Abstract: The present study seeks to examine the influence of altitude on maximum daily precipitation events in the Pacific basin of the Jubones River (Ecuador), which is known for having a marked difference in altitudinal variation. Precipitation events are assessed based on the 95th and 99th percentiles of a pluviometric data series, classifying them as rainy events and stormy events. The results show that altitude does not influence daily precipitation events, including rainy or very rainy, when events are taken as a total series throughout the year. However, if robust indicators are used for analysis, the results show a relationship between altitude and average rainfall. This relationship is affected by how the study area is classified between wet and dry seasons. In conclusion, examining very rainy and extremely rainy events as an inter-annual monthly daily series shows a high correlation coefficient between these values and altitude values.

Resumen: El presente estudio busca determinar la influencia de la altura en los eventos de precipitación máxima diaria en la cuenca del Pacífico del río Jubones (Ecuador), que tiene una variación altitudinal muy marcada. Los eventos de precipitación son analizados basados en los percentiles 95 y 99 de la serie de datos pluviométricos, clasificándolos a su vez como eventos lluviosos y eventos extremadamente lluviosos. Los resultados muestran que la altura no influye en los eventos de precipitación diaria, incluyendo eventos lluviosos o muy lluviosos, cuando son evaluados como una serie total a lo largo del año. Sin embargo, si se utilizan indicadores robustos, se encuentra una relación entre altura y precipitación media. Esta relación está influenciada por la clasificación entre estación húmeda y estación seca. En conclusión, al analizar eventos muy lluviosos y extremadamente lluviosos como series diarias mensuales interanuales existe un alto coeficiente de correlación entre estos valores y los valores de altura.

Resumo Métodos computacionais baseados em aprendizado de máquina tiveram amplo desenvolvimento e aplicação em hidrologia, especialmente para modelagem de sistemas que não possuem dados suficientes. Dentro deste problema faltam séries de dados que não devem ser necessariamente descartadas. Isso é feito por meio da imputação das mesmas obtendo-se conjuntos completos. Por este motivo, esta pesquisa propõe uma comparação de técnicas de aprendizagem computacional para identificar aquelas mais adequadas aos sistemas hidrográficos do Pacífico do Equador pelo interesse representado pelo estudo destes sistemas por complementaridade hidrológica. Para a elaboração desta investigação foram utilizados os registros hidrometeorológicos das estações de monitoramento localizadas nas bacias dos rios Esmeraldas, Cañar e Jubones durante 22 anos, compreendidos entre 1990 e 2012. As variáveis imputadas foram precipitação e vazão. Foram utilizadas máquinas de aprendizagem automática do módulo Python Scikit_Learn; esses módulos integram uma ampla gama de algoritmos de aprendizagem automatizados, como Linear Regression e Random Forest. Finalmente, foram obtidos resultados que levaram a um erro quadrático médio útil mínimo para Random Forest como um método de imputação de aprendizado de máquina automático que melhor se ajusta aos sistemas e dados analisados.

Abstract Computational methods based on machine learning have had extensive development and application in hydrology, especially for modelling systems that do not have enough data. Within this problem, there are data series that are missing, and that should not necessarily be discarded; this is achieved by means of the imputation of the same ones, obtaining complete sets. For this reason, this research proposes a comparison of computer-learning techniques to identify those best suited for hydrographic systems of the Pacific of Ecuador. For the elaboration of this investigation, the hydro-meteorological records of the monitoring stations located in the watersheds of the Esmeraldas, Cañar and Jubones Rivers were used for 22 years, between 1990 and 2012. The variables that were imputed were precipitation and flow. Automatic learning machines of the Python Scikit_Learn module were used; these modules integrate a wide range of automated learning algorithms, such as Linear Regression and Random Forest. Finally, results were obtained that led to a minimum useful mean square error for Random Forest as an automatic machine-learning imputation method that best fits the systems and data analyzed.