IA y Cambio Climático: Escenarios de Emisiones y Patrones de Lluvia
Barra lateral del artículo
Contenido principal del artículo
Resumen
La mejora de las proyecciones climáticas regionales es fundamental para la adaptación y gestión de recursos. Este estudio tuvo como objetivo desarrollar un modelo robusto basado en inteligencia artificial para proyectar las tendencias futuras de precipitación en la provincia de Villa Clara, Cuba, hasta el año 2099. Se utilizaron datos históricos diarios y mensuales de cinco estaciones meteorológicas (1960-2004) y las salidas del modelo climático regional HadRCM bajo los escenarios RCP2.6, RCP4.5 y RCP8.5. La metodología consistió en el análisis y descomposición de series temporales, seguido del entrenamiento de un modelo de red neuronal LSTM, cuyos hiperparámetros fueron optimizados con Keras Tuner y validado mediante walk-forward cross-validation. El modelo LSTM logró proyectar la precipitación con un error absoluto medio (MAE) de 0.15 y un error cuadrático medio (MSE) de 0.03. Mediante un algoritmo KNN, se identificó que las proyecciones generadas presentaban la mayor similitud con el escenario de altas emisiones RCP8.5. Se concluyó que el enfoque híbrido LSTM-modelo climático constituye un marco robusto y adaptable que supera limitaciones de los métodos convencionales. También proporciona proyecciones precisas que apuntan a una trayectoria climática de altas emisiones para la región, información crucial para la planificación sectorial.
Descargas
Detalles del artículo
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes de la Licencia CC Reconocimiento-NoComercial 4.0 Internacional (CC BY-NC 4.0):
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y crear a partir del material
El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia.
Bajo las condiciones siguientes:
- Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
- NoComercial — No puede utilizar el material para una finalidad comercial.
- No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
La revista no se responsabiliza con las opiniones y conceptos emitidos en los trabajos, son de exclusiva responsabilidad de los autores. El Editor, con la asistencia del Comité de Editorial, se reserva el derecho de sugerir o solicitar modificaciones aconsejables o necesarias. Son aceptados para publicar trabajos científico originales, resultados de investigaciones de interés que no hayan sido publicados ni enviados a otra revista para ese mismo fin.
La mención de marcas comerciales de equipos, instrumentos o materiales específicos obedece a propósitos de identificación, no existiendo ningún compromiso promocional con relación a los mismos, ni por los autores ni por el editor.
Citas
Alvarez, M. M., Morlot, A. B., Artola, A. C., & Llano, A. V. (2022). Proyección de extremos climáticos futuros en Cuba bajo escenarios de geoingeniería. Revista Cubana de Meteorología, 28(2), e617.
Atwan, T. A. (2022). Time Series Analysis with Python Cookbook: Practical recipes for exploratory data analysis, data preparation, forecasting, and model evaluation. Packt Publishing Limited.
Bada Diaz, R., Gómez Martín, M. B., Matos Pupo, F., & Escalante Pérez, D. (2023). Escenarios bioclimáticos de futuro y gestión de destinos turísticos en la región de Jardines del Rey (Cuba). Revista de Geografía Norte Grande, 86, 1-23. https://doi.org/10.4067/S0718-34022023000300106
Bernstein, L. (2008). IPCC Cambio climático 2007: Informe de síntesis (1st ed.). Grupo Intergubernamental de Expertos sobre Cambio Climático.
Box, G. E. P., Jenkins, G. M., & Reinsel, G. C. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.
Brownlee, J. (2019). How to use Data Scaling Improve Deep Learning Model Stability and Performance. https://www.machinelearningmastery.com/how-to-improve-neural-network-stability-and-modeling-performance-with-data-scaling/
Brownlee, J. (2020a). Hyperparameter Optimization With Random Search and Grid Search. https://www.machinelearningmastery.com/hyperparameter-optimization-with-random-search-and-grid-search/
Brownlee, J. (2020b). LOOCV for Evaluating Machine Learning Algorithms. https://www.machinelearningmastery.com/loocv-for-evaluating-machine-learning-algorithms/
Cárdenas, R. (1970). Informe Climático Anual de Cuba. Instituto de Meteorología de Cuba.
Cerqueira, V., & Roque, L. (2024). Deep Learning for Time Series Cookbook: Use PyTorch and Python recipes for forecasting, classification, and anomaly detection. Packt Publishing.
Chávez, A., & González, D. (2015). El impacto de los caudales medioambientales en la satisfacción de la demanda de agua bajo escenarios de cambio climático. Ribagua, 2(1), 3-13. https://doi.org/10.1016/j.riba.2015.04.001
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A Seasonal-Trend Decomposition Procedure Based on Loess. Journal of Official Statistics, 6(1), 3-73.
Durruthy, Y. C., Díaz, C. D., Marrero, L. H. R., & Herrera, E. Z. (2022). Caracterización a futuro de las precipitaciones y la evapotranspiración de referencia, en diferentes zonas de Cuba.
Gallatin, K. (2023). Machine Learning with Python Cookbook. O’Reilly Media.
Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O’Reilly Media.
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3/
Knutson, T. R. (2010). Tropical Cyclones and Climate Change. Nature Geoscience, 3(3), 157-163.
Ljung, G. M., & Box, G. E. P. (1978). On a Measure of Lack of Fit in Time Series Models. Biometrika, 65(2), 297-303.
Queiroz, V. (2023). Using Keras Tuner to Find the Best Hyperparameters for Your Neural Network Model. https://medium.com/@viniciusqroz/using-keras-tuner-to-find-the-best-parameters-for-your-neural-network-model-2dc02e0a1203
Suastegui Cruz, S. (2021). Estrategias para la seguridad hídrica ante los cambios de precipitación por efectos del cambio climático. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 12(23). https://doi.org/10.23913/ride.v12i23.1039
Trenberth, K. E. (1997). The Definition of El Niño. Bulletin of the American Meteorological Society, 78(12), 2771-2777.
Virtanen, P. (2020). SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python. Nature Methods, 17(3), 261-272.
Weidman, S. (2019). Deep Learning from Scratch. O’Reilly Media.