Oscar J. M. Peña Cáceres, Manuel A. More More, Rudy Espinoza Nima, Henry Alejandro Silva Marchan
{"title":"预测秘鲁皮乌拉地区“el nino”现象的人工神经网络模型","authors":"Oscar J. M. Peña Cáceres, Manuel A. More More, Rudy Espinoza Nima, Henry Alejandro Silva Marchan","doi":"10.37467/revtechno.v13.4815","DOIUrl":null,"url":null,"abstract":"El Fenómeno El Niño es un evento de origen climático. En el año 2017 este evento impacto la región Piura, Perú. Las fuertes precipitaciones pluviales generaron el desborde el río Piura que afecto los distritos de Piura, Castilla, Catacaos y Cura Mori. El objetivo del estudio es identificar las variables más influyentes y disponer de un modelo que prediga la ocurrencia del Fenómeno El Niño en la región Piura, mediante el uso de Redes Neuronales Artificiales. Los resultados indican que la Temperatura Superficial del Mar es la variable más influyente. El modelo tiene una precisión del 82% de precisión.","PeriodicalId":52365,"journal":{"name":"Revista Internacional de Tecnologia, Ciencia y Sociedad","volume":"15 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-02-28","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Modelo de red neuronal artificial para la predicción del fenómeno “el Niño” en la región de Piura (Perú)\",\"authors\":\"Oscar J. M. Peña Cáceres, Manuel A. More More, Rudy Espinoza Nima, Henry Alejandro Silva Marchan\",\"doi\":\"10.37467/revtechno.v13.4815\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"El Fenómeno El Niño es un evento de origen climático. En el año 2017 este evento impacto la región Piura, Perú. Las fuertes precipitaciones pluviales generaron el desborde el río Piura que afecto los distritos de Piura, Castilla, Catacaos y Cura Mori. El objetivo del estudio es identificar las variables más influyentes y disponer de un modelo que prediga la ocurrencia del Fenómeno El Niño en la región Piura, mediante el uso de Redes Neuronales Artificiales. Los resultados indican que la Temperatura Superficial del Mar es la variable más influyente. El modelo tiene una precisión del 82% de precisión.\",\"PeriodicalId\":52365,\"journal\":{\"name\":\"Revista Internacional de Tecnologia, Ciencia y Sociedad\",\"volume\":\"15 1\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-02-28\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Revista Internacional de Tecnologia, Ciencia y Sociedad\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.37467/revtechno.v13.4815\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q4\",\"JCRName\":\"Computer Science\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Revista Internacional de Tecnologia, Ciencia y Sociedad","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.37467/revtechno.v13.4815","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"Computer Science","Score":null,"Total":0}
引用次数: 0
摘要
El nino现象是由气候引起的事件。2017年,这一事件影响了秘鲁皮乌拉地区。暴雨导致皮乌拉河泛滥,影响了皮乌拉、卡斯蒂利亚、卡塔考斯和库拉莫里地区。这项研究的目的是确定最具影响力的变量,并利用人工神经网络建立一个模型,预测皮乌拉地区El nino现象的发生。结果表明,海洋表面温度是影响最大的变量。该模型的准确率为82%。
Modelo de red neuronal artificial para la predicción del fenómeno “el Niño” en la región de Piura (Perú)
El Fenómeno El Niño es un evento de origen climático. En el año 2017 este evento impacto la región Piura, Perú. Las fuertes precipitaciones pluviales generaron el desborde el río Piura que afecto los distritos de Piura, Castilla, Catacaos y Cura Mori. El objetivo del estudio es identificar las variables más influyentes y disponer de un modelo que prediga la ocurrencia del Fenómeno El Niño en la región Piura, mediante el uso de Redes Neuronales Artificiales. Los resultados indican que la Temperatura Superficial del Mar es la variable más influyente. El modelo tiene una precisión del 82% de precisión.