Modelamiento del pronóstico del fenómeno El Niño en Piura aplicando redes neuronales artificiales

• Autor: Celi Pinzón, Jorge Luis
• Formato: tesis de grado
• Fecha de Publicación: 2016
• Institución: Universidad Nacional de Piura
• Repositorio: UNP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unp.edu.pe:20.500.12676/4017
• Enlace del recurso: https://repositorio.unp.edu.pe/handle/20.500.12676/4017
• Nivel de acceso: acceso abierto
• Materia: redes neuronales artificiales; Fenómeno El Niño; pronósticos; programación; arquitectura de las redes; procesamiento automático; http://purl.org/pe-repo/ocde/ford#2.11.04

El objetivo es construir una red neuronal que busque modelar el pronóstico del Fenómeno El Niño en Piura. En ella se han utilizado datos históricos tomados mensualmente de la temperatura superficial del mar en las 4 zonas denominadas El Niño y la velocidad de vientos alisios. La investigación se inicia con un análisis estadístico de las variables meteorológicas y con el estudio de la relación que tienen entre ellas. Luego se analizan los componentes de tendencia y estacionalidad de la serie de tiempo de las precipitaciones para ver el comportamiento de la variable y al mismo tiempo se implementa el modelo matemático de Winters. El diseño de la red neuronal artificial que modele el comportamiento del fenómeno El Niño se hace en dos etapas, la primera en la que se crean redes neuronales para cada variable independiente como una serie de tiempo y una segunda etapa en la que se construye la red neuronal en la cual ingresan los valores pronosticados de las redes neuronales de series de tiempo para realizar el pronóstico de las precipitaciones. La red que mejor ha modelado el problema, fue aquella que está compuesta por 10 neuronas en la primera capa oculta, 14 en la segunda capa oculta y 250 épocas. Haciendo una comparación entre el método de Winters y las redes neuronales artificiales, comprobamos que la metodología que mejor se ajustó en el pronóstico de las precipitaciones de Piura, fue la de redes neuronales artificiales, la cual obtuvo un error cuadrático medio de 0.0011 y un MAPE de 2.21% frente a los obtenidos con el método de Winter, con un error cuadrático medio de 0.0070 y un MAPE de 6.2585%.