Predicción niveles de precipitación para la identificación de zonas agrícolas

Weather conditions represent a key element in the development of crops, climatic events such as heavy rains and droughts symbolize a threat to agricultural production. The complexity in forecasting the levels of rainfall for the coming months represents a limitation in order to assess whether an area is suitable for agriculture and additionally rising the risk of partial or total loss of crops as a result of droughts or floods. The aim of this paper is the development of a predictive model capable of forecasting the rainfall levels in the next twelve months using the historical weather data of the Cundinamarca region, in Colombia. Subsequently, analyzing the model forecasting outputs, it is proposed the identification of areas and seasons suitable for agriculture. The predictive model use machine learning techniques that enable the model to learn from the weather historical data in order to generate rainfall forecast. The outputs generated by the predictive model preserve the trend of the rainfall levels recorded in the historical data of the evaluated areas. Finally, reviewing the forecasting data the process was able to locate the areas and months suitable for agricultural activities.Las condiciones climáticas representan un factor primordial en el desarrollo de los cultivos, fenómenos climáticos como lluvias intensas y sequias simbolizan una amenaza a la producción agrícola. La dificultad para estimar los niveles de lluvias de los próximos meses representa una limitante a fin de evaluar si una zona es apropiada para la agricultura, además de aumentar el riesgo de pérdida parcial o total de los cultivos como consecuencia de sequias o inundaciones. En el presente trabajo se plantea la construcción de un modelo predictivo capaz de estimar los niveles de precipitación para los próximos doce meses utilizando el historial climático de la región de Cundinamarca, en Colombia. Posteriormente, analizando las predicciones del modelo se propone la identificación de las zonas y meses propicios para la agricultura. El modelo predictivo utiliza técnicas de aprendizaje automatizado (machine learning) que permitirán al modelo aprender de los datos climáticos históricos con el fin de generar predicciones. Los resultados generados por el modelo preservan la tendencia de los niveles de lluvia registrados en los históricos de las zonas examinadas. Finalmente, analizando las predicciones se identificaron las zonas y meses adecuados para actividades agrícolas