Una aplicación del algoritmo Particle Swarm Optimization (PSO) con datos de precipitación diaria en Campina Grande, Paraíba, Brasil
DOI:
https://doi.org/10.33448/rsd-v9i8.5841Palabras clave:
Precipitación; PSO; Campina grande.Resumen
Estudiamos la precipitación diaria en la ciudad de Campina Grande al estimar los parámetros de las distribuciones Gamma, Log-Normal y Weibull comparando la optimización de la optimización de enjambre de partículas (PSO) versus la estimación de máxima verosimilitud (MLE) para analizar y también comprender el comportamiento de la precipitación diario. en Campina Grande En la mayoría de los casos, los resultados obtenidos mostraron evidencia de que el algoritmo PSO es una técnica eficiente y robusta. Sin embargo, el algoritmo también presenta una alternativa eficiente para la estimación de parámetros debido a su rápida convergencia.
Citas
Abbasi, B., Jahromi, A. H. E., Arkat, J., & Hosseinkouchack, M. (2006). Estimating the parameters of Weibull distribution using simulated annealing algorithm. Applied Mathematics and Computation, 183(1), 85-93.
Bardolle, F., Delay, F., Bichot, F., Porel, G., & Dörfliger, N. (2014). A Particle Swarm
Optimization for Parameter Estimation of a Rainfall-Runoff Model. In Mathematics of Planet
Earth (pp. 153-156). Springer, Berlin, Heidelberg.
Ben-Zvi, A. (2009). Rainfall intensity–duration–frequency relationships derived from large partial duration series. Journal of Hydrology, 367(1-2), 104-114.
Beskow, S., Caldeira, T. L., de Mello, C. R., Faria, L. C., & Guedes, H. A. S. (2015). Multiparameter probability distributions for heavy rainfall modeling in extreme southern Brazil. Journal of Hydrology: Regional Studies, 4, 123-133.
Carneiro, T. C., Melo, S. P., Carvalho, P. C., & Braga, A. P. D. S. (2016). Particle swarm optimization method for estimation of Weibull parameters: a case study for the Brazilian northeast region. Renewable energy, 86, 751-759.
Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature. Geoscientific model development, 7(3), 1247-1250.
Cho, H. K., Bowman, K. P., & North, G. R. (2004). A comparison of gamma and lognormal distributions for characterizing satellite rain rates from the tropical rainfall measuring mission. Journal of Applied meteorology, 43(11), 1586-1597.
Do Nascimento, K. K. F., dos Santos, F. S., da Silva Jale, J., & Ferreira, T. A. E. (2020a). Comparison of methods and distribution models for the modeling of wind speed data in the municipality of Petrolina, Northeast Brazil. Research, Society and Development, 9(7), 308974221.
Do Nascimento, K. K. F., dos Santos, F. S., da Silva Jale, J., & Ferreira, T. A. E. (2020b). Behavior of financial agents in an artificial market developed with the Particle Swarm Optimization algorithm. Research, Society and Development, 9(7), 285974216.
Eberhart, R., & Kennedy, J. (1995, October). A new optimizer using particle swarm theory. In MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science (pp. 39-43). Ieee.
Franco, C. S., Marques, R. F., Oliveira, A. S., & de Oliveira, L. F. (2014). Distribuição de probabilidades para precipitação máxima diária na Bacia Hidrográfica do Rio Verde, Minas Gerais. Revista Brasileira de Engenharia Agrícola e Ambiental, 18(7), 735-741.
Fukuyama, Y. (2008). Fundamentals of particle swarm optimization techniques. Modern heuristic optimization techniques: theory and applications to power systems, 71-87.
Handoyo, S., Efendi, A., Jie, F., & Widodo, A. (2017). Implementation of particle swarm optimization (PSO) algorithm for estimating parameter of arma model via maximum likelihood method. Far East Journal of Mathematical Sciences, 102(7), 1337-1363.
Heo, J. H., Salas, J. D., & Boes, D. C. (2001). Regional flood frequency analysis based on a Weibull model: Part 2. Simulations and applications. Journal of hydrology, 242(3-4), 171-182.
Jakubcová, M., Máca, P., & Pech, P. (2015). Parameter estimation in rainfall-runoff
modelling using distributed versions of particle swarm optimization algorithm. Mathematical
Problems in Engineering, 2015.
Örkcü, H. H., Özsoy, V. S., Aksoy, E., & Dogan, M. I. (2015). Estimating the parameters of 3-p Weibull distribution using particle swarm optimization: A comprehensive experimental comparison. Applied Mathematics and Computation, 268, 201-226.
Papalexiou, S. M., Koutsoyiannis, D., & Makropoulos, C. (2013). How extreme is extreme? An assessment of daily rainfall distribution tails. Hydrology & Earth System Sciences, 17(1).
Pereira, A. S., Shitsuka, D. M., Pereira, F. J., & Shitsuka, R. (2018). Methodology of cientific research.[e-Book]. Santa Maria City. UAB/NTE/UFSM Editors. Accessed on: May, 9th, 2020. Available at: https://repositorio. ufsm. br/bitstream/handle/1/15824/Lic_Computacao_ Metodologia-Pesquisa-Cientifica. pdf.
Pereira, P. A., Cavalcante, J. I., Souza, W. M., & Galvíncio, J. D. (2016). Climate change and rainfall variability in the city of Campina Grande-PB: analysis from historical series of precipitation. Journal of Hyperspectral Remote Sensing, 6(3), 130-138.
Ren, C., An, N., Wang, J., Li, L., Hu, B., & Shang, D. (2014). Optimal parameters selection for BP neural network based on particle swarm optimization: A case study of wind speed forecasting. Knowledge-based systems, 56, 226-239.
Sammut, C., & Webb, G. I. (Eds.). (2011). Encyclopedia of machine learning. Springer Science & Business Media.
Sugahara, S., Da Rocha, R. P., & Silveira, R. (2009). Non‐stationary frequency analysis of extreme daily rainfall in Sao Paulo, Brazil. International Journal of Climatology: A Journal of the Royal Meteorological Society, 29(9), 1339-1349.
Taormina, R., & Chau, K. W. (2015). Data-driven input variable selection for rainfall–runoff modeling using binary-coded particle swarm optimization and extreme learning
machines. Journal of hydrology, 529, 1617-1632.
Wilks, D. S. (1998). Multisite generalization of a daily stochastic precipitation generation model. journal of Hydrology, 210(1-4), 178-191.
Wong, G., Lambert, M. F., Leonard, M., & Metcalfe, A. V. (2010). Drought analysis using trivariate copulas conditional on climatic states. Journal of Hydrologic Engineering, 15(2), 129-141.
Yan, Z., Bate, S., Chandler, R. E., Isham, V., & Wheater, H. (2002). An analysis of daily maximum wind speed in northwestern Europe using generalized linear models. Journal of Climate, 15(15), 2073-2088.
Yaseen, Z. M., Ebtehaj, I., Kim, S., Sanikhani, H., Asadi, H., Ghareb, M. I., ... & Shahid, S. (2019). Novel hybrid data-intelligence model for forecasting monthly rainfall with uncertainty analysis. Water, 11(3), 502.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
