���������������������������������������������������������������������������������

 

 

Implementaci�n de pron�sticos meteorol�gicos a partir de Modelos Arima y Redes Neuronales en la provincia de Chimborazo

 

Implementation of meteorological forecasts from Arima Models and Neural Networks in the province of Chimborazo

 

Implementa��o de previs�es meteorol�gicas de modelos Arima e redes neurais na prov�ncia de Chimborazo

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: livemc11@hotmail.com

 

 

Ciencias T�cnicas y Aplicadas

Art�culo de Investigaci�n

 

* Recibido: 23 de septiembre de 2022 *Aceptado: 18 de octubre de 2022 * Publicado: 22 de noviembre de 2022

 

 

        I.            Ingeniera en Gerencia de Sistemas, Ministerio de Educaci�n, Riobamba, Ecuador.

      II.            M�ster en Estad�stica Aplicada, Universidad Nacional de Chimborazo, Riobamba, Ecuador.

   III.            Doctor en Estad�stica Matem�tica y Aplicada, Universidad Nacional de Chimborazo, Riobamba, Ecuador.

    IV.            Dottore di Ricerca in Information and Communication Engineering For Pervasive Intelligent Environments, Universidad Nacional de Chimborazo, Riobamba, Ecuador.

 

Resumen

Debido a la alta productividad y competencia econ�mica del pa�s, la agricultura es muy importante en la provincia de Chimborazo. Como uno de los sectores agr�colas m�s productivos, necesita tecnolog�as que ayuden a mejorar continuamente los procesos. Los cambios clim�ticos adversos pueden afectar la productividad, por lo que es importante comprender estos posibles cambios en las variables clim�ticas, como la temperatura, la humedad y la presi�n atmosf�rica. El objetivo fue obtener un modelo de pron�sticos id�neo que pudiera predecir los cambios clim�ticos para el correcto desarrollo de la producci�n agr�cola en zonas rurales. Los pron�sticos se realizaron utilizando la base de datos de las estaciones meteorol�gicas monitoreadas por el GEAA. Se obtuvieron tres pron�sticos, uno usando un modelo ARIMA, uno usando una red neuronal de Jordan y uno usando una red neuronal de Elman y estos se compararon con los valores reales. Los resultados muestran que los valores significativos de certeza fueron m�s evidentes en las redes neuronales especialmente la de Elman.

Palabras clave: Pron�stico; Clima; Temperatura, Humedad; Presi�n Atmosf�rica.

 

Abstract

Due to the high productivity and economic competition of the country, agriculture is very important in the province of Chimborazo. As one of the most productive agricultural sectors, you need technologies that help to continuously improve processes. Adverse weather changes can affect productivity, so it is important to understand these possible changes in weather variables such as temperature, humidity, and atmospheric pressure. The objective was to obtain a suitable forecast model that could predict climate changes for the correct development of agricultural production in rural areas. The forecasts were made using the database of the meteorological stations monitored by the GEAA. Three forecasts, one using an ARIMA model, one using a Jordan neural network, and one using an Elman neural network, were obtained and compared with the actual values. The results show that the significant values ​​of certainty were more evident in the neural networks, especially the Elman one.

Keywords: Forecast; Climate; Temperature, Humidity; Atmospheric pressure.

 

 

Resumo

Devido � alta produtividade e competi��o econ�mica do pa�s, a agricultura � muito importante na prov�ncia de Chimborazo. Como um dos setores agr�colas mais produtivos, voc� precisa de tecnologias que ajudem a melhorar continuamente os processos. Mudan�as clim�ticas adversas podem afetar a produtividade, por isso � importante entender essas poss�veis mudan�as nas vari�veis ​​clim�ticas, como temperatura, umidade e press�o atmosf�rica. O objetivo era obter um modelo de previs�o adequado que pudesse prever as mudan�as clim�ticas para o correto desenvolvimento da produ��o agr�cola nas �reas rurais. As previs�es foram feitas usando o banco de dados das esta��es meteorol�gicas monitoradas pelo GEAA. Tr�s previs�es, uma usando um modelo ARIMA, uma usando uma rede neural de Jordan e uma usando uma rede neural de Elman, foram obtidas e comparadas com os valores reais. Os resultados mostram que os valores significativos de certeza foram mais evidentes nas redes neurais, principalmente na de Elman.

Palavras-chave: Previs�o; Clima; Temperatura, Umidade; Press�o atmosf�rica.

 

Introducci�n

Desde �pocas remotas, la humanidad, se encuentra interesada en conocer los cambios constantes de las condiciones clim�ticas, sobre todo los relacionados con fen�menos atmosf�ricos como lluvias, sequ�as, calor y fr�o, los cuales influyen directamente en actividades como la caza y la siembra de cultivos (C�ceres Le�n, 2017) los resultados de las acciones descritas coadyuban al desarrollo de los colectivos en su mayor�a rurales a satisfacer necesidades alimentarias y econ�micas; sin embargo en los �ltimos a�os se observa un deterioro constante de la agricultura debido a los cambios intempestivos del clima, la producci�n en las zonas rurales ha decrecido significativamente a consecuencia de las grandes p�rdidas de los productores, con ello la econom�a sufre una afectaci�n fuerte que desencadena uno de los fen�menos sociales m�s grandes del mundo como es la migraci�n.

A nivel mundial, pa�ses como Estados Unidos, Canad� y Gran Breta�a utilizan sistemas de monitoreo de alerta temprana para actividades que van desde la prevenci�n de desastres naturales hasta la determinaci�n del comportamiento financiero y econ�mico en la bolsa mercantil; all�, las estaciones meteorol�gicas son muy importantes porque su infraestructura est� dise�ada para captar datos referentes a la velocidad, direcci�n de viento, radiaci�n solar, horas de fr�o, precipitaci�n, humedad relativa, evapotranspiraci�n, presi�n atmosf�rica, entre otros, la informaci�n consolidada permite generar modelos predictivos que ayudan a los grupos de agricultores a comprender la fenolog�a de los cultivos, las plagas y enfermedades que amenazan el buen ciclo de vida del mismo, los cultivadores cuentan con herramientas cuantitativas y cualitativas para "decidir" el tiempo de siembra y cosecha (Sep�lveda Casadiego, 2020); si bien es cierto estas actividades en gobiernos que no han dado la importancia necesaria a los cambios clim�ticos pueden resultar un desgaste de presupuesto gubernamental porque consideran un gasto innecesario que puede ser monitoreado con un criterio emp�rico, pero pa�ses como Argentina conscientes de su importancia apoyan investigaciones� ligadas con el cambio clim�tico y la urgente necesidad de aumentar la producci�n de alimentos debido al aumento de la poblaci�n mundial, es as� como los administradores de esta naci�n dise�aron un prototipo de sistema que permite a los cultivos utilizar la tecnolog�a disponible de redes de sensores remotos con el menor consumo energ�tico y la capacidad de operar en condiciones adversas, las variables ambientales meteorol�gicas y fisiol�gicas son monitoreadas y analizadas para tomar decisiones que mejoren la productividad de los cultivos (Odiard, 2020); en Cuba un estudio analiza los principales fen�menos meteorol�gicos peligrosos susceptibles que afectan las provincias de La Habana, Artemisa y Mayabe tras localizar extremos de precipitaci�n, viento y temperatura; con base en los hallazgos los protocolos de operaci�n de alarmas est�n dise�ados para predecir tormentas locales severas, vientos fuertes, inundaciones costeras, ciclones tropicales, fuertes lluvias, niebla y temperaturas extremas con la finalidad de salvaguardar la vida humana y vegetal (Hern�ndez Capote, Gonz�lez Ram�rez, & Gonz�lez Jardines, 2021).

As� como existen pa�ses que han invertido en estos temas, se cuenta tambi�n con la otra cara de la moneda, Per� un pa�s azotado por sequ�as sufre p�rdidas de cosechas, muertes de ganado, plagas y enfermedades; problemas que afectan a los peque�os productores agr�colas y a los habitantes urbanos, por el desconocimiento de futuras sequ�as y efectos del cambio clim�tico (Avenda�o Chagua, 2021); Chile por su parte, es muy sensible a las heladas lo que genera p�rdidas a los productores de cultivos de papa, cifras elevadas de dinero se perdieron hasta que un estudio plante� la implementaci�n de sistemas de monitoreo y alerta temprana de heladas con dos componentes principales, el primero destinado al an�lisis de datos de las estaciones meteorol�gicas autom�ticas cuya funci�n principal es pronosticar temperaturas m�nimas en la regi�n, el segundo sistema es una herramienta de apoyo que permite al agricultor recibir informaci�n oportuna y tomar decisiones de control para mitigar los da�os ocasionados por la ocurrencia de heladas, los resultados podr�an difundirse a trav�s de mensajes de texto (SMS) de tel�fonos m�viles y correo electr�nico (Bravo H, Guzman M, & Travisani R, 2021).

En el Ecuador las condiciones clim�ticas impactan los sistemas naturales y sociales, los cambios repentinos, se han convertido en un problema para los gobiernos en el sector privado y la sociedad civil, un estudio durante los �ltimos 30 a�os sobre la adaptaci�n de los sistemas naturales y humanos a los fen�menos clim�ticos donde las metodolog�as y t�cnicas para la percepci�n de cambio de las variables clim�ticas, enfoques y estrategias arrojaron que Ecuador durante el per�odo 2011-2021 no se adapt� a los cambios en especial la regi�n Sierra, los principales hallazgos evidencian que los ecuatorianos perciben aumento, disminuci�n y comportamiento modificado en los patrones naturales en las variables meteorol�gicas de precipitaci�n, temperatura, y vientos, para reducir los impactos sobre los sistemas naturales la poblaci�n ecuatoriana ejecuta estrategias de adaptaci�n en territorio bajo diferentes enfoques, principalmente en comunidades humanas y ecosistemas (Jimenez , 2022); en el cant�n San Pedro de Huaca existe una finca experimental con una estaci�n meteorol�gica que recolecta datos relacionados con el clima, como la precipitaci�n pluvial, donde se realiza un an�lisis m�nimo de datos hist�ricos, utilizados en series temporales lo cual sirve de ayuda a diversos agricultores con el af�n de evitar p�rdidas de los cultivos (Montenegro Argoti , 2021).�

En el contexto local, la Direcci�n Agropecuaria del Ministerio de Agricultura, Ganader�a, Acuacultura y Pesca (MAGAP) de la provincia de Chimborazo encargados de monitorear 142.360 hect�reas de cultivos y pastos presentaron acciones a corto plazo para mitigar los da�os causados por heladas y sequ�as a pastos, papas y ma�z dentro de los cantones m�s grandes de la provincia Riobamba, Guano y Colta (Ministerio de Agricultura y Ganader�a Ecuador, 2018). Sin embargo, la necesidad urgente de encontrar nuevas estrategias que permitan predecir las condiciones clim�ticas que se ajusten a los patrones diferenciados, apoyan a estudios de predicci�n meteorol�gica que disminuyan el riesgo de p�rdida en las siembras de cultivos y en etapas de cosecha (Bustamante Calder�n, 2017).

Con tales antecedentes el estudio tiene como prop�sito implementar modelos de pron�sticos meteorol�gicos en la provincia de Chimborazo mediante la elecci�n de una metodolog�a acertada luego de comparar los resultados arrojados por los modelos autorregresivos de promedios m�viles ARIMA y las redes neuronales, los resultados permitir�n a los organismos de turno y a los agricultores tomar decisiones estrat�gicas para la producci�n de diferentes cultivos.

 

Materiales y m�todos

Tipo de Investigaci�n

La investigaci�n� seg�n el tipo de variable fue cuantitativa, debido a la manipulaci�n de caracter�sticas como temperatura (�C), humedad (g/m3) y presi�n atmosf�rica (hPa); seg�n la profundidad en el objeto de estudio fue descriptivo en base a la caracterizaci�n y modelamiento de las variables clim�ticas; con relaci�n al dise�o, se cataloga como un estudio no experimental, puesto que no existi� manipulaci�n de informaci�n y los datos se mantuvieron en su contexto natural; y en funci�n al tiempo se consider� transversal, el per�odo de estudio estuvo comprendido entre el a�o 2014-2022.�

 

Poblaci�n y muestra

Poblaci�n

El colectivo de estudio fue representado por 295780 puntos correspondiente a cada hora datos recolectados en los distintos ordenadores de las estaciones meteorol�gicas monitoreadas por el Grupo de Energ�as Alternativas de la Escuela Superior Polit�cnica de Chimborazo.

 

Muestra

La investigaci�n no calcul� una muestra ya que se respet� el m�todo de muestreo utilizado por el Grupo de Energ�as Alternativas y Ambiente de la Escuela Superior Polit�cnica de Chimborazo quienes mencionaron que el extracto de informaci�n analizado responde a un muestreo no probabil�stico, de reportes provenientes de las estaciones meteorol�gicas de Alao, Tunshi, Matus y Multitud durante el per�odo 2014-2022.

 

Variables de estudio

La investigaci�n utiliz� como variables ambientales a la temperatura cuya definici�n corresponde a la magnitud f�sica que indica la energ�a interna del medio ambiente en general, medida en grados cent�grados (�C); la humedad indica la cantidad de vapor de agua presente en el aire, medida en gramo por cada metro c�bico (g/m³) y la presi�n atmosf�rica cuya definici�n dice que es la fuerza que ejerce la columna de aire de la atm�sfera sobre la superficie terrestre en un punto determinado, su unidad de medida es Hectopascales (hPa).

 

T�cnicas e instrumentos de investigaci�n

La t�cnica utilizada fue la observaci�n de los reportes emitidos por el GEAA emitidos desde el 2014 al 2022 y el instrumento de recolecci�n fue la Bit�cora sintetizada en una hoja de c�lculo por cada una de las estaciones meteorol�gicas asociadas al GEAA.

 

Modelo estad�stico

En la fase inicial de an�lisis se aplic� un an�lisis exploratorio de datos que incluy� medidas de tendencia central, dispersi�n y gr�ficos con la finalidad de analizar la concentraci�n y dispersi�n de los valores, seguido se utilizaron t�cnicas estad�sticas para el c�lculo de pron�sticos como: Modelos ARIMA y Redes Neuronales, posterior a ello se utiliz� el indicador de sensibilidad U de Theil para seleccionar cual fue la mejor t�cnica de construcci�n de pron�sticos. El software de respaldo fue R versi�n 4.2.1.� �

 

Resultados

 

Figura 1: Estaci�n Alao

Fuente: GEAA, 2022

Realizado por: Autores

 

El promedio de Temperatura entre los a�os 2014 y 2022 monitoreada por la Estaci�n de Alao fue de 11,07 �C y fueron los a�os 2015, 2016 y 2019 los tiempos que la provincia de Chimborazo report� un clima c�lido por el incremento de temperatura superiores a la promedio, los restantes tuvieron temperaturas inferiores y la m�nima fue en el 2021 con un valor de 10,85�C; en cuanto a la humedad promedio registrada en el mismo periodo fue de 77,93 g/m³ y fue en el a�o 2021 que se report� la humedad m�nima con un valor de 69,71 g/m³ mientras que en los a�os 2015, 2017, 2019 y 2020 tuvieron humedades superiores la m�xima fue en el a�o 2017 con un valor de 79,65 g/m³; en el caso de la Presi�n Atmosf�rica la provincia tuvo un promedio de 708,82 hPa y fueron los a�os 2016, 2020 que se report� un aumento en la presi�n con valores 709,14 y 709,10 respectivamente.

 

Figura 2: Estaci�n Tunshi

Fuente: GEAA, 2022

Realizado por: Autores

 

Entre los a�os 2014 y 2022 los datos monitoreados por la Estaci�n Tunshi fueron Temperatura promedio de 12,63 �C y en los a�os restantes la provincia de Chimborazo report� un clima c�lido, mientras que en el a�o 2020 tuvo temperaturas inferiores y la m�nima fue con un valor de 8,60�C; en cuanto a la humedad promedio registrada fue de 81,61 g/m³ en el a�o 2014 hubo una disminuci�n de humedad con un valor de 80,04 g/m³ y fue en el a�o 2022 que se report� humedad m�xima con un valor de 84,85 g/m³; y para� la Presi�n Atmosf�rica la provincia tuvo un promedio de 728,59 hPa y fue en el a�o 2021 que se report� una baja en la presi�n con el valor de 668,93 hPa y una m�xima en el 2014 de 738.40 hPa.

 

Figura 3: Estaci�n Matus

Fuente: GEAA, 2022

Realizado por: Autores

 

El monitoreo de la Estaci�n Matus entre los a�os 2014 y 2022 report� una Temperatura promedio de 12,59 �C y en la mayor�a de los a�os la provincia de Chimborazo report� un clima c�lido, los restantes tuvieron temperaturas inferiores y la m�nima fue en el 2014 con un valor de 11,97�C y una m�xima en el 2016 de 13�C; la humedad promedio registrada fue de 89,49 g/m³ y en el a�o 2016 se report� una humedad m�nima de 69,71 g/m³ mientras que en el resto de los a�os tuvieron humedades superiores la m�xima fue en el a�o 2014 con un valor de 93,35g/m³; la provincia en cuanto a la Presi�n Atmosf�rica report� un promedio de 741,80 hPa fue en el a�o 2022 que tuvo una presi�n m�nima de 738,91 hPa y en los a�os restantes se report� un aumento m�nimo en la presi�n.

 

Figura 4: Estaci�n Multitud

Fuente: GEAA, 2022

Realizado por: Autores

 

Entre los a�os 2014 y 2022 los datos monitoreados de la Estaci�n Multitud reportaron el promedio de Temperatura con una valor de 15,05�C y en los a�os 2015 y 2021 tuvieron temperaturas inferiores siendo la m�nima en el 2015 con un valor de 14,25�C considerando que en la mayor�a del tiempo la provincia de Chimborazo mantiene un clima generalmente c�lido; el promedio de humedad fue de 75,72 g/m³ llegando a un valor de cero en el a�o 2022 y en el a�o 2020 se reporta una m�xima humedad con un valor de 93,83 g/m³; los datos sobre Presi�n Atmosf�rica reportaron un promedio de 796,08 hPa y fueron en los a�os 2016, 2017, 2019, 2020, 2021, y 2022 que la presi�n atmosf�rica permaneci� constante determin�ndose una peque�a variaci�n, mientras que la m�nima fue el a�o 2015 con un valor de 795,67 hPa.

Luego de ejecutar el an�lisis exploratorio de datos se ajustaron modelos ARIMA cuyo uso es frecuente en series temporales de caracter�sticas semejantes a las encontradas en las variables climatol�gicas de la investigaci�n, es importante mencionar que los modelos pueden presentar dos tipos de dependencia inter temporal, la primera denominada patr�n de tendencia que eval�a la relaci�n lineal entre observaciones sucesivas y la segunda conocida como patr�n estacional� que analiza la relaci�n lineal entre observaciones de intervalos consecutivos de tiempo, con la finalidad de identificar el patr�n de ajuste de las variables climatol�gicas se construyeron gr�ficas de series de tiempo para las variables de Temperatura, Humedad y Presi�n atmosf�rica (ver Gr�fico 1 a 3), en estos se observ� que en general no existe un patr�n de tendencia y tampoco es claro el patr�n estacional, adicional, la variable Presi�n Atmosf�rica de la estaci�n Tunshi no result� ser estacionaria.

Figura 5

 

Figura 6

 

Figura 7

 

Lo observado en las gr�ficas se contrast� con pruebas de hip�tesis de Dickey Fuller aplicadas en las 12 series de tiempo (Tabla 5), adicional se realiz� una diferenciaci�n para la serie de tiempo de Presi�n Atmosf�rica proveniente de la estaci�n Tunshi y se consigui� la estacionariedad.

 

Figura 8: Valores de probabilidad del contraste de Dickey Fuller.

Estaci�n	Temperatura	Humedad	Presi�n atmosf�rica
Alao	0.00	0.00	0.00
Matus	0.00	0.00	0.00
Multitud	0.00	0.00	0.00
Tunshi	0.00	0.00	0.00

 

 

 

 

 

Fuente: GEAA, 2022

Realizado por: Autores

 

Al contar con series de tiempo estacionarias, se utiliz� la metodolog�a Box Jenkins para identificar los mejores modelos ARIMA (Tabla 6), as� tambi�n el indicador MAD destac� que los errores promedio de pron�stico para las variables Temperatura, Humedad y Presi�n Atmosf�rica fueron peque�as en comparaci�n a la longitud de cada variable, el indicador MSE por su parte evidenci� que las desviaciones fueron las m�s peque�as de todos los modelos, estos valores permitir�n realizar una comparaci�n con las redes neuronales.

 

Figura 9: Modelos ARIMA por estaci�n y variable climatol�gica

Estaci�n	Variable	Modelo	MAD	MSE
Alao	T	ARIMA(4,0,1)(2,1,0)[24]	0.62	0.73
	Hum	ARIMA(5,0,0)(2,1,0)[24]	5.19	118.13
	P.a.	ARIMA(5,0,2)(2,1,0)[24] �	0.15	0.04
Matus	T	ARIMA(3,0,5)(2,1,0)[24]	0.54	1.07
	Hum	ARIMA(5,0,0)(2,1,0)[24]	2.22	13.73
	P.a.	ARIMA(5,0,1)(2,1,0)[24]	0.13	0.04
Multitud	T	ARIMA(5,0,0)(2,1,0)[24]	0.38	0.37
	Hum	ARIMA(5,1,2)(0,0,2)[24]	3.00	71.85
	P.a.	ARIMA(5,0,0)(2,1,0)[24] �	0.12	0.03
Tunshi	T	ARIMA(2,0,3)(2,1,0)[24]	0.48	0.54
	Hum	ARIMA(1,0,0)(2,1,0)[24] �	2.67	18.84
	P.a.	ARIMA(1,0,3)(2,1,0)[24]	0.14	0.25

 

 

 

Fuente: GEAA, 2022

Realizado por: Autores

 

En la fase de validaci�n de los supuestos de los modelos ARIMA se evalu� el cumplimiento de estacionariedad, independencia y normalidad; los resultados se presentan en la Tabla 7. El supuesto de independencia y normalidad no se cumpli� en ninguno de los modelos, sin embargo, los valores de probabilidad hallados indicaron la presencia de estacionariedad, ante los hallazgos se recomienda cuidado durante la construcci�n de pron�sticos y se sugiere para el an�lisis de las series de tiempo el uso de la metodolog�a Bootstrap ya que esta no asume supuestos sobre las series.

 

Figura 10: Valores de probabilidad de los supuestos en modelos ARIMA

Estaci�n	Variable	Modelo	Estacionariedad (Dickey-Fuller)	Independencia (Box-Ljung)	Normalidad (Jarque Bera)
Alao	T	ARIMA(4,0,1)(2,1,0)[24]	0.01	0.00	0.00
	Hum	ARIMA(5,0,0)(2,1,0)[24]	0.01	0.00	0.00
	P.a.	ARIMA(5,0,2)(2,1,0)[24] �	0.01	0.00	0.00
Matus	T	ARIMA(3,0,5)(2,1,0)[24]	0.01	0.00	0.00
	Hum	ARIMA(5,0,0)(2,1,0)[24]	0.01	0.00	0.00
	P.a.	ARIMA(5,0,1)(2,1,0)[24]	0.01	0.00	0.00
Multitud	T	ARIMA(5,0,0)(2,1,0)[24]	0.01	0.00	0.00
	Hum	ARIMA(5,1,2)(0,0,2)[24]	0.01	0.00	0.00
	P.a.	ARIMA(5,0,0)(2,1,0)[24] �	0.01	0.00	0.00
Tunshi	T	ARIMA(2,0,3)(2,1,0)[24]	0.01	0.00	0.00
	Hum	ARIMA(1,0,0)(2,1,0)[24] �	0.01	0.00	0.00
	P.a.	ARIMA(1,0,3)(2,1,0)[24]	0.01	0.00	0.00

 

 

��������������

 

 

 

 

 

 

 

 

 

 

 

 

Fuente: GEAA, 2022

Realizado por: Autores

�

Seguido se presenta resultados correspondientes de las redes neuronales como alternativa al no cumplimiento de los supuestos en los modelos ARIMA. Las redes neuronales recurrentes (RNN) fueron los modelos utilizados para el estudio de las series temporales cuyo paso inicial fue la transformaci�n de datos a trav�s de la ecuaci�n log�stica , en la fase siguiente se entren� una red de Jordan y Elman con el 70% de la serie. La periodicidad de la informaci�n fue diaria (24 horas). La red de Elman trabaj� con dos capas ocultas, la primera con dos neuronas y la segunda con tres neuronas, en el caso de la red de Jordan trabaj� con 4 capas ocultas. El aprendizaje de las dos redes fue de 0.069 con un m�ximo de 5000 iteraciones, el procedimiento se replic� en las estaciones meteorol�gicas estudiadas con sus respectivas variables.

La Tabla 8 presenta las medidas de adecuaci�n de los pron�sticos provenientes de las redes neuronales.

 

Figura 11: Medidas de adecuaci�n de las redes de Jordan y Elman

Estaci�n	Variable	Jordan		Elman
		MAD	MSE	MAD	MSE
Alao	T	1.06	1.86	0.63	0.78
	Hum	11.05	412.72	8.59	401.63
	P.a.	0.5	0.39	0.24	0.1
Matus	T	0.69	0.83	0.65	0.83
	Hum	5.16	45.39	3.02	19.72
	P.a.	0.41	0.25	0.32	0.16
Multitud	T	0.75	0.84	0.37	0.31
	Hum	32.69	2604.33	6.03	178.6
	P.a.	0.25	0.1	0.18	0.06
Tunshi	T	0.69	0.7	0.42	0.33
	Hum	39.04	3777.7	5.53	175.18
	P.a.	0.29	0.14	0.21	0.08

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Fuente: GEAA, 2022

Realizado por: Autores

 

Con relaci�n al modelo de Jordan los mejores ajustes de las variables climatol�gicas por estaci�n fueron:

�         Temperatura (T): Tunshi

�         Humedad (Hum): Matus

�         Presi�n Atmosf�rica (P.a.): Multitud

�         Por otro lado, en relaci�n con Elman los mejores modelos destacados fueron

�         Temperatura (T): Multitud

�         Humedad (Hum): Matus

�         Presi�n Atmosf�rica (P.a.): Multitud

Las gr�ficas 4 y 5 muestran la evoluci�n del error de la red de acuerdo con el n�mero de iteraciones de Jordan y Elman, en ellas se apreci� que el error converge a cero r�pidamente lo que permite la construcci�n adecuada de pron�sticos. Por otra parte, las gr�ficas 6 y 7 de los valores reales de las series temporales y los valores pronosticados en funci�n del tiempo representan un buen ajuste en Jordan y Elman a pesar de lo hallado la informaci�n almacenada en Tabla 4 indic� que el modelo de Elman tuvo mayor precisi�n que Jordan en todas las variables climatol�gicas.

 

Realizado por: Autores

Figura 12: Modelos id�neos de la red neuronal de Jordan

Realizado por: Autores

Figura 13: Modelos id�neos de la red neuronal de Elman

 

Se compar� los resultados de los �ltimos cuatro d�as (96 pron�sticos resultantes de los modelos ARIMA y Redes Neuronales) mediante el uso del coeficiente U Theil que permite determinar la precisi�n del pron�stico (a medida que el valor del coeficiente se acerca a cero, la presi�n aumenta) se observ� que los valores significativos de certeza fueron m�s evidentes en las redes neuronales En este sentido la Tabla 9 destac� que el m�todo de Red Neuronal fue la t�cnica m�s precisa de pron�stico.

 

Figura 14: Indicador U Theil

Estaci�n	Variable	ARIMA	Red Neuronal Elman
Alao	T	0.11	0.04
	Hum	0.40	0.04
	P.a.	0.00	0.04
Matus	T	0.07	0.05
	Hum	0.07	0.05
	P.a.	0.00	0.03
Multitud	T	0.07	0.04
	Hum	0.02	0.03
	P.a.	0.00	0.05
Tunshi	T	0.07	0.04
	Hum	0.07	0.03
	P.a.	0.01	0.04

 

 

 

Fuente: GEAA, 2022

Realizado por: Autores

 

Discusi�n

El detalle de resultados evidencia una consistencia con investigaciones contempor�neas cuyo primer acercamiento visibiliza un significativo grupo de datos faltantes, la investigaci�n report� un 7,63% de datos faltantes y apenas se superpone en 0,25% a los hallazgos reportados por (Pilco & Acurio, 2019). La caracterizaci�n de las variables climatol�gicas evidencia simetr�a en las distribuciones de las variables al igual que los reportes del an�lisis exploratorio desarrollado por (Serrano Vincenti, Zuleta, Moscoso, J�come, & Palacios, 2018).

Con relaci�n al modelo significativo para la construcci�n de pron�sticos de variables climatol�gicas como la presi�n atmosf�rica, temperatura, humedad, se eligi� a las redes neuronales como resultado de la aplicaci�n del coeficiente U Theil, el hallazgo es consistente con los reportes de� (Pilco & Acurio, 2019) y Capito (2021). �

La posibilidad de anticiparse a los reportes de las variables climatol�gicas es importante gracias a la relaci�n de estas con los planes de desarrollo de los colectivos en su mayor�a agropecuarios como el caso de la provincia de Chimborazo y los analizados por (Gaitan, 2016) quien plantea para el municipio de Cundinamarca la presentaci�n de proyectos incluyentes que abarquen el tema de variabilidad clim�tica enfocado a los sectores econ�mico social y pol�tico, a la par este tipo de propuestas contribuyen a la identificaci�n de las causas de variabilidad clim�tica con la posibilidad de anticiparse a un plan de manejo de posibles fen�menos naturales.

Por otro lado, entre las limitaciones de la investigaci�n se destaca la imposibilidad de detecci�n de valores faltantes, es decir, contar con una idea clara del motivo de los datos ausentes por lo que se sugiere un estudio profundo de las causas en cada una de las estaciones meteorol�gicas dirigidas por el Grupo de Energ�a Alternativa y Ambiente.

 

 

 

Conclusiones

La creaci�n de modelos de alta fidelidad se considera importante porque los cambios clim�ticos extremos pueden originar problemas en la producci�n agr�cola y causar da�os permanentes en condiciones extremas. temporal. Se consideraron las variables temperatura, la humedad y presi�n atmosf�rica, de los datos analizados para el per�odo 2014-2022 y obtenidos a partir de cada una de las estaciones meteorol�gica asociadas al GEAA, se analizaron las series temporales y su posible correlaci�n con el rendimiento en la agricultura; de los resultados obtenidos en el trabajo, se puede observar que las variables clim�ticas en general tienen una tendencia creciente en la provincia de Chimborazo, los mejores ajustes de las variables climatol�gicas por estaci�n fueron pronosticados por el modelo de Elman porque tuvo mayor precisi�n que Jordan en todas las variables climatol�gicas, el error cuadr�tico medio indica que el modelo ARIMA por su parte evidenci� que las desviaciones fueron las m�s peque�as de todos los modelos.

 

Referencias

1.      Avenda�o Chagua, V. H. (2021). Pron�stico de sequ�as meterol�gicas en funci�n de los elementos clim�ticos utilizando el modelo Arima en la cuenca del r�o Ramis. Tesis. Puno, Per�: Universidad Nacional del Altiplano de Puno.

2.      Bravo H, R., Guzman M, M., & Travisani R, M. (Mayo de 2021). Herramientas para el monitoreo de heladas en la Regi�n de Magallanes. Informativo. Chile: Instituto de Investigaciones Agropecuarias.

3.      Bustamante Calder�n, D. (2017). Escenario de cambio clim�tico a nivel de subcuencas hidrogr�ficas para el a�o 2050 de la provincia de Chimborazo-Ecuador. La Granja: Revista de Cienias de la Vida, 13.

4.      C�ceres Le�n, R. H. (2017). Meteorolog�a aplicada a la seguridad de las operciones a�reas (Vol. 12). Bogot�, Colombia: Ciencia y Poder A�reo.

5.      Gaitan, Y. (2016). An�lisis de las variables climatol�gicas temperatura, humedad relativa, precipitaci�n, evaporaci�n, brillo solar, radiaci�n, velocidad y direcci�n del viento, medidas por la estaci�n meteorol�gica �Argelia� entre los a�os 1993 � 2013 para verificar la var. Universidad de Cundinamarca, 65-70.

6.      Hern�ndez Capote, J. F., Gonz�lez Ram�rez, C. M., & Gonz�lez Jardines, P. (2021). Protocolo de alerta de fen�menos meteorol�gicos peligrosos que afectan la agricultura en las provincias de La Habana, Artemisa y Mayabeque. Revista Cubana de Meteorolog�a, 1, 1.

7.      Jimenez , T. A. (2022). Adaptaci�n de sistemas naturales y sociales al cambio clim�tico en el Ecuador: una revisi�n. latindex, 18.

8.      Ministerio de Agricultura y Ganader�a Ecuador. (Mayo de 2018). Ministerio de Agricultura y Ganader�a. Obtenido de Ministerio de Agricultura y Ganader�a: https://www.agricultura.gob.ec/chimborazo-silos-semillas-seguros-recibiran-agricultores-afectados-por-sequia-y-heladas/

9.      Montenegro Argoti , C. F. (2021). Miner�a de datos para series temporales y su aplicaci�n en las precipitaciones pluviales en la Finca Experimental San Francisco de Huaca. Tesis. Tulcan, Ecuador: Universidad Polit�cnica Estatal del Carchi.

10.  Odiard, C. A. (2020). Sistema de informaci�n de apoyo a las decisiones en la agricultura de precisi�n basado en redes de sensores remotos y herramientas de sistemas de informaci�n geogr�fica (SIG). Tesis. Mendoza, Argentina: Universidad Siglo 21.

11.  Pilco, V., & Acurio, W. (2019). T�cnicas estad�sticas para la modelaci�n y predicci�n de la temperatura y velocidad de viento en la provincia de Chimborazo. Escuela Superior Polit�cnica de Chimborazo.

12.  Sep�lveda Casadiego, Y. A. (2020). Importancia de las estaciones meteorol�gicas para la toma de decisiones en la agricultura. Universidad Nacional Abierta y a Distancia, 13. doi:10.13140/RG.2.2.33323.46886

13.  Serrano Vincenti, S., Zuleta, D., Moscoso, V., J�come, P., & Palacios. (2018). An�lisis estad�stico de datos metereol�gicos mensuales y diarios para la determinaci�n de variabilidad clim�tica y cambio clim�tico en el distrito metropolitano de Quito. Revista Ciencias de la vida.

14.  Wright, J. (2014). Correlaci�n entre algunos par�metros clim�ticos y la hora del d�a en Heredia, Costa Rica. Uniciencia.

 

 

 

 

 

� 2022 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).x