Uso de inteligencia artificial en el pronóstico de la precipitación para el departamento de Puno

Abstract

La presente investigación tuvo como objetivo aplicar inteligencia artificial (IA) para el pronóstico meteorológico de la precipitación diaria en el departamento de Puno, utilizando como variables explicativas la temperatura máxima y la temperatura mínima del aire, con datos registrados en ocho estaciones meteorológicas durante el periodo 2016-2022. El primer paso consistió en realizar un análisis estadístico exhaustivo de las tres variables, permitiendo caracterizar su comportamiento temporal y detectar anomalías o tendencias. Luego, se evaluaron y seleccionaron modelos de redes neuronales recurrentes (RNNs), específicamente LSTM (Long Short-Term Memory) y ConvLSTM (Convolutional LSTM), debido a su capacidad para modelar secuencias de datos temporales con dependencias no lineales. Se desarrollaron diferentes esquemas de entrenamiento y validación para los modelos seleccionados, utilizando técnicas de normalización de datos, división en conjuntos de entrenamiento y prueba, y evaluación mediante métricas como: el error absoluto medio MAE, el error cuadrático medio MSE y la raíz cuadrada del error cuadrático medio (RMSE). Los resultados muestran que las redes LSTM y ConvLSTM son capaces de capturar con eficacia los patrones de variabilidad de la precipitación a partir de las temperaturas, con un desempeño más robusto en estaciones de altitud intermedia. El modelo ConvLSTM, en particular, mostró ventajas en la captura de estructuras espaciales y temporales, mejorando la precisión del pronóstico en estaciones ubicadas en zonas sensibles a las variaciones climáticas. Se concluye que la inteligencia artificial, a través de redes neuronales profundas (DL), constituye una herramienta potente para el pronóstico meteorológico en regiones andinas como Puno, donde la complejidad climática representa un desafío para los modelos tradicionales. Además, se destaca la importancia de contar con datos de calidad y series temporales bien estructuradas para el éxito de estos enfoques. Esta investigación abre posibilidades para la aplicación de IA en la gestión del riesgo climático y la planificación agrícola en el altiplano peruano.

The objective of this research was to apply artificial intelligence (AI) for the daily precipitation forecast in the department of Puno, using maximum and minimum air temperature as explanatory variables, based on data recorded at eight meteorological stations during the period 2016–2022. The first step consisted of conducting a thorough statistical analysis of the three variables, allowing for the characterization of their temporal behavior and the detection of anomalies or trends. Subsequently, recurrent neural network (RNN) models were evaluated and selected, specifically LSTM (Long Short-Term Memory) and ConvLSTM (Convolutional LSTM), due to their ability to model temporal data sequences with nonlinear dependencies. Different training and validation schemes were developed for the selected models, using data normalization techniques, division into training and testing sets, and evaluation through metrics such as: Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE). The results show that both LSTM and ConvLSTM networks are capable of effectively capturing precipitation variability patterns based on temperature inputs, with more robust performance in mid-altitude stations. The ConvLSTM model, in particular, demonstrated advantages in capturing spatial and temporal structures, improving forecast accuracy in stations located in areas sensitive to climatic variations. It is concluded that artificial intelligence, through deep learning (DL) neural networks, represents a powerful tool for weather forecasting in Andean regions such as Puno, where climatic complexity poses challenges for traditional models. Furthermore, the importance of having high-quality data and well-structured time series is highlighted as a key factor for the success of these approaches. This research opens new possibilities for the application of AI in climate risk management and agricultural planning in the Peruvian highlands.