Enfoque basado en datos y conocimiento experto para la zonificación climática
Barra lateral del artículo
Contenido principal del artículo
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.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista. Bajo esta licencia el autor será libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y crear a partir del material
- El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia
Bajo las siguientes condiciones:
- Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
- NoComercial — No puede utilizar el material para una finalidad comercial.
- No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Citas
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