Gaona Barrera, Andrés EduardoVargas Vargas, Jhon EdisonAcero Cuéllar, Juanita2025-04-212025-04-212025-02-10http://hdl.handle.net/11349/94918Esta monografía aborda la importancia de la recopilación de datos meteorológicos mediante boyas a la deriva para comprender y predecir el comportamiento del océano y las condiciones climáticas en zonas costeras. Se analiza cómo, debido a la ubicación remota y a diversos factores técnicos y ambientales, se generan periodos con datos faltantes en las series temporales. Para enfrentar este desafío, se investigaron enfoques de modelado que permiten, en primer lugar, la reconstrucción de las series incompletas y, posteriormente, la predicción de las mismas variables —temperatura del aire, velocidad y dirección del viento— hasta un horizonte de dos semanas. El estudio desarrolló e implementó una estrategia integral basada en un preprocesamiento (interpolación de datos faltantes, eliminación de errores, corrección de valores atípicos y normalización) y en la evaluación de métodos como KNN, ARIMA, ARMA y redes neuronales recurrentes (RNN). Los resultados indican que, al enriquecer las RNN con información exógena, se capturan patrones complejos, logrando métricas significativamente superiores en la reconstrucción y predicción de las series, a costa de un mayor costo computacional en términos de tiempo de ejecución y consumo de memoria.This monograph addresses the importance of collecting meteorological data using drifting buoys to understand and predict ocean behavior and climatic conditions in coastal areas. It analyzes how, due to the remote location and various technical and environmental factors, periods with missing data occur in the time series. To tackle this challenge, modeling approaches were investigated that first allow for the reconstruction of incomplete series and then for the prediction of the same variables—air temperature, wind speed, and wind direction—up to a two-week horizon. The study developed and implemented a comprehensive strategy based on preprocessing (interpolation of missing data, error elimination, outlier correction, and normalization) and the evaluation of methods such as KNN, ARIMA, ARMA, and recurrent neural networks (RNN). The results indicate that, by enriching RNNs with exogenous information, complex patterns are captured, achieving significantly superior metrics in the reconstruction and prediction of the series, at the expense of a higher computational cost in terms of execution time and memory consumption.pdfspaBoyas a la derivaDatos meteorológicosReconstrucción de series temporalesPredicción de series temporalesRedes neuronales recurrentesInformación exógenabachelorThesisIngeniería Electrónica -- Tesis y disertaciones académicasOpenAccessDrifting buoysMeteorological dataTime series reconstructionTime series predictionRecurrent neural networksExogenous informationAbierto (Texto Completo)