Diseño de una red neuronal convolucional para el pronóstico del índice El Niño 3.4

• Autores: Rivera, Gerardo, Takahashi, Ken
• Formato: documento de trabajo
• Fecha de Publicación: 2022
• Institución: Instituto Geofísico del Perú
• Repositorio: IGP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.igp.gob.pe:20.500.12816/5342
• Enlace del recurso: http://hdl.handle.net/20.500.12816/5342
• Nivel de acceso: acceso abierto
• Materia: El Niño; ENSO; Redes neuronales convolucionales; Pronóstico de TSM; https://purl.org/pe-repo/ocde/ford#1.05.11; https://purl.org/pe-repo/ocde/ford#1.05.09

Los modelos neuronales convolucionales son capaces de aprender patrones complejos que los modelos dinámicos no son capaces de reproducir totalmente, en gran parte debido a la naturaleza no lineal de los eventos. El presente trabajo explora el modelo desarrollado por Ham et al. (2019, 2021), en donde, usando anomalías de temperatura superficial del mar y contenido de calor, se logra pronosticar el índice El Niño 3.4 con tiempos de antelación de hasta 14 meses. La modificación presentada no usa la técnica transfer-learning, por lo que los resultados de las correlaciones son menores que la del estudio citado. Sin embargo, se logra notar un potencial incremento en la habilidad de pronóstico para tiempos de antelación mayores al incluir la estacionalidad en la capa de entrada, lo que indicaría un mejor aprendizaje en la red.