN: 2561-8148, DOI: https://doi.org/10.5267/j.ijdns.2023.11.015 ). Estas investigaciones internacionales resaltan el potencial de estas técnicas para el análisis hidroclimático regional.

Sin embargo, en el contexto nacional, la aplicación de estas metodologías modernas de clusterización a series temporales de precipitación representa un nicho de investigación en gran medida inexplorado. Los estudios existentes se han centrado predominantemente en análisis estadísticos tradicionales o enfoques climáticos convencionales, con una implementación limitada de técnicas avanzadas de minería de datos y aprendizaje automático para la caracterización espacio-temporal de los regímenes de lluvia (Garcia Moya et al., 2024GARCIA-MOYA, A.; ALONSO-HERNÁNDEZ, C.M.; SÁNCHEZ-MURILLO, R.; MORERA-GÓMEZ, Y.; SÁNCHEZ-LLULL, M.; DÍAZ RIZO, O.; CUESTA SANTOS, O.; LÓPEZ LEE, R.; BRÍGIDO FLORES, O.; RAMOS VILTRE, E.O.; ORTEGA, L.: "Spatiotemporal characterization of the isotopic composition of meteoric waters in Cuba", Scientific Data, 11(1): 1398, 2024, ISSN: 2542-2987, DOI: https://doi.org/10.1038/s41597-024-04178-z ). Esta brecha metodológica representa una oportunidad significativa para desarrollar investigaciones que adapten y optimicen estos algoritmos a las particularidades del clima cubano, caracterizado por su variabilidad temporal y espacial y la influencia de sistemas meteorológicos complejos.

Para cubrir esta brecha metodológica y aprovechar las oportunidades identificadas, este artículo propone un marco de trabajo (framework) para la clusterización de series temporales de precipitación basado en la extracción de características precomputadas y la aplicación del Algoritmo de Clusterización Jerárquica (Hierarchical Clustering Algorithm, HCA). Esta metodología combina la eficiencia computacional del HCA con la riqueza informativa de un conjunto de características diseñadas para capturar aspectos clave del régimen de lluvias, tales como su intensidad, variabilidad, estacionalidad y comportamiento extremo. El objetivo principal es desarrollar una metodología accesible y escalable que permita identificar regiones climáticamente homogéneas en Cuba con alta precisión, contribuyendo así al perfeccionamiento de los modelos de predicción, la gestión de riesgos de sequías e inundaciones y la planificación de los recursos hídricos en un contexto de cambio climático. La propuesta se valida utilizando datos de precipitación a largo plazo, demostrando su eficacia en la agrupación coherente de estaciones y su utilidad como herramienta para el análisis hidroclimático regional.

Materiales y Métodos

 ⌅

Esta sección describe la metodología empleada en el artículo, detallando el diseño de la investigación y su implementación práctica. La selección de métodos y técnicas específicas se justifica para asegurar que el estudio pueda ser replicado por otros investigadores.

Contexto y conjunto de datos

 ⌅

Los datos de precipitación de las estaciones experimentales de Ciego de Ávila fueron obtenidos del CITMA mediante solicitud realizada por el Jefe del Grupo Científico de Recursos Hídricos de la Universidad de Ciego de Ávila. El conjunto de datos cubre el período de 1960 a 2013 y fue recopilado a través de encuestas a especialistas. La base de datos se proporciona en un archivo de Excel e incluye registros de 107 estaciones experimentales distribuidas en la provincia. Para cada estación, los datos están organizados por precipitación diaria, mes, año, código ID de la estación y municipio. Los valores de precipitación se expresan en milímetros (mm).

Como herramientas, se utilizó la librería Pandas de Python para leer y procesar los datos, ofreciendo una gama de métodos que permiten una extracción eficiente de datos mediante un código simplificado. Durante el proceso de carga de datos, varias estaciones experimentales fueron descartadas debido a errores significativos en el registro de datos, resultando en un conjunto final de 17 estaciones con datos válidos para el estudio. La información de todas las estaciones consideradas puede solicitarse en los materiales suplementarios.

Metodología

 ⌅

La metodología aplicada en este trabajo constó de cinco etapas que conformaron el flujo de trabajo del proceso propuesto para la clusterización de datos de series temporales mediante HCA (Figura 1). Dichas etapas fueron las siguientes: carga de datos - normalización, generación de características (features), análisis de datos, ajuste del algoritmo, evaluación de métricas y descripción de los clústeres:

Figura 1.  Flujo de trabajo para la clusterización de series de tiempo

  • Carga de datos - normalización: Tras una rigurosa depuración de datos que excluyó estaciones con datos faltantes extensos, fallos de metadatos o bajos puntajes de confiabilidad, el conjunto de datos depurado se sometió a una normalización MinMaxScaler para garantizar una contribución equitativa de las características en la clusterización.

  • Generación de características (Features): La ingeniería de características se realizó mediante un enfoque híbrido que combina la computación con la experiencia en el dominio. Utilizando tsfresh Christ et al. (2018)CHRIST, M.; BRAUN, N.; NEUFFER, J.; KEMPA-LIEHR, A.W.: "Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh - A Python package)", Neurocomputing, 307: 72-77, 2018, ISSN: 1872-8286, DOI: https://doi.org/10.1016/j.neucom.2018.03.067 , se aplicó segmentación por ventanas deslizantes para extraer patrones temporales, mientras que las características estadísticas (media, varianza, tendencias) se calcularon a partir de cada ventana. Estas características basadas en datos se enriquecieron con indicadores hidrológicos definidos por expertos, creando un conjunto de características multidimensional que captura tanto patrones algorítmicos como significado físico para el posterior análisis de clusterización.

  • Análisis de datos: Un análisis de correlación identificó los impulsores hidrológicos clave y la posible multicolinealidad, estableciendo el marco de interpretabilidad fundamental para la caracterización posterior de los clústeres.

  • Ajuste del algoritmo: Se seleccionó la clusterización jerárquica con el enlace de Ward para modelar las relaciones entre estaciones. Este algoritmo destaca por generar una estructura de dendrograma clara que representa visualmente la jerarquía anidada de las estaciones. El método de Ward minimiza la varianza intra-clúster, produciendo clústeres compactos y esféricos que ofrecen un valor explicativo superior al ilustrar directamente la lógica de agregación y las similitudes relativas entre estaciones en diferentes niveles jerárquicos.

  • Evaluación de métricas: La calidad del clúster se evaluó mediante un marco de triple métrica: el Coeficiente de Silueta (Silhouette Score, que mide la cohesión y separación), el Índice de Calinski-Harabasz (que evalúa la dispersión entre clústeres) y el Índice de Davies-Bouldin (que cuantifica la distinción entre clústeres). Este enfoque de validación multifacético proporciona perspectivas complementarias sobre la optimalidad de la partición, asegurando que la solución seleccionada demuestre tanto robustez matemática como relevancia hidrológica más allá de lo que cualquier métrica única podría confirmar.

  • Descripción de los clústeres: La caracterización final de los clústeres emplea un marco analítico integral de cinco pilares: pruebas estadísticas inferenciales para identificar diferencias significativas entre clústeres, evaluación de vulnerabilidad para examinar la exposición al riesgo climático, análisis de tendencias temporales para descubrir patrones de precipitación, mapeo regional para contextualizar las distribuciones espaciales y validación por expertos para fundamentar los hallazgos algorítmicos en el conocimiento del dominio. Esta interpretación multidimensional transforma los clústeres abstractos en tipologías hidrológicas procesables.

Algoritmo

 ⌅

Este estudio combinó la ingeniería de características con el enlace de Ward para formar grupos compactos e interpretables, mitigando la complejidad dimensional y revelando regímenes dinámicos distintos mediante una visualización multiresolución de los datos:

  • Clusterización Jerárquica: descubre estructuras latentes dentro de datos de series temporales de alta dimensionalidad, aprovechando su adaptabilidad inherente a este dominio complejo. El marco metodológico combina estratégicamente la ingeniería de características con el enlace de Ward para abordar desafíos clave. Al transformar las series brutas en un conjunto curado de características sobresalientes (mediante tsfresh e ingeniería de características), el algoritmo mitiga el problema de la alta dimensionalidad y mejora la eficiencia computacional.

  • Método de enlace de Ward: minimiza la varianza intra-clúster para formar grupos compactos y esféricos que facilitan la interpretación (Duan et al., 2024DUAN, H.; LI, Q.; HE, L.; ZHANG, J.; AN, H.; ALI, R.; VAZIFEDOUST, M.: "Climate Classification for Major Cities in China Using Cluster Analysis", Atmosphere, 15(7): 741, 2024, ISSN: 2073-4433, DOI: https://doi.org/10.3390/atmos15070741 ; Radovanovic et al., 2020RADOVANOVIC, A.; LI, J.; MILANOVIC, J.V.; MILOSAVLJEVIC, N.; STORCHI, R.: "Application of Agglomerative Hierarchical Clustering for Clustering of Time Series Data", 2020, IEEE PES Innovative Smart Grid Technologies Europe (ISGT-Europe): 640-644, 2020, ISSN: 2165-4824, DOI: https://doi.org/10.1109/ISGT-Europe47291.2020.9248759 ; Rodrigues et al., 2006RODRIGUES, P.P.; GAMA, J.; PEDROSO, J.P.: "ODAC: Hierarchical Clustering of Time Series Data Streams", Proceedings of the 2006 SIAM International Conference on Data Mining: 499-503, 2006, ISBN: 978-0-89871-611-5, DOI: https://doi.org/10.1137/1.9781611972764.48 ). Este enfoque sustituye la necesidad de medidas de similitud directas sobre datos brutos, como DTW, con una métrica de distancia robusta en el dominio de las características diseñadas.

  • Dendrograma resultante: proporciona una visualización multiresolución de la jerarquía de datos, revelando tanto patrones generales como anomalías detalladas. En consecuencia, este flujo de trabajo facilita el descubrimiento de clústeres significativos que corresponden a regímenes dinámicos distintos dentro de los datos temporales, equilibrando el rigor analítico con la obtención de información procesable.

Métricas de validación interna

 ⌅

La solución de clusterización se evaluó cuantitativamente utilizando una tríada de métricas de validación interna; el Coeficiente de Silueta, el Índice de Calinski-Harabasz y el Índice de Davies-Bouldin:

  • Coeficiente de Silueta: evalúa qué tan bien se sitúa cada objeto dentro de su clúster midiendo la cohesión y la separación, y valores cercanos a 1 indican un modelo superior.

  • Índice de Calinski-Harabasz: conocido también como Criterio de Razón de Varianza, evalúa la calidad de los clústeres comparando la relación entre la dispersión entre clústeres y la dispersión dentro del clúster, donde una puntuación más alta significa clústeres mejor definidos (Shahapure y Nicholas, 2020SHAHAPURE, K.R.; NICHOLAS, C.: "Cluster Quality Analysis Using Silhouette Score", 2020 IEEE 7th International Conference on Data Science and Advanced Analytics (DSAA): 747-748, 2020, ISSN: 2472-1573, DOI: https://doi.org/10.1109/DSAA49011.2020.00096 ; Wang y Xu, 2019WANG, X.; XU, Y.: "An improved index for clustering validation based on Silhouette index and Calinski-Harabasz index", IOP Conference Series: Materials Science and Engineering, 569(5): 052024, 2019, ISSN: 1873-0191, DOI: https://doi.org/10.1088/1757-899X/569/5/052024 ).

  • Índice de Davies-Bouldin: cuantifica la similitud promedio entre cada clúster y su clúster más similar, donde una solución óptima alcanza el valor más bajo posible, indicando la máxima distinción entre clústeres (Ashari et al., 2022ASHARI, I.F.; BANJARNAHOR, R.; FARIDA, D.R.; AISYAH, S.P.; DEWI, A.P.; HUMAYA, N.: "Application of Data Mining with the K-Means Clustering Method and Davies Bouldin Index for Grouping IMDB Movies", Journal of Applied Informatics and Computing, 6(1): 07-15, 2022, ISSN: 2548-6861, DOI: https://doi.org/10.30871/jaic.v6i1.3485 ).

En conjunto, este marco de validación multifacético proporciona una evaluación robusta y no redundante de la calidad de la partición, asegurando que los resultados sean tanto estadísticamente sólidos como estructuralmente significativos.

Resultados y Discusión

 ⌅

La aplicación de la metodología propuesta generó información significativa sobre los regímenes de precipitación de Ciego de Ávila. La fase inicial implicó un análisis exhaustivo de las características generadas para comprender sus relaciones y relevancia. Posteriormente, se ajustó el Algoritmo de Clusterización Jerárquica, identificando la partición óptima de los datos. Finalmente, los clústeres resultantes se interpretaron y discutieron rigurosamente, integrando los hallazgos cuantitativos con el conocimiento experto del dominio, traduciendo el resultado algorítmico en una caracterización climática procesable.

Análisis de la correlación de características

 ⌅

Esta investigación desarrolló una estrategia de ingeniería de características que integra tres grupos distintos de características para capturar las características integrales de las series temporales. La Tabla 1 muestra los grupos de características. El primer grupo comprende características automatizadas generadas mediante la librería tsfresh de Python, que extrae sistemáticamente una amplia gama de patrones temporales. El segundo grupo incorpora características específicas del dominio derivadas del conocimiento experto, asegurando la alineación con los fundamentos teóricos. El tercer grupo emplea un enfoque de ventana deslizante con 30 días de rezago para capturar dependencias temporales y patrones de evolución.

Colectivamente, estos conjuntos de características comprimen la información multidimensional de las series temporales en una representación estructurada adecuada para algoritmos de clusterización. Adicionalmente, se realizó un análisis de correlación para identificar relaciones clave, proporcionando información fundamental para la posterior interpretación de los clústeres y estudios de caracterización.

Tabla 1.  Grupos de características para el análisis de series temporales
Tfresh Expertos Rolling window
fft_coefficient__attr_"real"__coeff_0 dry_season_intensity window_variability
fft_aggregated__aggtype_"centroid" dry_season_std window_stability
number_peaks__n_3 rainy_season_intensity window_autocorrelation
change_quantiles_isabs_qh_0.9_ql_0.1 rainfall_regime_contrast window_consistency
change_quantiles_isabs_qh_0.8_ql_0.2' hurricane_season_intensity n_valid_windows
abs_energy' hurricane_season_variability
mean_abs_change extreme_event_frequency
autocorrelation__lag_1 extreme_event_intensity
autocorrelation__lag_7 interannual_variability
autocorrelation__lag_30 interannual_trend
quantile__q_0.95 total_precipitation
quantile__q_0.99 mean_precipitation
c3__lag_1 std_precipitation
cid_ce__normalize_True cv_precipitation
zero_ratio

Es notable que las características derivadas por expertos fueron diseñadas específicamente para capturar la dinámica climática relevante para la región del Caribe. Variables como dry _season_intensity, hurricane_season_intensity, extreme_event_frequency e interannual_trend se incorporaron basándose en la experiencia del dominio sobre su importancia en la caracterización de los patrones de lluvia.

Un análisis de correlación de Spearman reveló varias relaciones clave: dry_season_intensity y total_precipitation exhibieron una correlación positiva moderada (ρ = 0,544), mientras que rainfall_regime_contrast y hurricane_season_intensity mostraron una fuerte correlación positiva (ρ = 0,861). Por el contrario, extreme_event_frequency y extreme_event_intensity demostraron una fuerte correlación negativa (ρ = -0,761). Estas relaciones proporcionan información crucial para interpretar los clústeres resultantes e identificar regímenes distintivos de series temporales.

La Figura 2 ilustra la estructura de correlación entre todas las características, revelando varios grupos distintos de variables interrelacionadas. Comprender estas relaciones es particularmente valioso para aplicaciones agrícolas, ya que puede informar los procesos de toma de decisiones de los agricultores y apoyar la optimización de las prácticas agrícolas en respuesta a la variabilidad climática.

Figura. 2.  Dendrograma de correlación de características para variables seleccionadas.

Análisis de la clusterización

 ⌅

En la Figura 3, el análisis de la clusterización jerárquica identificó seis grupos distintos organizados dentro de una estructura jerárquica bien definida. Esta agrupación revela diferentes regímenes estacionales que son críticos para el sector agrícola, ya que permiten la caracterización de patrones climáticos específicos y su impacto en los ciclos de los cultivos.

Figura 3.  Clusterización jerárquica de las estaciones.

La determinación del número óptimo de clústeres se basó en métricas de validación como Silueta, Calinski-Harabasz y Davies-Bouldin, que confirmaron consistentemente que seis clústeres representan la configuración más óptima, como se muestra en la Figura 4. Esto es relevante porque, aunque otras agrupaciones podrían sugerirse visualmente en el dendrograma, las métricas objetivas validan que esta segmentación captura de manera más efectiva las variaciones estacionales que afectan directamente la planificación agrícola, la selección de cultivos y la gestión del riesgo climático en la región.

Figura 4.  Resultados del Índice de Silueta, Índice de Calinski-Harabasz e Índice de Davies-Bouldin.

En la propia Figura 4, las métricas de validación de la clusterización arrojaron un rendimiento moderado, con una puntuación de Silueta de 0,34, lo que indica una separación de la estructura débil. Un índice de Calinski-Harabasz de 9,0 sugiere una diferenciación limitada entre clústeres, mientras que la puntuación de Davies-Bouldin de 0,6 refleja una compacidad razonable de los clústeres. Estos resultados colectivos implican clústeres superpuestos con patrones atenuados pero detectables en la estructura de los datos.

Caracterización de los Clústeres

 ⌅

El análisis de clusterización jerárquica identificó seis regímenes de lluvia distintos en la región del Caribe, cada uno caracterizado por patrones de variabilidad estacional específicos. El Clúster 5 emergió como el más intenso, exhibiendo valores máximos en precipitación (componente real FFT), variabilidad de la estación seca e intensidad de la temporada de huracanes, lo que sugiere un régimen climático de alta energía. Por el contrario, el Clúster 0 mostró valores mínimos en estas variables, indicando un patrón de lluvia más estable y menos intenso. Estos extremos representan polos opuestos de la variabilidad climática regional, con implicaciones directas para la planificación agrícola estacional y las estrategias de gestión de recursos hídricos adaptadas a las características específicas de cada régimen.

El análisis inferencial confirmó diferencias estadísticamente significativas (p < 0.01) en variables climáticas críticas, incluyendo la frecuencia de picos de precipitación, las tendencias interanuales y la intensidad de huracanes. Las pruebas post-hoc revelaron que el Clúster 4 exhibe significativamente más picos de precipitación en comparación con los Clústeres 0, 1, 2, 3 y 5, mientras que el Clúster 1 demuestra una tendencia interanual sustancialmente más fuerte que el Clúster 5. El análisis de vulnerabilidad identificó al Clúster 1 como el grupo de mayor riesgo, combinando una elevada frecuencia de eventos extremos con una pronunciada intensidad en la estación seca, creando desafíos críticos para los sistemas agrícolas de secano que dependen de patrones estacionales predecibles.

La distribución geográfica de los clústeres revela patrones espaciales distintos, con predominio del Clúster 0 en 1º de Enero, el Clúster 1 en Chambas y el Clúster 5 en Venezuela, lo que sugiere una zonificación climática natural. Esta segmentación permite estrategias agrícolas diferenciadas: las regiones como Chambas (Clúster 1) requieren cultivos resistentes a la sequía y sistemas de riego suplementario, mientras que áreas como Venezuela (Clúster 5) necesitan protocolos de preparación para alta variabilidad climática e intensidad de huracanes. Esta caracterización de los regímenes de lluvia proporciona una base científica para la selección de cultivos, la optimización de los calendarios de siembra y el diseño de sistemas de gestión del agua adaptados a cada patrón climático identificado, mejorando en última instancia la resiliencia agrícola en la cuenca del Caribe.

Conclusiones

 ⌅

Como conclusión, esta investigación demuestra la eficacia de un marco de clusterización híbrido, que combina características basadas en datos con conocimiento experto del dominio, para descifrar la complejidad de los regímenes pluviométricos en Ciego de Ávila.

La metodología no solo identificó seis regímenes pluviométricos estadísticamente distintos, que van desde sistemas estables hasta sistemas de alta energía con marcada influencia ciclónica, sino que también traduce estos hallazgos a la práctica agrícola.

La caracterización de los clústeres de alta vulnerabilidad, proporciona una herramienta objetiva para la toma de decisiones, permitiendo la priorización de intervenciones como cultivos resistentes a la sequía o sistemas de riego en zonas específicas.

Esta contribución trasciende el ámbito académico, sentando las bases para una zonificación climática precisa y escalable a nivel nacional. Esto es fundamental para diseñar políticas agrícolas e hídricas resilientes, optimizar los calendarios de siembra y además, fortalecer la seguridad alimentaria frente a la variabilidad climática.