Análisis predictivo de variables climáticas en la región Piura utilizando redes neuronales recurrentes: una comparativa con modelos matemáticos tradicionales

• Autor: Banda Moreno, Carlos Alberto
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7586
• Enlace del recurso: https://hdl.handle.net/11042/7586
• Nivel de acceso: acceso abierto
• Materia: Cambios climáticos -- Predicción -- Investigaciones; Predicciones -- Modelos estadísticos -- Clima; Redes neuronales (Computadores) -- Aplicación -- Clima; 551.63; https://purl.org/pe-repo/ocde/ford#2.02.01

El Perú es uno de los países de la región sudamericana que más sufre los efectos de desastres naturales relacionados con la variabilidad climática. Su gran diversidad de climas lo hace vulnerable a fenómenos meteorológicos de distinta índole. Además, como cualquier sociedad moderna, posee una marcada dependencia de estas variables climáticas para el desarrollo de diversas actividades productivas, como la pesca, la agricultura y actividades al aire libre. Por ello, el desarrollo de herramientas predictivas resulta de gran interés tanto para el país como para otros miembros del bloque sudamericano, los cuales han dependido históricamente de modelos estadísticos internacionales carentes de la precisión local necesaria. En este documento, se presenta una base de conocimientos amplia para comprender la construcción de modelos estadísticos estándar y modelos basados en redes neuronales. La explicación adopta un enfoque didáctico, con el uso recurrente de ejemplos prácticos desarrollados de forma detallada, para luego avanzar hacia una comparación multifactorial y, finalmente, determinar las ventajas y limitaciones en la tarea de predecir condiciones climáticas. Los resultados indican que los modelos estadísticos (SARIMAX) presentan una menor adaptabilidad que los modelos basados en redes recursivas LSTM (Long Short Term Memory), debido a su limitada capacidad para parametrizar series con un período dominante bajo y una gran cantidad de datos. Aun así, se trata de un modelo válido para su uso en casos de periodos más altos (semanal, mensual, entre otras). En cuanto a los resultados analíticos puntuales, es evidente la superioridad de los modelos LSTM en la predicción paso a paso frente a los modelos SARIMAX, con un error cuadrático medio (MSE) de 0.492 frente a 5.31, respectivamente, a pesar de que la cantidad de muestras predichas por el modelo LSTM fue más de 300 veces mayor que la del modelo SARIMAX. Con respecto a las predicciones recursivas, los modelos SARIMAX obtuvieron un MSE de 17.25 sobre un total de 104 muestras, mientras que el modelo LSTM alcanzó un MSE de 25.28 sobre un total de 35,040 muestras. En una evaluación adicional, se analizaron los efectos de utilizar datos “pseudoreales” de la temperatura del agua superficial del mar de Paita como variable predictora de la temperatura del aire en Piura. En este caso, el modelo SARIMAX obtuvo un MSE de 0.48 en la predicción paso a paso (con 51 muestras) y de 15.25 en la predicción recursiva (también con 51 muestras). Por su parte, el modelo LSTM alcanzó un MSE de 1.87 para la predicción paso a paso (con 17,520 muestras) y de 21.21 para la predicción recursiva (con 1,000 muestras).