Desarrollo de un modelo de Machine Learning para el pronóstico meteorológico de precipitación a escala subestacional en Perú

• Autores: Urbina, Brayan, Takahashi, Ken
• Formato: documento de trabajo
• Fecha de Publicación: 2023
• Institución: Instituto Geofísico del Perú
• Repositorio: IGP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.igp.gob.pe:20.500.12816/5540
• Enlace del recurso: http://hdl.handle.net/20.500.12816/5540
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Precipitación; Downscaling; Subestacional; https://purl.org/pe-repo/ocde/ford#1.05.09

Este trabajo muestra los avances de la aplicación del Machine Learning (ML) para predecir las precipitaciones en Perú a escala subestacional con hasta seis semanas de anticipación. Para ello, se utiliza el proyecto Subseasonal to Seasonal (S2S) como insumo para aplicar el enfoque de downscaling y mejorar la precisión y la resolución espacial de las predicciones teniendo como referencia el producto PISCOp V2.1 del SENAMHI. Luego de procesar los datos, se realiza un Análisis de Componentes Principales y se desarrollan modelos de regresión lineal múltiple para predecir los principales componentes observados utilizando los preestablecidos a partir de NCEP CFSv2 como predictores para cada día de pronóstico. Los resultados muestran un buen desempeño de las predicciones hasta 5 días de anticipación, especialmente en la región amazónica, pero la habilidad de pronóstico disminuye más allá de los cinco días debido a la complejidad de los factores que influyen en las precipitaciones y debido también a la simplicidad del modelo de regresión lineal. Se plantea la posibilidad de incorporar variables adicionales relacionadas con las oscilaciones de Madden-Julian (MJO, por sus siglas en inglés) en futuras versiones del modelo para ampliar el horizonte de pronóstico.