Scribd
Cargar
97 vistas3 páginas

Análisis de Precipitaciones y Redes Neuronales

El documento carga datos de precipitación de varias estaciones usando Pandas, convierte los índices a datetimes y ordena los datos. Luego combina los datos en un marco de datos único y grafica la precipitación de cada estación. Finalmente, prepara los datos de entrada y salida para entrenar una red neuronal para predecir la precipitación basada en datos de múltiples estaciones.

Cargado por

Mijail Candia Armuto
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
97 vistas3 páginas

Análisis de Precipitaciones y Redes Neuronales

El documento carga datos de precipitación de varias estaciones usando Pandas, convierte los índices a datetimes y ordena los datos. Luego combina los datos en un marco de datos único y grafica la precipitación de cada estación. Finalmente, prepara los datos de entrada y salida para entrenar una red neuronal para predecir la precipitación basada en datos de múltiples estaciones.

Cargado por

Mijail Candia Armuto
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

import pandas as pd

%pylab inline

datosPptOtuzco = pd.read_excel("Xlsx/ReportePrecipitacion_Ppt_Otuzco.xlsx" , index_col=5,


parsedates= True)

[Link]()

datosPptOtuzco = pd.read_excel("Xlsx/ReportePrecipitacion_Ppt_Otuzco.xlsx" , index_col=5,


parsedates= True)

datosPptQuiruvilca = pd.read_excel("Xlsx/ReportePrecipitacion_Ppt_Quiruvilca.xlsx" ,
index_col=5, parsedates= True)

datosPptSalpo1 = pd.read_excel("Xlsx/ReportePrecipitacion_Ppt_Salpo1.xlsx" , index_col=5,


parsedates= True)

datosPptSalpo2 = pd.read_excel("Xlsx/ReportePrecipitacion_Ppt_Salpo2.xlsx" , index_col=5,


parsedates= True)

datosPptSinsicap = pd.read_excel("Xlsx/ReportePrecipitacion_Ppt_Sinsicap.xlsx" , index_col=5,


parsedates= True)

[Link] = pd.to_datetime([Link])

[Link]()

[Link] = pd.to_datetime([Link])

[Link] = pd.to_datetime([Link])

[Link] = pd.to_datetime([Link])

[Link] = pd.to_datetime([Link])

[Link] = pd.to_datetime([Link])

datosPptOtuzco["Valor"].sort_index(inplace=True)

[Link]()

datosPptOtuzco["Valor"].sort_index(inplace=True)

datosPptQuiruvilca["Valor"].sort_index(inplace=True)

datosPptSalpo1["Valor"].sort_index(inplace=True)
datosPptSalpo2["Valor"].sort_index(inplace=True)

datosPptSinsicap["Valor"].sort_index(inplace=True)

datosPptSalpo1["Valor"].ix["1997-01-01":"2002-12-31"].plot()

datosPptSalpo2["Valor"].ix["1997-01-01":"2002-12-31"].plot()

xticks(rotation="vertical")

TodasEstaciones = [Link]()

TodasEstaciones["PptSinsicap"] = datosPptSinsicap["Valor"]

TodasEstaciones["PptOtuzco"] = datosPptOtuzco["Valor"]

TodasEstaciones["PptQuiruvilca"] = datosPptQuiruvilca["Valor"]

TodasEstaciones["PptSalpo1"] = datosPptSalpo1["Valor"]

TodasEstaciones["PptSalpo2"] = datosPptSalpo2["Valor"]

TodasEstaciones["PptSalpo"] = TodasEstaciones[["PptSalpo1","PptSalpo2"]].max(axis=1)

[Link]["1965-01-01":"2009-12-31"].plot(subplots=True, figsize=(12,8));
[Link](loc="best")

xticks(rotation="vertical")

[Link]()

TodasEstaciones = [Link](0)

[Link]()
#configurar para la red neural

fechantinicio = "1970-01-01"

fechantfinal = "1974-12-31"

capasinicio = [Link][fechantinicio:fechantfinal].as_matrix()[:,[2,2,5]]

capasalida = [Link][fechantinicio:fechantfinal].as_matrix()[:,1]

_____________________________________

# construimos la red neuronal

from [Link] import Regressor, Layer

neurones = 8

tasaaprendizaje = 0.0001

numiteraciones = 7000

#definition of the training for the neural network

redneural = Regressor(

layers=[

Layer("Explin", units=neurones),

Layer("Explin", units=neurones), Layer("Linear")],

learning_rate=tasaaprendizaje,

n_iter=numiteraciones)

[Link](capasinicio, capasalida)

#get the prediction for the train set

valortest = ([])

for i in range([Link][0]):

prediccion = [Link]([Link]([capasinicio[i,:].tolist()]))

[Link](prediction[0][0])

También podría gustarte