/ Proyectos / Ambiente / Predicción de precipitación con datos abiertos
Predicción de precipitación combinando estación propia y datos abiertos de cuencas hidrográficas
Cómo comprobar, con evidencia y no con intuición, si un producto satelital abierto como GPCC o CHIRPS mejora un modelo de precipitación local, y cómo un shapefile abierto de la cuenca ayuda a interpretar mejor ese resultado.
El punto de partida era una pregunta que se repite en muchos proyectos ambientales. Una estación propia mide la precipitación de una cuenca, pero su registro tiene huecos y cubre un solo punto del territorio. Al mismo tiempo existen productos de precipitación de acceso abierto, publicados por instituciones como NOAA y el Climate Hazards Center de la Universidad de California en Santa Bárbara, que cubren el planeta entero con estimaciones satelitales. La pregunta real no era si esos datos abiertos existen, sino si de verdad ayudan a predecir mejor la precipitación de esa cuenca en particular.
Se construyó un modelo de Random Forest en dos versiones. Una entrenada solo con el historial de la estación propia y otra que suma como característica adicional el valor del producto abierto sobre la misma zona. Comparar ambas versiones, en vez de asumir que el dato abierto ayuda por el simple hecho de estar disponible, es lo que convierte una intuición razonable en una decisión de ingeniería respaldada por evidencia. Además, se usó un polígono cartográfico abierto de la cuenca, equivalente a un shapefile o a un archivo KML, para confirmar que el punto de medición representa realmente al territorio de interés.
Mapa del casoContenido
- Diagrama de la solución. De la estación propia y el dato abierto a la comparación de modelos
- Construcción de la solución. Cómo se validó el valor real de un dato abierto en vez de asumirlo
- Condiciones del proyecto. Restricciones reales y opciones descartadas antes de construir
- Pasos. Qué se dejó al agente y qué criterio se aplicó en cada uno
- Proceso de iteración. Qué tan grande resultó la mejora real, sin exagerarla
- Descargables. Notebook, diagrama y repositorio del proyecto
- Lecciones importantes. La lección concreta que deja este caso
Estructura de alto nivelDiagrama de la solución
Pasa el cursor sobre cada bloque para ver qué hace ese paso.
El dato cartográfico de la cuenca corre en paralelo al modelo de predicción, no dentro de él. Su función es dar contexto para interpretar el resultado, no alimentar directamente la variable objetivo.
De la estación propia al dato enriquecidoConstrucción de la solución
Condiciones del proyecto
| Restricción | Dato |
|---|---|
| Registro de estación propia | Serie mensual con huecos ocasionales por fallas de campo |
| Datos abiertos disponibles | Productos satelitales tipo GPCC y CHIRPS, con menor resolución espacial que la estación puntual |
| Información cartográfica | Delimitación de la cuenca disponible en formatos abiertos como shapefile o KML |
| Objetivo del modelo | Predecir la precipitación mensual de la estación propia, no reemplazarla por el dato satelital |
| Opción | Por qué se descartó |
|---|---|
| Usar solo el registro de la estación propia | Desperdicia información pública disponible que podría reducir el error del modelo |
| Reemplazar el registro propio por el dato satelital abierto | El dato abierto suaviza los picos locales y pierde precisión puntual frente a la estación |
| Asumir sin comprobar que el dato abierto mejora el modelo | Es una suposición razonable, pero no es evidencia; el proyecto necesitaba una comparación medible |
| Modelo con el dato abierto como característica adicional, comparado contra el modelo solo con estación propia | Permite decidir con evidencia si el enriquecimiento realmente vale la pena |
Pasos
Selección de la fuente de dato abierto
Agente: propuso usar cualquier fuente satelital disponible sin distinguir su origen ni su metodología.
Criterio aplicado: priorizar productos como GPCC y CHIRPS, que combinan estaciones reales con estimación satelital y publican su metodología abiertamente, en vez de una fuente sin trazabilidad clara.
Comparación honesta antes de decidir el diseño final
Agente: propuso entrenar directamente el modelo enriquecido, dando por hecho que el dato abierto mejoraría el resultado.
Criterio aplicado: entrenar también la versión sin el dato abierto y comparar ambas, para que la decisión de incluirlo quedara respaldada por una medición real y no por una suposición.
Uso de la información cartográfica como contexto, no como variable del modelo
Agente: sugirió intentar meter atributos del polígono de la cuenca directamente como característica del modelo de predicción.
Criterio aplicado: mantener la delimitación cartográfica fuera del modelo y usarla solo para confirmar que la estación representa a la cuenca y para traducir la precipitación en un volumen de agua aproximado sobre el área real.
Manejo de huecos en el registro propio
Agente: propuso eliminar directamente los meses con hueco en la estación.
Criterio aplicado: interpolar solo huecos cortos y aislados, preservando la mayor cantidad posible de historial real en vez de reducir el tamaño de la muestra sin necesidad.
Proceso de iteración
Resultado real, sin exagerar
El modelo enriquecido con el dato abierto redujo el RMSE de 20.19 a 19.46 milímetros mensuales, una mejora relativa de 3.6%, con el R² subiendo de 0.692 a 0.714. Es una mejora real, pero modesta, no un salto dramático. Se reporta así, sin inflar la cifra, porque ese es justamente el punto de hacer la comparación: la utilidad de un dato abierto se mide, no se supone. En este caso la evidencia respalda usarlo, y la correlación de 0.869 entre la estación y el dato abierto explica por qué la ganancia, aunque moderada, es consistente.
CierreLecciones importantes
Un dato abierto no reemplaza a un dato propio y tampoco compite con él, lo complementa cuando se valida con evidencia. Esa validación es sencilla de hacer y muy fácil de saltarse: entrenar el modelo con y sin la fuente abierta, y comparar. La segunda lección fue de honestidad estadística. Una mejora de 3.6% no es un titular llamativo, pero es un resultado real, medible y defendible, y eso vale más que una cifra inflada que no resiste una revisión posterior.
Si quieres ver un enfoque publicado con una idea similar, comparación de datos satelitales abiertos frente a estaciones propias para modelos predictivos hidrológicos, este trabajo es una buena referencia del nivel de la contribución: Hybrid machine learning for flood prediction, comparing CHIRPS satellite and ground station data.
Termina ya tu proyecto
¿Tienes un proyecto similar y no sabes por dónde empezar? Yo te ayudo a diseñarlo.
El 92% de los profesionales de datos desbloquea sus proyectos al ver ejemplos completos resueltos.
Sin registro. Acceso inmediato