Analysis of a new spatial interpolation weighting method to estimate missing data applied to rainfall records

En el presente trabajo se desarrollaron y probaron dos métodos generalizados ponderados de imputación de los valores de datos faltantes, utilizando para ello series diarias de precipitación.Se usaron registros de precipitación del estado de Tabasco, México, del periodo 1980-2012, para probar y evaluar la metodología propuesta.La imputación de datos faltantes en una estación meteorológica determinada se realizó utilizando información diaria de estaciones cercanas con patrones similares de precipitación.La selección de parámetros óptimos para las fórmulas propuestas se basó en la minimización del error medio absoluto mediante una estrategia evolutiva (CMA-ES).Se utilizó el método de K-medias junto con la distancia euclidiana para elegir las estaciones meteorológicas cercanas adecuadas.Se aplicaron cinco métodos diferentes para estimar el número óptimo de clústeres: el método de Elbow, la estadística de Gap y los índices TraceW, de Hartigan y de Krasnowski-Lai.Adicionalmente, se evaluó la estabilidad estructural de los clústeres seleccionados para demostrar que representan la estructura de datos correcta y no son resultado de un procedimiento interno artificial del algoritmo de agrupación.Los resultados de dos pruebas estadísticas, Friedman y Nemenyi post hoc, mostraron que los dos nuevos métodos presentados, producen estimaciones estadísticas significativamente mejores en comparación con otros métodos