https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
358
Artículo de investigación
Random Forest como herramienta para mejorar la precisión en la
imputación de datos meteorológicos en Chimborazo, Ecuador
Random Forest as a tool to improve accuracy in the imputation of
meteorological data in Chimborazo, Ecuador
Laura Susana Naranjo Ordoñez*
Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Instituto Superior Universitario “San Gabriel”
Riobamba - Ecuador
laura.naranjo@upec.edu.ec
https://orcid.org/0000-0002-3534-0545
Amalia Isabel Escudero Villa
Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Escuela Superior Politécnica de Chimborazo
Riobamba - Ecuador
aescudero@espoch.edu.ec
https://orcid.org/0000-0003-4506-932X
*Correspondencia:
laura.naranjo@upec.edu.ec
Cómo citar este artículo:
Naranjo, L., & Escudero, A. (2025). Random
Forest como herramienta para mejorar la
precisión en la imputación de datos
meteorológicos en Chimborazo, Ecuador.
Esprint Investigación, 4(2), 358-375.
https://doi.org/10.61347/ei.v4i2.169
Recibido: 23 de agosto de 2025
Aceptado: 23 de septiembre de 2025
Publicado: 30 de septiembre de 2025
Resumen:
Gestionar la información faltante en los registros meteorológicos
monitoreados por el Grupo de Energías Alternativas y Ambientales (GEAA) es esencial
para realizar un análisis climático preciso y tomar decisiones informadas. El objetivo de
este artículo fue evaluar la efectividad del algoritmo Random Forest mediante el software
estadístico R.
La investigación tuvo un enfoque cuantitativo con un alcance descriptivo-
comparativo; el diseño es no experimental y longitudinal. Se comparó Random Forest (k-
NN) con el de k-vecinos más cercanos (k-NN o K-Nearest Neighbors) utilizando diversas
métricas, como Error Cuadrático Medio (RMSE), Error Medio Absoluto (MAE), pruebas
de Kolmogorow-Smirnov, sumado a ello la eficiencia computacional en cuanto al tiempo
y memoria. Los resultados indicaron que Random Forest obtuvo mayor precisión con
respecto a k-NN; los valores de RMSE y MAE son evidentemente más bajos. RF demandó
mayor recurso computacional, la capacidad y efectividad al momento de procesar
registros de alta complejidad lo convierten en la mejor opción, proporcionando mayor
confiabilidad al momento de imputar y, por ende, datos de calidad.
Palabras clave: Datos faltantes, imputación, k-vecinos más cercanos (k-NN),
meteorología, Random Forest (RF).
Abstract: Managing missing information in meteorological records monitored by the Alternative
and Environmental Energy Group (GEAA) is essential for conducting accurate climate analyses
and making informed decisions. The objective of this article was to evaluate the effectiveness of
the Random Forest algorithm using the statistical software R. The research followed a
quantitative approach with a descriptive-comparative scope; the design was non-experimental and
longitudinal. Random Forest was compared with the k-Nearest Neighbors (k-NN) algorithm
using various metrics, such as Root Mean Squared Error (RMSE), Mean Absolute Error (MAE),
and Kolmogorov-Smirnov tests, along with computational efficiency in terms of time and
memory. The results indicated that Random Forest achieved higher accuracy compared to k-NN,
with significantly lower RMSE and MAE values. Although RF required greater computational
resources, its capacity and effectiveness in processing highly complex records make it the best
option, providing greater reliability in data imputation and, consequently, higher-quality
datasets.
Keywords: Imputation, k-nearest neighbors (k-NN), meteorology, missing data, Random Forest
(RF).
Copyright: Derechos de autor 2025 Laura
Susana Naranjo Ordoñez, Amalia Isabel
Escudero Villa.
Esta obra está bajo una licencia internacional
Creative
Commons Atribución-
NoComercial 4.0.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 359
1. Introducción
Las estaciones meteorológicas generan registros que permiten transformar la información cuantificable
en insumos para la toma de decisiones. Para que estos datos adquieran valor científico, deben pasar por
un proceso de validación que garantice bases confiables, reduzca los márgenes de error y aumente la
precisión de los resultados. Sin embargo, en el caso de estudio compuesto por 11 estaciones
meteorológicas en la provincia de Chimborazo-Ecuador, se evidencian problemas recurrentes en los
registros debido al alto porcentaje de vacíos. Esta situación limita la posibilidad de realizar predicciones
confiables, introduce sesgos en los análisis y dificulta la toma de decisiones (Troyanskaya et al., 2001).
En meteorología, el desafío se intensifica por la cantidad de variables a considerar. La temperatura
es una de las más analizadas (Economou et al., 2023), pero también influyen factores como la humedad,
la presión atmosférica, la precipitación, el viento, la nubosidad y la radiación solar (Zúñiga & Crespo,
2021). Estos parámetros, al estar interrelacionados, requieren registros completos para reflejar con
fidelidad las condiciones atmosféricas de un lugar.
La obtención de tales registros depende de diversos métodos y tecnologías de monitoreo que
capturan la dinámica del clima (Dimitri et al., 2024). No obstante, persiste un problema común: la
presencia de datos incompletos, producto de fallos en sensores, interrupciones en la transmisión o
errores humanos. Estas deficiencias reducen la disponibilidad de información climática integral y, por
ende, limitan la calidad de los análisis (Hayawi et al., 2024).
En respuesta a este reto, en los últimos años se ha incorporado tecnología como el Internet of Things
(IoT), que ha mejorado los procesos de recopilación (Saied & Guirguis, 2025). Pese a su utilidad, la
implementación de estas herramientas aún enfrenta restricciones técnicas y operativas (Galván &
Medina, 2007; Breiman, 2001). Como resultado, el análisis meteorológico puede verse retrasado y, en
algunos casos, derivar en pronósticos erróneos (Lacourly, 2012). Por ello, disponer de registros
completos y confiables se vuelve una condición indispensable, más aún cuando continuamente se
desarrollan modelos predictivos que buscan optimizar la toma de decisiones (Rizal et al., 2022).
En este contexto, la gestión de los datos adquiere un papel central. Entre las estrategias más
utilizadas para imputar vacíos se encuentra el algoritmo k-Nearest Neighbors (k-NN), que funciona
como un método de aprendizaje supervisado no paramétrico. Este evalúa la proximidad de k vecinos
definidos por el usuario, aplicando fórmulas como las distancias euclidianas y de Manhattan. No
obstante, el rendimiento del modelo depende en gran medida de la correcta elección de k, lo que puede
comprometer los resultados (Hou et al., 2024; Troyanskaya et al., 2001).
Con el fin de superar estas limitaciones y garantizar la calidad de los registros meteorológicos de
Chimborazo-Ecuador, monitoreados por el GEAA, esta investigación se propuso evaluar la efectividad
del algoritmo Random Forest mediante el software estadístico R. A diferencia de k-NN, este método
ofrece un modelo más robusto, capaz de aprovechar la correlación entre múltiples variables para
predecir valores faltantes con menor sesgo. Su funcionamiento se basa en la construcción de árboles
de decisión a partir de muestras bootstrap, lo que introduce diversidad y reduce el sobreajuste
(Yarupaita, 2021; Han et al., 2020).
Cada árbol aporta un voto y la predicción final se obtiene mediante agregación, un esquema que
permite manejar grandes volúmenes de datos y que muestra resistencia frente al ruido y a los valores
atípicos (Breiman, 2001; Schonlau & Zou, 2020; Bashir et al., 2024). Estas características convierten a
Random Forest en una alternativa sólida para la imputación de datos meteorológicos, con potencial de
ser replicada en otras regiones que enfrentan dificultades similares en la validación de registros (Díaz-
Uriarte & Alvarez, 2006).
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 360
2. Metodología
La investigación tiene un enfoque cuantitativo con un alcance descriptivo-comparativo (Hernández-
Sampieri & Mendoza, 2018). El diseño es no experimental y longitudinal, puesto que se analizaron la
frecuencia y la distribución temporal de faltantes en las estaciones meteorológicas del GEAA en
Chimborazo–Ecuador. Se identificaron los registros por periodos de tiempo en mes, día y hora,
correspondientes al año 2019, con el fin de realizar la imputación y la evaluación de la efectividad de
los métodos Random Forest y k-NN.
Random Forest (RF)
Se aplicó el algoritmo del paquete Random Forest en R, este utiliza 300 árboles y 10 iteraciones. El
método permite observar relaciones no lineales entre las variables, es eficiente ante valores extremos.
La elección se debió a la seguridad que tiene este cuando se trabajan múltiples variables
correlacionadas (Amat, 2020; Hastie et al., 2009).
(
)
=
1
()
(
)
= estimación,
= número total de árboles,
(
)
= predicción individual de -ésima del árbol de decisiones.
k-vecinos más cercanos (k-NN o K-Nearest Neighbors)
Para la comparación se utilizó el algoritmo k-NN del paquete VIM con k=5. El método imputa datos con
base en los valores más similares, evaluando la distancia euclidiana entre observaciones (Amat, 2020).
(
,
)
=
(
)
Donde:
(
,
)
= distancia euclídea,
, = puntos del vector,
= segundo punto del vector,
,
= coordenadas -ésima,
= número de dimensiones o atributos.
Evaluación
Para validar la calidad de la imputación, se trabajó con un conjunto de datos reales completos, en los cuales
se colocaron valores faltantes de manera aleatoria para simular pérdidas. Para la comparación de las bases
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 361
imputadas y originales se utilizaron métricas como el Error Cuadrático Medio (RMSE), que mide el error
cuadrático promedio, y el Error Absoluto Medio (MAE), que evalúa el promedio del error absoluto.
Se emplearon contrastes de hipótesis para evaluar parámetros necesarios, tales como: el test de
Kolmogorov-Smirnov para comparar las distribuciones de las bases imputadas con las originales; la
prueba de Shapiro-Wilk para identificar si los datos provienen de poblaciones con distribución normal;
y las pruebas t de Student y Wilcoxon para comparar las medias en cuanto al tiempo y la capacidad de
memoria requerida por cada técnica de imputación (Amat, 2020).
= sup
(
)
(
)
Donde:
= -ésimo valor observado en la muestra,
(
)
= estimador de la probabilidad,
(
)
= probabilidad de observar valores menores o iguales que
.
Los resultados obtenidos fueron tabulados por variable, método, y el desempeño se visualizó
mediante figuras y tablas para una mejor comprensión del comportamiento de cada imputador.
Recursos
Los recursos empleados para el desarrollo del estudio incluyeron el lenguaje R (versión ≥ 4.2.0),
organizado por fases. Los resultados fueron exportados a hojas de Excel para facilitar su manejo. Se
integraron librerías esenciales como openxlsx, lubridate, tidyverse, randomForest, missForest, mice,
VIM, writexl, zoo, y dplyr.
Datos y Variables
El conjunto de datos empleado corresponde a los registros de las estaciones meteorológicas ubicadas
en Urbina, Matus, San Juan, Espoch, Quimiag, Tunshi, Alao, Multitud, Tixán y Cumandá durante el
año 2019, pertenecientes a la provincia de Chimborazo-Ecuador (figura 1).
Figura 1
Localización de las estaciones meteorológicas monitoreadas por el GEAA.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 362
La base está compuesta por 20 variables, en su mayoría cuantitativas y continuas, medidas cada
hora, lo que ofrece una visión detallada de las condiciones atmosféricas y del suelo. Entre ellas se
encuentran la temperatura ambiental, la humedad relativa, la presión atmosférica, la radiación solar,
la temperatura del suelo a distintos niveles, la precipitación, la dirección y velocidad del viento, y la
sensación térmica, como se describe en la tabla 1.
Tabla 1
Variables meteorológicas analizadas en la investigación
Nº Abreviatura Significado Tipo Unidad
Stat_TA_1h_Avg
Temperatura ambiental promedio (cada
hora)
Cuantitativa continua °C
Stat_RH_1h_Avg Humedad relativa promedio (cada hora) Cuantitativa continua %
Stat_PA_1h_Avg Presión atmosférica promedio (cada hora) Cuantitativa continua
Stat_SR_Dif_1h_Avg Radiación solar difusa promedio (cada hora) Cuantitativa continua
/²
Stat_SR_Glob_1h_Avg Radiación solar global promedio (cada hora) Cuantitativa continua
/²
Stat_TS_1h_TG1_Avg
Temperatura del suelo nivel 1 promedio
(cada hora)
Cuantitativa continua °C
Stat_TS_1h_TG2_Avg
Temperatura del suelo nivel 2 promedio
(cada hora)
Cuantitativa continua °C
Stat_TS_1h_TG3_Avg
Temperatura del suelo nivel 3 promedio
(cada hora)
Cuantitativa continua °C
Stat_TS_1h_TG4_Avg
Temperatura del suelo nivel 4 promedio
(cada hora)
Cuantitativa continua °C
Stat_TS_1h_TG5_Avg
Temperatura del suelo nivel 5 Promedio
(cada hora)
Cuantitativa continua °C
Stat_TS_1h_TG6_Avg
Temperatura del suelo nivel 6 promedio
(cada hora)
Cuantitativa continua °C
Stat_TS_1h_TG7_Avg
Temperatura del suelo nivel 7 promedio
(cada hora)
Cuantitativa continua °C
Sum_PR_1h_Sum Precipitación acumulada (cada hora) Cuantitativa continua
WRun Recorrido del viento Cuantitativa continua
DirAvg Dirección del viento promedio (cada hora) Cuantitativa continua
Grados
(°)
GustDir Dirección de la racha de viento Cuantitativa continua
Grados
(°)
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 363
GustH Hora de la racha de viento Cuantitativa continua
Hora
(formato
24h)
GustM Minuto de la racha de viento Cuantitativa continua Minuto
SpdAvg Velocidad promedio del viento Cuantitativa continua
/
Stat_WindChill_1h_SDI12_A
vg
Sensación térmica promedio (cada hora) Cuantitativa continua °C
Proceso de la data
El diagrama de flujo (figura 2) muestra paso a paso el proceso metodológico realizado para evaluar el
mejor método de imputación de datos faltantes en cada variable. Se inicia con la recepción de la data
y la verificación de registros mediante un análisis descriptivo, con el fin de comprobar que los datos
cumplieran los parámetros establecidos por el GEAA, así como la omisión de variables con faltantes
excesivos para lograr un análisis robusto. Posteriormente, se aplicaron las técnicas y métodos
especificados en el diagrama.
Figura 2
Diagrama de flujo del proceso metodológico del estudio.
3. Resultados
Esta sección presenta los hallazgos obtenidos al aplicar los métodos de imputación Random Forest y
k-vecinos más cercanos, en los datos meteorológicos monitoreados por el GEAA en Chimborazo. Se
evaluaron 20 variables (X_1,X_2,...,X_20) como indica la Tabla 1, de las cuales se excluyeron de la X_13
a la X_19 debido a la presencia de datos faltantes. Se aplicaron las métricas de desempeño: el MAE
(error absoluto medio) y el RMSE (error cuadrático medio).
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 364
En la figura 3 se visualiza en el eje de las X cada una de las variables y el eje Y el porcentaje de
faltantes. Las celdas azules representan los datos válidos, mientras que las celdas rojas indican ausencia
de registros. Se observa que la mayoría de las variables están completas, a excepción de las X_13 a la
X_19. Debido a que presentan porcentajes mayores al 10% de datos faltantes, con el propósito de
obtener resultados más confiables para la investigación.
Dado que este estudio se centra en evaluar la efectividad de los métodos de imputación, era
necesario asegurar que los resultados comparativos reflejaran la calidad del algoritmo y no las
limitaciones de un conjunto de datos con pérdidas excesivas. Por esta razón, se priorizó trabajar
únicamente con variables que presentaban registros prácticamente completos, lo que garantizó mayor
confiabilidad en las conclusiones obtenidas.
Figura 3
Datos faltantes
Se visualizan los resultados del análisis descriptivo comparativo (tabla 2) de las bases imputadas
y los datos originales, donde se observan los 281 valores faltantes creados aleatoriamente en todas
las variables. Estos, una vez aplicados los métodos Random Forest y k-Nearest Neighbors,
desaparecen. Se visualiza que las medidas de tendencia central (media, mediana y moda) y las
medidas de dispersión (mínimo y máximo) se mantienen similares con respecto a la base original, lo
que indica que la imputación no alteró los datos originales entregados por el GEAA en Chimborazo-
Ecuador.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 365
Tabla 2
Análisis estadístico descriptivo de los datos disponibles
Variable Base NAs Media Mediana Min Max
Original 281 11.171 10.491 0.521 20.920
RF 0 11.139 10.477 0.521 20.92
k-NN 0 11.157 10.503 0.521 20.92
Original 281 79.651 83.961 33.247 99.006
RF 0 79.924 84.347 33.247 99.006
k-NN 0 79.751 83.933 33.247 99.006
Original 281 709.038 709.174 704.241 713,031
RF 0 709.001 709.125 704.241 713.031
k-NN 0 709.008 709.136 704.241 713.031
Original 281 134.011 0.002 0 1363.04
RF 0 132.004 0 0 1363.04
k-NN 0 135.436 0.217 0 1363.04
Original 281 165.664 0 0 1383.878
RF 0 163.794 0 0 1383.878
k-NN 0 167.062 0.026 0 1383.878
Original 281 13.072 10.781 -1.187 37.126
RF 0 12.987 10.766 -1.187 37.126
k-NN 0 13.042 10.806 -1.187 37.126
Original 281 13.865 11.606 -0.283 39.970
RF 0 13.779 11.582 -0.283 39.97
k-NN 0 13.837 11.630 -0.283 39.97
Original 281 14.758 13.572 3.491 33.078
RF 0 14.746 13.612 3.491 33.078
k-NN 0 14.766 13.630 3.491 33.078
Original 281 14.964 14.435 6.251 27.723
RF 0 15.009 14.497 6.251 27.723
k-NN 0 14.982 14.469 6.251 27.723
Original 281 14.940 14.933 9.438 20.505
RF 0 15.014 15.039 9.438 20.505
k-NN 0 14.955 14.948 9.438 20.505
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 366
Original 281 14.792 14.939 11.693 17.155
RF 0 14.836 15.086 11.693 17.155
k-NN 0 14.793 14.935 11.693 17.155
Original 281 14.464 14.510 12.388 15.961
RF 0 14.495 14.702 12.388 15.961
k-NN 0 14.446 14.394 12.388 15.961
Original 281 5.976 6.346 -3.895 13.895
RF 0 5.958 6.334 -3.895 13.895
k-NN 0 5.970 6.362 -3.895 13.895
En la figura 4 se observa por cada uno de los elementos, un conjunto de tres diagramas de caja y
bigotes, en los cuales se observa que las medidas de tendencia central y de dispersión, son similares
con respecto a la base original ratificando que los métodos de imputación Random Forest y por k-
vecinos más cercanos conservan la distribución original.
Figura 4
Distribución comparativa entre los datos originales, imputación con RF y k-NN.
Análisis de distribución de Kolmogorov-Smirnov por variable y método de imputación
En la figura 5 se observan las Funciones de Distribución Acumulativa Empírica (FDCE) de cada
variable; se representa gráficamente la probabilidad acumulativa, muestra la proporción de puntos de
datos menores o iguales a un valor dado. Estos gráficos escalonados van de 0 a 1 en el eje Y; las líneas
estrechamente alineadas sugieren distribuciones estadísticamente iguales, lo que proporciona una
visión de los efectos de imputación.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 367
Figura 5
Comparación de distribuciones de Kolmogorov-Smirnov por variable y método de imputación
Para determinar si el método de imputación de Random Forest supera significativamente al de los
k-vecinos más cercanos, se evaluó la consistencia entre las distribuciones imputadas y el conjunto de
datos original. La siguiente sección describe la formulación de la hipótesis.
: No existe una diferencia significativa entre la distribución de la data original con respecto a las
imputadas mediante Random Forest y k-vecinos más cercanos.
: Existe una diferencia significativa entre la distribución de la data original con respecto a las
imputadas mediante Random Forest y k-vecinos más cercanos.
Se trabajó con un nivel de confianza del 95%, lo que corresponde a α = 0.05, valor utilizado en los
análisis estadísticos. El p-value indica la probabilidad de obtener un resultado mayor o menor al
observado; en base al mismo se decide rechazar o no la hipótesis nula (H0). En la investigación se aplicó
la prueba de Kolmogorov-Smirnov, la cual indicó que no se rechaza la hipótesis nula (p menor que o
igual a alfa), afirmando que no existe evidencia de diferencia significativa entre las distribuciones.
Existe suficiente evidencia para no rechazar la hipótesis nula, es decir, no difieren significativamente
las bases de datos originales con respecto a los imputados. La prueba Kolmogorov-Smirnov (tabla 3)
aplicada a las distribuciones de las bases de datos imputadas por Random Forest y k-vecinos más
cercanos, indica que son estadísticamente iguales a las originales.La variable X_5 correspondiente a
Radiación solar global promedio imputada mediante el método de k-Vecinos más cercanos, se rechaza
la hipótesis nula, es decir, que la distribución es estadísticamente diferente a la original.
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 368
Tabla 3
Resultados y regla de decisión Kolmogorov-Smirnov.
Variable Comparación p.value Conclusión
Temperatura ambiental promedio
orig vs k-NN 0.971 No se rechazó
( 0.05)
orig vs RF 0.992 No se rechazó
( 0.05)
Humedad relativa promedio
orig vs k-NN 0.921 No se rechazó
( 0.05)
orig vs RF 0.498 No se rechazó
( 0.05)
Presión atmosférica promedio
orig vs k-NN 0.856 No se rechazó
( 0.05)
orig vs RF 0.637 No se rechazó
( 0.05)
Radiación solar difusa promedio
orig vs k-NN 0.943 No se rechazó
( 0.05)
orig vs RF 0.975 No se rechazó
( 0.05)
Radiación solar global promedio
orig vs k-NN 0.001 Rechazó
(< 0.05)
orig vs RF 0.182 No se rechazó
( 0.05)
Temperatura del suelo nivel 1
orig vs k-NN 0.999 No se rechazó
( 0.05)
orig vs RF 0.875 No se rechazó
( 0.05)
Temperatura del suelo nivel 2
orig vs k-NN 0.993 No se rechazó
( 0.05)
orig vs RF 1.000 No se rechazó
( 0.05)
Temperatura del suelo nivel 3
orig vs k-NN 0.999
No se rechazó
( 0.05)
orig vs RF 0.999 No se rechazó
( 0.05)
Temperatura del suelo nivel 4
promedio
orig vs k-NN 1.000 No se rechazó
( 0.05)
orig vs RF 1.000 No se rechazó
( 0.05)
Temperatura del suelo nivel 5
orig vs k-NN 1.000 No se rechazó
( 0.05)
orig vs RF 1.000 No se rechazó
( 0.05)
Temperatura del suelo nivel 6
orig vs k-NN 0.994 No se rechazó
( 0.05)
orig vs RF 0.956 No se rechazó
( 0.05)
Temperatura del suelo nivel 7
orig vs k-NN 0.959 No se rechazó
( 0.05)
orig vs RF 0.737 No se rechazó
( 0.05)
Precipitación acumulada No se imputó, 87.85% de datos faltantes
Recorrido del viento No se imputó, 11% de datos faltantes
Dirección del viento No se imputó, 11% de datos faltantes
Dirección de la racha de viento No se imputó, 11% de datos faltantes
Hora de la racha de viento No se imputó, 11% de datos faltantes
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 369
Minuto de la racha de viento No se imputó, 11% de datos faltantes
Velocidad promedio del viento No se imputó, 11% de datos faltantes
Sensación térmica promedio
orig vs k-NN 0.999 No se rechazó H0. (p >= 0.05)
orig vs RF 0.914 No se rechazó H0. (p >= 0.05)
En la tabla 4 se visualizan los resultados obtenidos RMSE y MAE de la base de datos del año 2019, los
cuales evidencian que el algoritmo de Random Forest es más efectivo con respecto al método de k-
vecinos más cercanos en la imputación de datos meteorológicos faltantes. Observando así que RF arrojó
valores de RMSE y MAE más pequeños, con lo cual se indica que tiene mayor eficiencia al momento de
imputar datos, para obtener estos resultados se promediaron las métricas obtenidas de las 11 estaciones
meteorológicas que monitorea el GEAA en el año 2019.
Tabla 4
Resumen las métricas de evaluación obtenidas
Variable RMSE_RF MAE_RF RMSE_k-NN MAE_k-NN Mejor_RMSE Mejor_MAE
0.724 0.509 1.2 0.845 RF RF
4.735 3.414 6.64 4.564 RF RF
7.519 2.945 10.587 4.656 RF RF
69.333 27.458 99.545 43.026 RF RF
49.807 21.948 79.367 38.156 RF RF
0.506 0.28 1.304 0.797 RF RF
0.377 0.22 1.135 0.73 RF RF
0.395 0.244 0.883 0.577 RF RF
0.374 0.234 0.759 0.503 RF RF
0.328 0.23 0.517 0.365 RF RF
0.246 0.172 0.345 0.229 RF RF
0.252 0.183 0.334 0.222 RF RF
No imputado
1.813 1.398 2.075 1.584 RF RF
Evaluación del tiempo y memoria de imputación
: El tiempo y la memoria empleados siguen una distribución normal.
: El tiempo y la memoria empleados no siguen una distribución normal.
La prueba de Shapiro-Wilk (tabla 5) aplicada a los tiempos y memoria empleadas en la imputación
muestra resultados diferenciados. Tanto el tiempo de usuario como el tiempo transcurrido en ambos
métodos (RF y k-NN) siguen una distribución normal, al igual que el tiempo de sistema en RF y la
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 370
memoria Vcells en RF. Sin embargo, en el caso de tiempo de sistema en k-NN, memoria Vcells en k-NN
y memoria Ncells en ambos métodos, los resultados evidencian que no se cumple la normalidad. Por lo
tanto, en el siguiente análisis se requiere la aplicación de pruebas tanto paramétricas como no
paramétricas para contrastar de manera adecuada los resultados.
Tabla 5
Resultados y regla de decisión Shapiro-Wilk
Variable
p.value
Conclusión
Tiempo_Usuario_Segs
RF 0.135 No se rechazó
( 0.05)
k-NN 0.502 No se rechazó
( 0.05)
Tiempo_Sistema_Segs
RF 0.058 No se rechazó
( 0.05)
k-NN 0.003 Rechazó
( 0.05)
Tiempo_Transcurrido_Segs
RF 0.077 No se rechazó
( 0.05)
k-NN 0.095 No se rechazó
( 0.05)
Memoria_Vcells_MB
RF 0.146 No se rechazó
( 0.05)
k-NN 0.029 Rechazó
( 0.05)
Memoria_Ncells_MB
RF 0.002 Rechazó
( 0.05)
k-NN 0.003 Rechazó
( 0.05)
: No existe diferencia significativa sobre tiempo y memoria implementada en la imputación de
datos al utilizar RF y k-NN.
: Existe diferencia significativa sobre tiempo y memoria implementada en la imputación de datos
al utilizar RF y k-NN.
Existe suficiente evidencia para rechazar la hipótesis nula (H_0), es decir, la comparación de medias
entre RFy k-NN (tabla 6) para el tiempo y la memoria en la imputación de datos muestra diferencias
estadísticamente significativas en todas las variables. Los resultados sugieren que k-NN requiere un
tiempo de ejecución menor, pero ligeramente mayor memoria, mientras que Random Forest requiere
más tiempo con menor memoria. Por lo tanto, se debe considerar el costo computacional al elegir el
método de imputación.
Tabla 6
Resultados y regla de decisión comparación de medias
Comparación Método p_value Conclusión
Tiempo_Usuario_Segs RF vs k-NN
t-Student para muestras
independientes
0.0005 Rechazó
( 0.05)
Tiempo_Sistema_Segs RF vs k-NN Wilcoxon 0.0010 Rechazó
( 0.05)
Tiempo_Transcurrido_Segs RF vs k-NN
t-Student para muestras
independientes
0.0009 Rechazó
( 0.05)
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 371
Memoria_Vcells_MB RF vs k-NN Wilcoxon 0.0010 Rechazó
( 0.05)
Memoria_Ncells_MB RF vs k-NN Wilcoxon 0.0010 Rechazó
( 0.05)
Los resultados de la tabla 7 indican que el método k-vecinos más cercanos demoró 33.3 segundos en
promedio en imputar, siendo menor que 486.37 al momento de procesar el código de Random Forest. Se
observó que k-NN utilizó mayor memoria virtual 8.41 MB que RF 7.11 MB, siendo mínima la diferencia.
La memoria para objetos no vectoriales (Ncells), al ejecutar los dos métodos es de ~2.88 MB, siendo la
misma.
Si la investigación se basara en la eficiencia computacional, evidentemente k-NN sería el mejor
método de imputación, puesto que logra una imputación en menor tiempo con un consumo de memoria
muy similar al de RF.
Tabla 7
Tiempo de imputación / memoria virtual.
Metodo_Imputacion
Tiempo
usuario
segundos
Tiempo
sistema
segundos
Tiempo
transcurrido
segundos
Memoria
Vcells MB
Memoria
Ncells MB
Random Forest (RF) 286.047 1.025 486.375 7.107 2.882
K-Nearest Neighbors
(KNN)
20.012 0.135 33.3 8.412 2.892
La figura 6 indica que los datos imputados tienen la misma tendencia en su distribución con respecto
a los originales, ratificando visualmente lo obtenido en la prueba de Kolmogorov-Smirnov (tabla 3) que
las distribuciones son estadísticamente iguales.
Figura 6
Análisis de datos imputados
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 372
4. Discusión
La ausencia de datos en registros meteorológicos representa una limitación frecuente que afecta
directamente la calidad de los análisis climáticos y compromete la confiabilidad de los resultados
obtenidos a partir de ellos. En este estudio se evaluaron dos métodos de imputación: Random Forest
(RF) y k-Nearest Neighbors (k-NN), con el propósito de identificar cuál de ellos ofrece mejores
condiciones para la reconstrucción de registros faltantes en las estaciones meteorológicas de la
provincia de Chimborazo. Los resultados indicaron que RF superó a k-NN en términos de precisión,
al obtener de manera consistente valores de RMSE y MAE más bajos en la mayoría de las variables
analizadas. Este hallazgo se encuentra en línea con lo reportado por Breiman (2001) y Qi (2012), quienes
destacan a RF como un algoritmo con alta capacidad para manejar relaciones no lineales y trabajar de
manera eficiente con datos de gran dimensión.
El análisis comparativo también evidenció que, aunque k-NN demandó menos tiempo de ejecución
y un uso ligeramente menor de memoria, su desempeño fue menos confiable en la imputación de los
datos. Estos resultados reafirman las observaciones de Galván y Medina (2007), quienes describen a k-
NN como un método computacionalmente eficiente, pero con limitaciones importantes cuando se
enfrenta a grandes volúmenes de información o a estructuras de datos con patrones complejos. En este
sentido, aunque k-NN puede resultar atractivo en entornos donde el costo computacional es una
prioridad, su menor capacidad de ajuste frente a la variabilidad de los datos limita su utilidad en
aplicaciones que requieren alta precisión, como es el caso de la predicción y análisis climático.
De manera complementaria, Velastegui y Horna (2023) concluyeron que, al aplicar distintos
métodos de imputación como MICE, Hot Deck y RF en variables meteorológicas específicas, RF mostró
un rendimiento superior en términos de exactitud y estabilidad de los resultados. Los hallazgos de este
estudio refuerzan esa conclusión, pues RF no solo ofreció menores márgenes de error, sino que también
mantuvo una estructura más coherente en la reconstrucción de las series temporales, lo que confirma
su ventaja frente a métodos más simples.
Asimismo, los resultados permiten afirmar que el valor de RF no reside únicamente en su precisión,
sino también en su robustez estadística. A diferencia de k-NN, que depende de la correcta elección de
parámetros como el número de vecinos (k), RF integra múltiples árboles de decisión generados a partir
de muestras bootstrap. Este mecanismo introduce diversidad en el modelo y reduce el sobreajuste, lo
que le otorga una mayor capacidad para adaptarse a conjuntos de datos heterogéneos y con valores
atípicos. Dichas características han sido documentadas en investigaciones de diversas áreas, como la
predicción de enfermedades o la reconstrucción de series temporales complejas (Céspedes, 2022; Bashir
et al., 2024). Esto evidencia que, a pesar de requerir un mayor consumo de recursos computacionales,
RF ofrece un balance más favorable entre precisión y estabilidad, lo que lo convierte en una
herramienta confiable para la imputación de datos meteorológicos incompletos.
Otro aspecto relevante es que, al analizar la aplicabilidad de los métodos, se observa que k-NN
puede ser más útil en escenarios con limitaciones tecnológicas o en bases de datos pequeñas, donde su
rapidez y bajo costo computacional compensan su menor exactitud. Sin embargo, cuando el objetivo
es garantizar la calidad de los registros y minimizar los sesgos en los análisis, RF emerge como la
opción más adecuada. Esto coincide con las conclusiones de Silva (2024), quien señaló que los métodos
más robustos tienden a superar a los algoritmos simples en la imputación de series de precipitación,
incluso en condiciones de alta complejidad.
En el contexto específico de Chimborazo, donde los registros meteorológicos presentan un
porcentaje elevado de vacíos, la selección de un método de imputación robusto resulta determinante
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 373
para la generación de información confiable. Los resultados de este estudio permiten sostener que RF,
pese a su mayor costo computacional, garantiza una mejor calidad en los registros reconstruidos y
contribuye de manera más efectiva a la fiabilidad de los análisis climáticos. De este modo, la elección
del método no debería guiarse únicamente por el tiempo de procesamiento o el uso de memoria, sino
por un equilibrio entre eficiencia y precisión, siendo RF la alternativa más sólida para aplicaciones que
requieren información de alta calidad.
Finalmente, al contrastar los hallazgos con lo reportado en la literatura, se observa una tendencia
consistente: los métodos basados en enfoques más complejos, como RF, logran superar a técnicas
tradicionales como k-NN en términos de exactitud, resistencia al ruido y capacidad de generalización.
Esta convergencia entre la evidencia empírica y los estudios previos no solo valida los resultados
obtenidos, sino que también abre la posibilidad de replicar la aplicación de RF en otras regiones que
enfrentan problemas similares de incompletitud en sus registros meteorológicos. Así, se confirma que
la imputación con RF no solo mejora la calidad de los datos, sino que también fortalece la toma de
decisiones en escenarios donde la información climática precisa es esencial.
5. Conclusiones
El número de registros utilizados para este estudio fue en promedio de 8610 por cada una de las 13
variables, lo que permitió validar la metodología aplicada para la imputación de datos. Se comprobó que
Random Forest, implementado en el software estadístico R, generó distribuciones equivalentes a las
originales, lo que confirma su efectividad en la reconstrucción de registros meteorológicos incompletos.
Los análisis estadísticos (RMSE y MAE) mostraron que Random Forest ofrece mayor precisión que k-
vecinos más cercanos, mientras que en términos de tiempo y memoria k-NN resultó más eficiente. Sin
embargo, la capacidad de RF para reducir errores de predicción y manejar la complejidad de los datos lo
convierte en el método más adecuado para garantizar la integridad de la información meteorológica.
Referencias
Amat, J. (2020). Árboles de decisión, random forest, gradient boosting y C5.0. RPubs by RStudio.
https://rpubs.com/joaquin_ar/255596
Bashir, N., Mir, A., Daud, A., Rafique, M., & Bukhari, A. (2024). Time Series Reconstruction With
Feature-Driven Imputation: A Comparison of Base Learning Algorithms. IEEE Access, 12,
85511-85530. https://ieeexplore.ieee.org/abstract/document/10559977
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324
Céspedes, B. (2022). Aplicación del Algoritmo "Random Forest" para un modelo de clasificación sobre la
tenencia de anemia de niños del Perú [Tesis doctoral, Universidad Nacional del Santa]. Repositorio
Institucional Digital. https://repositorio.uns.edu.pe/handle/20.500.14278/4007
Díaz-Uriarte, R., & Alvarez, S. (2006). Gene selection and classification of microarray data using
random forest. BMC Bioinformatics, 7(3). https://doi.org/10.1186/1471-2105-7-3
Dimitri, G., Cappelli, I., Scarselli, F., Fort, A., & Gori, M. (2024). Graph neural networks for missing
data imputation in time series from meteorological sensors. In Proceedings of IEEE
MetroXRAINE 2024 (pp. 1242–1247). https://doi.org/10.1109/metroxraine62247.2024.10796616
Economou, T., Lazoglou, G., Tzyrkalli, A., Constantinidou, K., & Lelieveld, J. (2023). A data integration
framework for spatial interpolation of temperature observations using climate model data.
PeerJ, 11, e14519. https://doi.org/10.7717/peerj.14519
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 374
Galván, M., & Medina, F. (2007). Imputación de datos: teoría y práctica (Estudios Estadísticos 4755).
Comisión Económica para América Latina y el Caribe (CEPAL).
https://ideas.repec.org/p/ecr/col027/4755.html
Han, S., Kim, H., & Lee, Y. (2020). Double random forest. Machine Learning, 109, 1569–1586.
https://doi.org/10.1007/s10994-020-05889-1
Hastie, T., Tibshirani, R., & Friedman, J. (2009). Random forests. In The Elements of Statistical Learning
(pp. 587-604). Springer. https://doi.org/10.1007/978-0-387-84858-7_15
Hayawi, K., Shahriar, S., & Hacid, H. (2024). Imputación de datos climáticos y mejora de la calidad
mediante datos satelitales. Revista de Ciencia de Datos y Sistemas Inteligentes, 3 (2), 87-
97. https://doi.org/10.47852/bonviewJDSIS42022857
Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas cuantitativa,
cualitativa y mixta. McGraw Hill Education. https://doi.org/10.22201/fesc.20072236e.2019.10.18.6
Hou, T., Wu, L., Zhang, X., Wang, X., & Huang, J. (2023, November). STA-Net: Reconstruct Missing
Temperature Data of Meteorological Stations Using a Spatiotemporal Attention Neural
Network. In International Conference on Neural Information Processing (pp. 29-52). Singapore:
Springer Nature Singapore. https://link.springer.com/chapter/10.1007/978-981-99-8126-7_3
Lacourly, N. (2012). Estadística multivariada. Ebooks Patagonia – J. C. Sáez Editor.
Qi, Y. (2012). Random Forest for Bioinformatics. In C. Zhang & Y. Ma (Eds.), Ensemble Machine Learning
(pp. 307-323). Springer. https://doi.org/10.1007/978-1-4419-9326-7_11
Rizal, M., Wigena, A., & Afendi, F. (2022). Time series imputation using VAR-IM (case study: Weather
data in meteorological station of Citeko). BAREKENG: Journal of Mathematics and its
applications, 16(4), 1373-1384. https://doi.org/10.30598/barekengvol16iss4pp1373-1384
Saied, M., & Guirguis, S. (2025). Explainable artificial intelligence for botnet detection in internet of
things. Scientific Reports, 15, 7632. https://doi.org/10.1038/s41598-025-90420-6
Schonlau, M., & Zou, R. (2020). The random forest algorithm for statistical learning. Stata Journal, 20(1),
3–29. https://doi.org/10.1177/1536867X20909688
Silva, L. (2024). Comparación y Evaluación de Métodos para la Imputación de Precipitación
Faltante. Ciencia Latina Revista Científica Multidisciplinar, 8(5), 11486-11501.
https://doi.org/10.37811/cl_rcm.v8i5.14538
Troyanskaya, O., Cantor, M., Sherlock, G., Brown, P., Hastie, T., Tibshirani, R., Botstein, D., & Altman,
R. (2001). Missing value estimation methods for DNA microarrays. Bioinformatics, 17(6), 520–
525. https://doi.org/10.1093/bioinformatics/17.6.520
Velastegui, E., & Horna, E. (2023). Comparación de técnicas de relleno de datos faltantes de la variable
velocidad de viento de los años 2014 al 2021 [Tesis de grado, Escuela Superior Politécnica de
Chimborazo]. https://dspace.espoch.edu.ec/items/cb89c4e1-8554-447b-8f75-926704c44060
Yarupaita, B. (2021). Modelación espacial de la susceptibilidad a incendios forestales en la región Junín
utilizando el algoritmo Random Forest [Tesis de maestría, Universidad Nacional del Centro del
Perú]. Repositorio Institucional UNCP. http://hdl.handle.net/20.500.12894/7524
Zúñiga, I., & Crespo, E. (2021). Meteorología y climatología. UNED - Universidad Nacional de Educación
a Distancia. https://dialnet.unirioja.es/servlet/libro?codigo=789631
https://rei.esprint.tech
ISSN: 2960-8317
Vol. 4 N° 2, julio-diciembre 2025 (358-375)
Esprint Investigación
Laura Susana Naranjo Ordoñez, Amalia Isabel Escudero Villa 375
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Laura Susana Naranjo Ordoñez: Conceptualización, metodología, software, validación, análisis
formal, investigación, gestión de datos, visualización, redacción - preparación del borrador original,
redacción - revisión y edición, financiamiento, administración del proyecto, recursos, supervisión.
Amalia Isabel Escudero Villa: Conceptualización, metodología, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - revisión y edición, financiamiento, recursos,
supervisión.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
