Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "ZCM Vargas, SI Valdez, J Paredes-Tavares", 
2
  "author": "ZCM Vargas, SI Valdez, J Paredes-Tavares", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "A\u00f1o", 
7
      "key": "A\u00f1o", 
            
8
      "value": "2021"
8
      "value": "2021"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "DOI", 
11
      "key": "DOI", 
            
12
      "value": "https://doi.org/10.1109/enc53357.2021.9534803"
12
      "value": "https://doi.org/10.1109/enc53357.2021.9534803"
            
13
    }, 
13
    }, 
            
14
    {
14
    {
            
15
      "key": "Google Scholar URL", 
15
      "key": "Google Scholar URL", 
            
16
      "value": 
16
      "value": 
            
17
gesize=100&sortby=pubdate&citation_for_view=ibjfgWwAAAAJ:IWHjjKOFINEC"
17
gesize=100&sortby=pubdate&citation_for_view=ibjfgWwAAAAJ:IWHjjKOFINEC"
            
18
    }, 
18
    }, 
            
19
    {
19
    {
            
20
      "key": "Identificador hash", 
20
      "key": "Identificador hash", 
            
21
      "value": "f1f82b7987a7"
21
      "value": "f1f82b7987a7"
            
22
    }, 
22
    }, 
            
23
    {
23
    {
            
24
      "key": "Lugar de publicaci\u00f3n", 
24
      "key": "Lugar de publicaci\u00f3n", 
            
25
      "value": "2021 Mexican International Conference on Computer 
25
      "value": "2021 Mexican International Conference on Computer 
            
26
Science (ENC), 1-8, 2021"
26
Science (ENC), 1-8, 2021"
            
27
    }, 
27
    }, 
            
28
    {
28
    {
            
29
      "key": "Tipo", 
29
      "key": "Tipo", 
            
30
      "value": "Publicaci\u00f3n"
30
      "value": "Publicaci\u00f3n"
            
31
    }, 
31
    }, 
            
32
    {
32
    {
            
33
      "key": "Tipo de publicaci\u00f3n", 
33
      "key": "Tipo de publicaci\u00f3n", 
            
34
      "value": "Conferencia"
34
      "value": "Conferencia"
            
35
    }, 
35
    }, 
            
36
    {
36
    {
            
37
      "key": "URL directo", 
37
      "key": "URL directo", 
            
38
      "value": 
38
      "value": 
            
39
"https://ieeexplore.ieee.org/abstract/document/9534803/"
39
"https://ieeexplore.ieee.org/abstract/document/9534803/"
            
40
    }
40
    }
            
41
  ], 
41
  ], 
            
42
  "groups": [
42
  "groups": [
            
43
    {
43
    {
            
44
      "description": "", 
44
      "description": "", 
            
45
      "display_name": "Publicaciones", 
45
      "display_name": "Publicaciones", 
            
46
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
46
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
            
47
      "image_display_url": "", 
47
      "image_display_url": "", 
            
48
      "name": "publicaciones", 
48
      "name": "publicaciones", 
            
49
      "title": "Publicaciones"
49
      "title": "Publicaciones"
            
50
    }
50
    }
            
51
  ], 
51
  ], 
            
52
  "id": "d87c470f-ebf9-4d19-abf6-c8498d29e201", 
52
  "id": "d87c470f-ebf9-4d19-abf6-c8498d29e201", 
            
53
  "isopen": false, 
53
  "isopen": false, 
            
54
  "license_id": null, 
54
  "license_id": null, 
            
55
  "license_title": null, 
55
  "license_title": null, 
            
56
  "maintainer": null, 
56
  "maintainer": null, 
            
57
  "maintainer_email": null, 
57
  "maintainer_email": null, 
            
58
  "metadata_created": "2025-10-21T09:01:24.764036", 
58
  "metadata_created": "2025-10-21T09:01:24.764036", 
            
n
59
  "metadata_modified": "2025-10-21T09:03:15.893275", 
n
59
  "metadata_modified": "2025-10-21T09:03:16.425508", 
            
60
  "name": "f1f82b7987a7", 
60
  "name": "f1f82b7987a7", 
            
61
  "notes": "One of the most common problems related to meteorological 
61
  "notes": "One of the most common problems related to meteorological 
            
62
information is the missing registers. This lack of data generates 
62
information is the missing registers. This lack of data generates 
            
63
uncertainties in the analysis of climate, hydrology, and natural 
63
uncertainties in the analysis of climate, hydrology, and natural 
            
64
disasters. In Mexico, very often, this problem is present in all the 
64
disasters. In Mexico, very often, this problem is present in all the 
            
65
meteorological stations of the country. In this study, we apply two 
65
meteorological stations of the country. In this study, we apply two 
            
66
well-established spatial interpolation methods that have report 
66
well-established spatial interpolation methods that have report 
            
67
competitive performance in the specialized literature: the Inverse 
67
competitive performance in the specialized literature: the Inverse 
            
68
Distance Weighting (IDW) and Modified Inverse Distance Weighting 
68
Distance Weighting (IDW) and Modified Inverse Distance Weighting 
            
69
(MIDW); and they are compared with a proposal of spatio-temporal 
69
(MIDW); and they are compared with a proposal of spatio-temporal 
            
70
regression using an artificial neural network of the kind of 
70
regression using an artificial neural network of the kind of 
            
71
multilayer perceptron (MLP). The results show that using a combination 
71
multilayer perceptron (MLP). The results show that using a combination 
            
72
of spatial and temporal data with a low number of predictors is 
72
of spatial and temporal data with a low number of predictors is 
            
73
competitive with the comparing methods using a high number of 
73
competitive with the comparing methods using a high number of 
            
74
predictors. We compare the methods through statistical measures of the 
74
predictors. We compare the methods through statistical measures of the 
            
75
error for 31 meteorological stations of the Jalisco state in the 
75
error for 31 meteorological stations of the Jalisco state in the 
            
76
period of 2002-2006.", 
76
period of 2002-2006.", 
            
n
77
  "num_resources": 1, 
n
77
  "num_resources": 2, 
            
78
  "num_tags": 17, 
78
  "num_tags": 17, 
            
79
  "organization": {
79
  "organization": {
            
80
    "approval_status": "approved", 
80
    "approval_status": "approved", 
            
81
    "created": "2022-05-19T00:10:30.480393", 
81
    "created": "2022-05-19T00:10:30.480393", 
            
82
    "description": "Observatorio Metropolitano CentroGeo", 
82
    "description": "Observatorio Metropolitano CentroGeo", 
            
83
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
83
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
84
    "image_url": 
84
    "image_url": 
            
85
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
85
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
86
    "is_organization": true, 
86
    "is_organization": true, 
            
87
    "name": "observatorio-metropolitano-centrogeo", 
87
    "name": "observatorio-metropolitano-centrogeo", 
            
88
    "state": "active", 
88
    "state": "active", 
            
89
    "title": "Observatorio Metropolitano CentroGeo", 
89
    "title": "Observatorio Metropolitano CentroGeo", 
            
90
    "type": "organization"
90
    "type": "organization"
            
91
  }, 
91
  }, 
            
92
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
92
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
93
  "private": false, 
93
  "private": false, 
            
94
  "relationships_as_object": [], 
94
  "relationships_as_object": [], 
            
95
  "relationships_as_subject": [], 
95
  "relationships_as_subject": [], 
            
96
  "resources": [
96
  "resources": [
            
97
    {
97
    {
            
98
      "cache_last_updated": null, 
98
      "cache_last_updated": null, 
            
99
      "cache_url": null, 
99
      "cache_url": null, 
            
100
      "created": "2025-10-21T09:01:25.283761", 
100
      "created": "2025-10-21T09:01:25.283761", 
            
101
      "datastore_active": false, 
101
      "datastore_active": false, 
            
102
      "description": "One of the most common problems related to 
102
      "description": "One of the most common problems related to 
            
103
meteorological information is the missing registers. This lack of data 
103
meteorological information is the missing registers. This lack of data 
            
104
generates uncertainties in the analysis of climate, hydrology, and 
104
generates uncertainties in the analysis of climate, hydrology, and 
            
105
natural disasters. In Mexico, very often, this problem is present in 
105
natural disasters. In Mexico, very often, this problem is present in 
            
106
all the meteorological stations of the country. In this study, we 
106
all the meteorological stations of the country. In this study, we 
            
107
apply two well-established spatial interpolation methods that have 
107
apply two well-established spatial interpolation methods that have 
            
108
report competitive performance in the specialized literature: the 
108
report competitive performance in the specialized literature: the 
            
109
Inverse Distance Weighting (IDW) and Modified Inverse Distance 
109
Inverse Distance Weighting (IDW) and Modified Inverse Distance 
            
110
Weighting (MIDW); and they are compared with a proposal of 
110
Weighting (MIDW); and they are compared with a proposal of 
            
111
spatio-temporal regression using an artificial neural network of the 
111
spatio-temporal regression using an artificial neural network of the 
            
112
kind of multilayer perceptron (MLP). The results show that using a 
112
kind of multilayer perceptron (MLP). The results show that using a 
            
113
combination of spatial and temporal data with a low number of 
113
combination of spatial and temporal data with a low number of 
            
114
predictors is competitive with the comparing methods using a high 
114
predictors is competitive with the comparing methods using a high 
            
115
number of predictors. We compare the methods through statistical 
115
number of predictors. We compare the methods through statistical 
            
116
measures of the error for 31 meteorological stations of the Jalisco 
116
measures of the error for 31 meteorological stations of the Jalisco 
            
117
state in the period of 2002-2006.", 
117
state in the period of 2002-2006.", 
            
118
      "format": "HTML", 
118
      "format": "HTML", 
            
119
      "hash": "", 
119
      "hash": "", 
            
120
      "id": "a99bad5b-56ed-44ff-9ee3-6572a3785e4f", 
120
      "id": "a99bad5b-56ed-44ff-9ee3-6572a3785e4f", 
            
121
      "last_modified": null, 
121
      "last_modified": null, 
            
122
      "metadata_modified": "2025-10-21T09:03:15.897106", 
122
      "metadata_modified": "2025-10-21T09:03:15.897106", 
            
123
      "mimetype": null, 
123
      "mimetype": null, 
            
124
      "mimetype_inner": null, 
124
      "mimetype_inner": null, 
            
125
      "name": "Spatio-temporal interpolation of rainfall data in 
125
      "name": "Spatio-temporal interpolation of rainfall data in 
            
126
western Mexico", 
126
western Mexico", 
            
127
      "package_id": "d87c470f-ebf9-4d19-abf6-c8498d29e201", 
127
      "package_id": "d87c470f-ebf9-4d19-abf6-c8498d29e201", 
            
128
      "position": 0, 
128
      "position": 0, 
            
129
      "resource_type": null, 
129
      "resource_type": null, 
            
130
      "size": null, 
130
      "size": null, 
            
131
      "state": "active", 
131
      "state": "active", 
            
132
      "url": 
132
      "url": 
            
133
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:_Re3VWB3Y0AC", 
133
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:_Re3VWB3Y0AC", 
            
134
      "url_type": null
134
      "url_type": null
            
t
t
135
    }, 
            
136
    {
            
137
      "cache_last_updated": null, 
            
138
      "cache_url": null, 
            
139
      "created": "2025-10-21T09:03:16.475722", 
            
140
      "datastore_active": false, 
            
141
      "description": "One of the most common problems related to 
            
142
meteorological information is the missing registers. This lack of data 
            
143
generates uncertainties in the analysis of climate, hydrology, and 
            
144
natural disasters. In Mexico, very often, this problem is present in 
            
145
all the meteorological stations of the country. In this study, we 
            
146
apply two well-established spatial interpolation methods that have 
            
147
report competitive performance in the specialized literature: the 
            
148
Inverse Distance Weighting (IDW) and Modified Inverse Distance 
            
149
Weighting (MIDW); and they are compared with a proposal of 
            
150
spatio-temporal regression using an artificial neural network of the 
            
151
kind of multilayer perceptron (MLP). The results show that using a 
            
152
combination of spatial and temporal data with a low number of 
            
153
predictors is competitive with the comparing methods using a high 
            
154
number of predictors. We compare the methods through statistical 
            
155
measures of the error for 31 meteorological stations of the Jalisco 
            
156
state in the period of 2002-2006.", 
            
157
      "format": "HTML", 
            
158
      "hash": "", 
            
159
      "id": "ef23dec8-b76c-445a-961a-a0e5af545ef2", 
            
160
      "last_modified": null, 
            
161
      "metadata_modified": "2025-10-21T09:03:16.430623", 
            
162
      "mimetype": null, 
            
163
      "mimetype_inner": null, 
            
164
      "name": "Spatio-temporal interpolation of rainfall data in 
            
165
western Mexico", 
            
166
      "package_id": "d87c470f-ebf9-4d19-abf6-c8498d29e201", 
            
167
      "position": 1, 
            
168
      "resource_type": null, 
            
169
      "size": null, 
            
170
      "state": "active", 
            
171
      "url": 
            
172
esize=100&sortby=pubdate&citation_for_view=ibjfgWwAAAAJ:IWHjjKOFINEC", 
            
173
      "url_type": null
            
135
    }
174
    }
            
136
  ], 
175
  ], 
            
137
  "state": "active", 
176
  "state": "active", 
            
138
  "tags": [
177
  "tags": [
            
139
    {
178
    {
            
140
      "display_name": "2021", 
179
      "display_name": "2021", 
            
141
      "id": "79560db5-a3ce-45a1-80a6-2de3f9c2cf63", 
180
      "id": "79560db5-a3ce-45a1-80a6-2de3f9c2cf63", 
            
142
      "name": "2021", 
181
      "name": "2021", 
            
143
      "state": "active", 
182
      "state": "active", 
            
144
      "vocabulary_id": null
183
      "vocabulary_id": null
            
145
    }, 
184
    }, 
            
146
    {
185
    {
            
147
      "display_name": "artificial-neural-network", 
186
      "display_name": "artificial-neural-network", 
            
148
      "id": "d63d29ea-7b70-4ed5-83cc-66f3b9586c1c", 
187
      "id": "d63d29ea-7b70-4ed5-83cc-66f3b9586c1c", 
            
149
      "name": "artificial-neural-network", 
188
      "name": "artificial-neural-network", 
            
150
      "state": "active", 
189
      "state": "active", 
            
151
      "vocabulary_id": null
190
      "vocabulary_id": null
            
152
    }, 
191
    }, 
            
153
    {
192
    {
            
154
      "display_name": "computer-science", 
193
      "display_name": "computer-science", 
            
155
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
194
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
156
      "name": "computer-science", 
195
      "name": "computer-science", 
            
157
      "state": "active", 
196
      "state": "active", 
            
158
      "vocabulary_id": null
197
      "vocabulary_id": null
            
159
    }, 
198
    }, 
            
160
    {
199
    {
            
161
      "display_name": "data-mining", 
200
      "display_name": "data-mining", 
            
162
      "id": "bc92b940-6ae7-4005-9885-39c0bf8e2aa7", 
201
      "id": "bc92b940-6ae7-4005-9885-39c0bf8e2aa7", 
            
163
      "name": "data-mining", 
202
      "name": "data-mining", 
            
164
      "state": "active", 
203
      "state": "active", 
            
165
      "vocabulary_id": null
204
      "vocabulary_id": null
            
166
    }, 
205
    }, 
            
167
    {
206
    {
            
168
      "display_name": "geography", 
207
      "display_name": "geography", 
            
169
      "id": "26d92c26-2661-4858-bbad-409a405f763f", 
208
      "id": "26d92c26-2661-4858-bbad-409a405f763f", 
            
170
      "name": "geography", 
209
      "name": "geography", 
            
171
      "state": "active", 
210
      "state": "active", 
            
172
      "vocabulary_id": null
211
      "vocabulary_id": null
            
173
    }, 
212
    }, 
            
174
    {
213
    {
            
175
      "display_name": "interpolation-computer-graphics", 
214
      "display_name": "interpolation-computer-graphics", 
            
176
      "id": "b6e48f98-d6d0-4803-9ec9-f43e775b3e3a", 
215
      "id": "b6e48f98-d6d0-4803-9ec9-f43e775b3e3a", 
            
177
      "name": "interpolation-computer-graphics", 
216
      "name": "interpolation-computer-graphics", 
            
178
      "state": "active", 
217
      "state": "active", 
            
179
      "vocabulary_id": null
218
      "vocabulary_id": null
            
180
    }, 
219
    }, 
            
181
    {
220
    {
            
182
      "display_name": "inverse-distance-weighting", 
221
      "display_name": "inverse-distance-weighting", 
            
183
      "id": "7406f1bc-3c8a-4b81-a582-d8c8ab0fe465", 
222
      "id": "7406f1bc-3c8a-4b81-a582-d8c8ab0fe465", 
            
184
      "name": "inverse-distance-weighting", 
223
      "name": "inverse-distance-weighting", 
            
185
      "state": "active", 
224
      "state": "active", 
            
186
      "vocabulary_id": null
225
      "vocabulary_id": null
            
187
    }, 
226
    }, 
            
188
    {
227
    {
            
189
      "display_name": "jparedes", 
228
      "display_name": "jparedes", 
            
190
      "id": "45de6aed-42af-4ad7-8cc0-166ea484921e", 
229
      "id": "45de6aed-42af-4ad7-8cc0-166ea484921e", 
            
191
      "name": "jparedes", 
230
      "name": "jparedes", 
            
192
      "state": "active", 
231
      "state": "active", 
            
193
      "vocabulary_id": null
232
      "vocabulary_id": null
            
194
    }, 
233
    }, 
            
195
    {
234
    {
            
196
      "display_name": "meteorology", 
235
      "display_name": "meteorology", 
            
197
      "id": "2ca9823c-d03b-4c5d-98d8-7c839897cd25", 
236
      "id": "2ca9823c-d03b-4c5d-98d8-7c839897cd25", 
            
198
      "name": "meteorology", 
237
      "name": "meteorology", 
            
199
      "state": "active", 
238
      "state": "active", 
            
200
      "vocabulary_id": null
239
      "vocabulary_id": null
            
201
    }, 
240
    }, 
            
202
    {
241
    {
            
203
      "display_name": "missing-data", 
242
      "display_name": "missing-data", 
            
204
      "id": "10ad299c-8793-49fb-9e11-deca21618978", 
243
      "id": "10ad299c-8793-49fb-9e11-deca21618978", 
            
205
      "name": "missing-data", 
244
      "name": "missing-data", 
            
206
      "state": "active", 
245
      "state": "active", 
            
207
      "vocabulary_id": null
246
      "vocabulary_id": null
            
208
    }, 
247
    }, 
            
209
    {
248
    {
            
210
      "display_name": "multilayer-perceptron", 
249
      "display_name": "multilayer-perceptron", 
            
211
      "id": "60f49ef1-5d88-4eb6-9100-b57565b36ac7", 
250
      "id": "60f49ef1-5d88-4eb6-9100-b57565b36ac7", 
            
212
      "name": "multilayer-perceptron", 
251
      "name": "multilayer-perceptron", 
            
213
      "state": "active", 
252
      "state": "active", 
            
214
      "vocabulary_id": null
253
      "vocabulary_id": null
            
215
    }, 
254
    }, 
            
216
    {
255
    {
            
217
      "display_name": "multivariate-interpolation", 
256
      "display_name": "multivariate-interpolation", 
            
218
      "id": "dabe0c40-2f4b-4a3b-be68-205ae0c59ab7", 
257
      "id": "dabe0c40-2f4b-4a3b-be68-205ae0c59ab7", 
            
219
      "name": "multivariate-interpolation", 
258
      "name": "multivariate-interpolation", 
            
220
      "state": "active", 
259
      "state": "active", 
            
221
      "vocabulary_id": null
260
      "vocabulary_id": null
            
222
    }, 
261
    }, 
            
223
    {
262
    {
            
224
      "display_name": "perceptron", 
263
      "display_name": "perceptron", 
            
225
      "id": "db4be28c-c2bf-4a93-b3f4-9b6e51ae471d", 
264
      "id": "db4be28c-c2bf-4a93-b3f4-9b6e51ae471d", 
            
226
      "name": "perceptron", 
265
      "name": "perceptron", 
            
227
      "state": "active", 
266
      "state": "active", 
            
228
      "vocabulary_id": null
267
      "vocabulary_id": null
            
229
    }, 
268
    }, 
            
230
    {
269
    {
            
231
      "display_name": "regression", 
270
      "display_name": "regression", 
            
232
      "id": "0a62c1a6-d0bf-42d4-a43b-9edab20627e6", 
271
      "id": "0a62c1a6-d0bf-42d4-a43b-9edab20627e6", 
            
233
      "name": "regression", 
272
      "name": "regression", 
            
234
      "state": "active", 
273
      "state": "active", 
            
235
      "vocabulary_id": null
274
      "vocabulary_id": null
            
236
    }, 
275
    }, 
            
237
    {
276
    {
            
238
      "display_name": "spatial-analysis", 
277
      "display_name": "spatial-analysis", 
            
239
      "id": "8b17cb4b-47dc-45d1-96dd-1e677bb43458", 
278
      "id": "8b17cb4b-47dc-45d1-96dd-1e677bb43458", 
            
240
      "name": "spatial-analysis", 
279
      "name": "spatial-analysis", 
            
241
      "state": "active", 
280
      "state": "active", 
            
242
      "vocabulary_id": null
281
      "vocabulary_id": null
            
243
    }, 
282
    }, 
            
244
    {
283
    {
            
245
      "display_name": "svaldez", 
284
      "display_name": "svaldez", 
            
246
      "id": "f42a8210-1cef-4f03-98a0-a6d3d0d4f848", 
285
      "id": "f42a8210-1cef-4f03-98a0-a6d3d0d4f848", 
            
247
      "name": "svaldez", 
286
      "name": "svaldez", 
            
248
      "state": "active", 
287
      "state": "active", 
            
249
      "vocabulary_id": null
288
      "vocabulary_id": null
            
250
    }, 
289
    }, 
            
251
    {
290
    {
            
252
      "display_name": "weighting", 
291
      "display_name": "weighting", 
            
253
      "id": "1215aeaf-94a9-41aa-94f9-1c445cd394f1", 
292
      "id": "1215aeaf-94a9-41aa-94f9-1c445cd394f1", 
            
254
      "name": "weighting", 
293
      "name": "weighting", 
            
255
      "state": "active", 
294
      "state": "active", 
            
256
      "vocabulary_id": null
295
      "vocabulary_id": null
            
257
    }
296
    }
            
258
  ], 
297
  ], 
            
259
  "title": "Spatio-temporal interpolation of rainfall data in western 
298
  "title": "Spatio-temporal interpolation of rainfall data in western 
            
260
Mexico", 
299
Mexico", 
            
261
  "type": "dataset", 
300
  "type": "dataset", 
            
262
  "url": 
301
  "url": 
            
263
esize=100&sortby=pubdate&citation_for_view=ibjfgWwAAAAJ:IWHjjKOFINEC", 
302
esize=100&sortby=pubdate&citation_for_view=ibjfgWwAAAAJ:IWHjjKOFINEC", 
            
264
  "version": null
303
  "version": null
            
265
}
304
}