Diseño e implementación de un prototipo de estación meteorológica autosostenible para el análisis del comportamiento climático, modulo Machine Learning.

Abstract

El pronóstico preciso del clima a corto, mediano y largo plazo se ha vuelto un objetivo de creciente importancia mundial debido a su impacto en las actividades humanas. Los estudios sobre el calentamiento global y el cambio climático, que muestran escenarios adversos para la biodiversidad, han intensificado el interés en reforzar la capacidad de predecir con mayor exactitud las variaciones climáticas espaciales y temporales. Esta necesidad se acentúa ante el aumento en la frecuencia de eventos extremos como sequías, inundaciones e incendios forestales. Considerando la influencia del clima en diversos factores sociales, se describe en el presente documento el desarrollo de un modelo de predicción meteorológica utilizando técnicas de aprendizaje automático (machine learning). El objetivo es generar pronósticos precisos de variables climáticas mediante el entrenamiento de redes neuronales con datos históricos, bajo la metodología de investigación cuantitativa, empleando registros de datos para entrenar el modelo y demostrando resultados. Se adopta Scrum para un desarrollo colaborativo y focalizado en objetivos. Para modelar las relaciones temporales en las series de tiempo meteorológicas, se implementó una red neuronal recurrente LSTM, adecuada para capturar dependencias a largo plazo. El modelo fue entrenado con un extenso conjunto de datos de múltiples parámetros climáticos de estaciones meteorológicas y del conjunto MERRA-2 de la NASA y en el que se aplicaron técnicas de preprocesamiento y normalización de los datos, así como validación cruzada, para mejorar el aprendizaje y evitar problemas como el sobreajuste. La 8 precisión del modelo, medida con métricas como el error cuadrático medio, mejoró constantemente al incrementar las épocas de entrenamiento. Esto demuestra la capacidad del modelo para aprender relaciones complejas. Los resultados obtenidos indican que las técnicas de machine learning, particularmente las redes LSTM, tienen gran potencial para generar modelos predictivos meteorológicos precisos y confiables. Este trabajo representa una contribución relevante sobre el uso de inteligencia artificial para la comprensión y predicción de fenómenos climáticos complejos.

The accurate forecasting of climate in the short, medium and long term has become an objective of growing global importance due to its impact on human activities. Studies on global warming and climate change, which show adverse scenarios for biodiversity, have intensified interest in reinforcing the ability to predict spatial and temporal climate variations more accurately. This need is accentuated by the increase in the frequency of extreme events such as droughts, floods and forest fires. Considering the influence of climate on various social factors, the present document describes the development of a weather forecasting model using machine learningtechniques. The objective is to generate accurate forecasts of climate variables through the training of neural networks with historical data, under a quantitative research methodology, using data records to train the model and demonstrate results. Scrum is adopted for collaborative and objective-focused development. To model temporal relationships in meteorological time series, a recurrent LSTM neural network was implemented, suitable for capturing long-term dependencies. The model was trained with an extensive dataset of multiple climate parameters from weather stations and NASA's MERRA-2 dataset. Data preprocessing and normalization techniques were applied, as well as cross validation, to improve learning and avoid problems such as overfitting. The accuracy of the model, measured with metrics such as the mean square error, improved steadily as the training epochs increased. This demonstrates the model's ability to learn complex relationships. The results obtained indicate that machine learning techniques, particularly LSTM networks, have great potential to generate accurate and reliable weather predictive models. This work represents a relevant contribution on the use of artificial intelligence for understanding and predicting complex climate phenomena.