Métodos de pronóstico para temperatura y
precipitación.
Lucero Falfán De La Cruz
Instituto Tecnológico Superior De Misantla.
Resumen-En el presente trabajo, se abordarán diferentes métodos
de pronóstico aplicados en climatología para predecir la
temperatura y precipitación en determinados lugares por un
tiempo definido. Se presentan diez artículos referentes a los
diferentes métodos de pronostico que se pueden aplicar en
climatología para hacer un pronóstico con mayor precisión para
temperatura y precipitación de acuerdo a la información previa
del lugar que se estudia. Además, se presenta un ejercicio con
datos obtenidos del Instituto Nacional de Estadistica Y Geográfica
(INEGI), el cual se resuelve con el método Promedio Movil.
Palabras clave: Métodos de pronóstico, pronóstico de
temperatura, pronóstico de precipitación.
Abstract-In this essay will address different forecasting methods
applied in climatology that will predictability the temperature and
precipitation in certain places for a defined time. Ten articles
presented referring to the differents forecasting methods that can
be applied in climatology to make a forecast with greater precision
for temperature and precipitation according to the previous
information of the place under study. Also, it presents an exercise
with data obtained from the National Institute of Statistics and
Geographic (INEGI), solved with the Mobile Average method.
Keywords: Forecast methods, temperature forecast, precipitation
forecast.
I. INTRODUCCIÓN
Javier Esteves en su artículo Pronósticos de precipitación mensual
utilizando modelos de redes neuronales Wavelet en un entorno
semiárido, publicado en el presente año, expresa que la previsión
precisa de datos hidrológicos como lo es la temperatura y precipitación
es fundamental para proporcionar información útil para la gestión
optima de los recursos hídricos, que desempeña un papel clave en los
diferentes sectores. Los métodos tradicionales de predicción presentan
muchas limitaciones debido a la propiedad altamente estocástica de la
precipitación y su fuerte variabilidad en el tiempo y el espacio: no
identificar dinámicas no lineales o no resolver la inestabilidad de
situaciones climáticas locales. Por ello, en este trabajo se dan a conocer
diversos métodos de pronóstico aplicados en climatología,
específicamente en temperatura y precipitación con la finalidad de
obtener el mejor método para circunstancias específicas.
Bhane Sharma en su artículo Revisión de la predicción hidrológica
ampliada (EHP) y el marco de EHP para Tehri Dam, India; aplica
cinco métodos de pronostico los cuales son Red Neuronal Artificial,
Modelo de regresión lineal, ARIMA, WAFARI, Sistema Neuronal
difuso, con el fin de obtener el mejor método de pronóstico a largo
plazo para variables hidrológicas. En base al estudio, Sharma sugiere
que la precisión de los pronósticos de los modelos es limitada por una
incertidumbre que para él es irreductible y por lo tanto no sería
prudente depender únicamente de las predicciones del suministro de
agua realizadas en base a modelos climáticos y ser sensato en algún
proceso de evaluación de riesgos riguroso para respaldar enfoques en
una variedad de posibles futuros climáticos.
Bibhuti Bhusan en su artículo Red neuronal recurrente de memoria a
largo plazo a corto plazo (LSTM) para el pronóstico de series de
tiempo hidrológicas de bajo flujo (HTS), en el cual aplica el método
Red neuronal recurrente de memoria a corto plazo a largo plazo
(LSTM-RNN), Método de inteligencia artificial (AI), con el fin de
compararlos con un modelo secuencial (RNN) y el método ingenuo,
los resultados muestran que el método LSTM-RNN se puede utilizar
para modelar HTS de bajo caudal en la estación de Basantapur en la
cuenca del río Mahanadi, India, y puede dar un rendimiento
satisfactorio sobre RNN y el método ingenuo.
Dan C. Collins, en su artículo publicado en Monthly Weather Review,
el cual lleva como título Aplicación de un sistema híbrido estadístico-
dinámico a la predicción estacional de temperatura y precipitación en
América del Norte, en el cual aplica el método Modelado de
calibración, punteado y fusión (CBaM), con el objetivo de generar
pronósticos híbridos estadístico-dinámicos los cuales estén libres de
sesgos y sean confiables. El resultado del estudio arrogó que la
aplicación de este método reduce la brecha promedio de habilidad de
un modelo individual para el pronóstico estacional de temperatura.
Mientras que, para la precipitación, no se producen mejoras
significativas en comparación de los modelos ya utilizados.
Georgia Papacharalampou, en su artículo que lleva por título,
Previsibilidad de la temperatura mensual y la precipitación mediante
métodos automáticos de predicción de series temporales, en el cual
aplica siete métodos los cuales son: Método ingenuo, caminata
aleatoria, ARFIMA, BATS, suavizado exponencial simple, Theta,
Prophet, con la finalidad de encontrar entre estos el mejor método para
la predicción de temperatura mensual y precipitación para el periodo
1986-1989 utilizando valores de las series de tiempo del periodo 1950-
1985 de distintas regiones del mundo, los resultados indican que los
métodos de pronostico BATS, suavizado exponencial simple, métodos
de pronóstico Theta y Prophet funcionan mejor que los métodos de
caminata ingenua y aleatoria.
Javier Estévez, en su artículo Pronósticos de precipitación mensual
utilizando modelos de redes neuronales Wavelet en un entorno
semiárido, se realiza el estudio con el objetivo de desarrollar y evaluar plazo a largo plazo (LSTM) y máquina de vectores de soporte (SVM))
los diferentes modelos híbridos (WNN) para pronosticar la y estadísticos (media de conjuntos aritméticos (EM) y regresión lineal
precipitación mensual en la región semiárida y heterogénea de múltiple (MLR) en el desarrollo de conjuntos de múltiples modelos,
Andalucía (sur de España) utilizando solo conjuntos de datos con la finalidad de desarrollar una serie de técnicas estadísticas y de
validados por termoprecipitación a corto plazo. En general, los aprendizaje automático para establecer conjuntos climáticos y
resultados de la previsión muestran diferencias entre los diez modelos, comparar su rendimiento para reducir la temperatura diaria a largo
aunque un rendimiento efectivo en cada una de las ubicaciones plazo, el ejercicio da como resultado que los métodos de aprendizaje
evaluadas; y el tipo de variables de entrada utilizadas en los modelos automático y métodos estadísticos funcionan bien al reducir la
WNN describen con precisión los procesos de precipitación según temperatura diaria con conjuntos múltiples.
características geo-climáticas.
Existen diferentes métodos de pronóstico para la predicción de
Matgorzata Murat, en su artículo Pronóstico de series de tiempo temperatura y precipitación. No se puede establecer uno como el mejor
meteorológicas diarias utilizando ARIMA y modelos de regresión, ya que este se debe de adaptar a los datos que se tienen, es decir, las
aplica dos métodos de pronostico los cuales son: Modelo de media condiciones de la región que se estudia. Estos métodos pueden variar
móvil integrado autorregresiva (ARIMA), Modelos de regresión (RM) respecto a lo que se quiere conocer ya que se puede hacer pronósticos
con datos recolectados desde 1 de enero de 1980 hasta 31 de diciembre a corto y largo plazo.
del 2010 , con la finalidad de pronosticar el tiempo de precipitación y
temperatura del aire con una anticipación de seis años, los resultados II. METODOLOGÍA
obtenidos demostraron que los modelos antes mencionados son Se realiza un ejercicio con datos del Instituto Nacional de Estadística
capaces de capturar la dinámica de los datos de series de tiempo y y Geografía (INEGI), a los cuales se les aplica un método de
producir pronósticos sensibles. pronóstico.
Rashid Mahmood en su artículo Análisis de la variabilidad climática, La metodología que se debe de seguir para la aplicación de un método
tendencias y predicción en las partes más activas de la cuenca del lago de pronóstico en un área de interés es la siguiente serie de pasos:
Chad, África, aplica métodos paramétricos y no paramétricos, con la
finalidad de Evaluar la variabilidad climática y las tendencias A. Decisión que se va a pronosticar.
climáticas en el LCB y en base a estos gestionar los recursos hídricos, B. Recolección de datos históricos.
el estudio pronosticó que la temperatura aumentaría entre 0,65 y 1,6 ° C. Selección y desarrollo del método para pronosticar
C y se pronosticó que las precipitaciones disminuirían entre un 13% y D. Validación del modelo de pronóstico
un 11% en las próximas dos décadas (es decir, 2016-2025 y 2026- E. Análisis e interpretación de los resultados
2035) en relación con 1961-1990.
III. DESARROLLO
Shuoben Bi en su artículo Un método de predicción climática basado
en EMD y la técnica de predicción por conjuntos, utilizó Se realizan los pasos mencionados anteriormente.
Descomposición en modo empírico (EMD), técnica de predicción por
conjuntos y un modelo de regresión de paso a paso, con el objetivo de A. Decisión de que se va a pronosticar.
aumentar sustancialmente la precisión de los valores de predicción del Se decide pronosticar la Población Económicamente Activa en
clima a corto plazo. Los resultados obtenidos muestran que el EMD y Mexico.
el modelo de predicción por conjuntos son más efectivos para
pronosticar el cambio climático y los cambios climáticos abruptos B. Recolección de datos históricos.
cuando se utilizan datos históricos para la predicción de varios pasos
y se establece un sistema de predicción del clima a corto plazo. Los siguientes datos son obtenidos del INEGI:
Tabla 1: Población Económicamente Activa
Sukhpal Kaur en su artículo Previsibilidad y análisis de la Periodo Número de personas
temperatura semanal utilizando modelos de series de tiempo 2017 1T 53,681,720
autorregresivos, aplica tres métodos de pronostico los cuales son: 2017 2T 54,068,791
Modelo de media móvil autorregresiva estacional (SARMA) y no 2017 3T 54,369,915
estacional (ARMA) y de media móvil integrada autorregresiva 2017 4T 54,696,638
estacional (SARIMA), con el objetivo de pronosticar la tendencia 2018 1T 54,590,773
futura de la temperatura más alta y más baja de Punjab. Los resultados 2018 2T 55,643,417
obtenidos muestran que el mejor modelo para determinar la 2018 3T 55,962,275
temperatura máxima es SARIMA y para la temperatura mínima 2018 4T 56,023,199
SARMA. 2019 1T 56,038,471
2019 2T 56,951,215
Xinyi Li en su artículo Rendimiento de conjuntos estadísticos y de 2019 3T 57,349,577
aprendizaje automático para la reducción de temperatura diaria, 2019 4T 57,625,521
aplica métodos de pronostico los cuales son: Redes de memoria a corto 2020 1T 57,328,364
C. Selección y desarrollo del método para pronosticar. El pronóstico de los periodos se realiza utilizando la ecuación de
regresión, sustituyendo la palabra periodo por el número de periodo
Una vez obtenidos los datos históricos, se realiza el grafico de que se desea pronosticar. Se realiza el pronóstico de los trece periodos
dispersión de los datos con el fin de observar su comportamiento, es se estudian.
como se muestra en la Figura I.
A continuación, se presentan los resultados del pronóstico.
Gráfica de dispersión de Número de personas vs. Tabla 2: Resultados del método de pronóstico Regresión Lineal.
Periodo
58,000,000
57,500,000 Periodo Número de personas Pronostico
57,000,000
56,500,000
56,000,000
55,500,000 2017 1T 53,681,720 53686219
55,000,000
54,500,000 2017 2T 54,068,791 54024796
54,000,000
53,500,000
53,000,000
2017 3T 54,369,915 54363373
0 2 4 6 8 10 12 14
2017 4T 54,696,638 54701950

2018 1T 54,590,773 55040527

2018 2T 55,643,417 55379104

Figura I: Gráfica de dispersión de los datos
2018 3T 55,962,275 55717681
En la gráfica se logra apreciar que en los datos existe una tendencia
positiva ya que el número de personas económicamente activa 2018 4T 56,023,199 56056258
incrementa por lo regular al transcurso de cada periodo. 2019 1T 56,038,471 56394835
Existen distintos métodos de pronóstico de series de tiempo, tales 2019 2T 56,951,215 56733412
como: Promedio móvil, Promedio móvil ponderado, Suavizado
exponencial, etc. Antes de seleccionar cualquiera de estos se debe de 2019 3T 57,349,577 57071989
tomar en cuenta el método Regresión Lineal Simple, ya que se tiene 2019 4T 57,625,521 57410566
solo una variable independiente en este caso el número de periodos; y
la variable dependiente la cual es el número de personas 2020 1T 57,328,364 57749143
económicamente activas. Antes de aplicar este método de pronóstico, 2020 2T 53347642
se debe de obtener el coeficiente de correlación el cual indica si entre
estas variables existe una relación, sea positiva o negativa, este
coeficiente puede tomar valores desde -1 a 1. La regla la cual se debe El resultado de la aplicación del método de pronostico Regresión
de cumplir para aplicar Regresión Lineal, es llamada regla de tres Lineal, indica que para el periodo 2020 2T se estima que la Población
cuartos, la cual consiste en que -75> r >75, para obtener el coeficiente Económicamente Activa sea de 53,347,642 personas.
de correlación ( r ) se realiza la siguiente operación:
La siguiente grafica muestra el comportamiento de los valores reales
∑𝑛𝑖=1 𝑥𝑖 ∗ ∑𝑛𝑖=1 𝑦𝑖
∑𝑛𝑖=1 𝑥𝑖 ∗ 𝑦𝑖 − y el pronóstico utilizando el método Regresión Lineal.
𝑟= 𝑛
2 2
(∑𝑛𝑖=1 𝑥𝑖 ) (∑𝑛 𝑦𝑖 )
√[∑𝑛𝑖=1 𝑥𝑖2 − ] [∑𝑛𝑖=1 𝑦𝑖2 − 𝑖=1 ] Regresión Lineal
𝑛 𝑛
59000000
𝑟 = 0.9811 58000000
57000000
El coeficiente de correlación es de 0.9811, esto indica que, si existe 56000000
una relación entre las variables y la tendencia de estas es positiva, es 55000000
decir, entre mayor sea el número del periodo, mayor será el número de 54000000
53000000
personas económicamente activas. Dado a que r es mayor a 0.75, se
52000000
prosigue con el método de Regresión lineal. Para ello, se utiliza el 51000000
software estadístico Minitab, en el cual se someten los datos para 2017 2017 2017 2017 2018 2018 2018 2018 2019 2019 2019 2019 2020
obtener el modelo de Regresión lineal. El Software nos arroja la 1T 2T 3T 4T 1T 2T 3T 4T 1T 2T 3T 4T 1T
siguiente información: Real Pronostico

Ecuación de regresión
Figura II: Grafica de pronostico
Número de personas = 53347642 + 338577 Periodo

D. Validación del modelo de pronóstico
A continuación, se presenta las mediciones del error para verificar que
tan eficaz es el método que se ha aplicado para predecir la Población
Económicamente Activa respecto a los datos reales.
Tabla 3:Mediciones del error del método de pronóstico Regresión Lineal
MAD de 195,350.53 significa que el error de pronostico promedio fue
de 195,350.53 unidades en valor absoluto. El valor de 𝜎,
249,589.68 indica que la distribución de los errores de pronostico
dentro de la muestra tiene una desviación estándar de
249,589.68 unidades. Un MAPE de 0.347% implica que, en promedio,
el error de pronostico fue de más o menos 0.3% de la demanda real
observada, este es un promedio es muy bajo lo cual significa que el
método aplicado si da un buen pronóstico y es confiable.

Error Por lo tanto, se puede decir que para el periodo 2020 2T se espera que
Error porcentual
Periodo Demanda Pronostico Error Error cuadrático el tamaño de la Población Económicamente Activa sea de 57,347,642
absoluto absoluto
𝑡 𝐷𝑡 𝐹𝑡 𝐸𝑡 𝐸𝑡2 𝐸𝑡 ( 𝐸𝑡 /𝐷𝑡 )(100)
personas.
1 2017 1T 53,681,720 53,686,219 -4,499 20,241,001 4,499 0.01%
2 2017 2T 54,068,791 54,024,796 43,995 1,935,560,025 43,995 0.08%
3 2017 3T 54,369,915 54,363,373 6,542 42,797,764 6,542 0.01% IV. CONCLUSIÓN.
4 2017 4T 54,696,638 54,701,950 -5,312 28,217,344 5,312 0.01%
5 2018 1T 54,590,773 55,040,527 -449,754 202,278,660,516 449,754 0.82% Se utilizó el método Promedio Móvil para el pronóstico de la
6 2018 2T 55,643,417 55,379,104 264,313 69,861,361,969 264,313 0.48%
7 2018 3T 55,962,275 55,717,681 244,594 59,826,224,836 244,594 0.44% Población Económicamente Activa para el periodo 2020 2T con datos
8 2018 4T 56,023,199 56,056,258 -33,059 1,092,897,481 33,059 0.06% proporcionados por el Instituto Nacional De Estadistica Y Geografía
9 2019 1T 56,038,471 56,394,835 -356,364 126,995,300,496 356,364 0.64%
10 2019 2T 56,951,215 56,733,412 217,803 47,438,146,809 217,803 0.38% (INEGI). Además de aplicar el método, se estimaron mediciones de
11 2019 3T 57,349,577 57,071,989 277,588 77,055,097,744 277,588 0.48% error con la finalidad de verificar qué tan eficiente es este método para
12 2019 4T 57,625,521 57,410,566 214,955 46,205,652,025 214,955 0.37%
13 2020 1T 57,328,364 57,749,143 -420,779 177,054,966,841 420,779 0.73% el pronóstico que se requiere. Los resultados que se obtuvieron en el
Total 23 809,835,124,851 2,539,557 4.52% ejercicio son que este método si en confiable para predecir el próximo
periodo ya que el promedio de error de pronóstico da como resulta
Con los datos obtenidos en la tabla, se calculan las mediciones del 0.3% aproximadamente. Se espera con base a los resultados obtenidos,
error de pronóstico. que la Población Económicamente Activa para el periodo 2020 2T sea
de 57,434,487 personas.
𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 (𝑠𝑒𝑠𝑔𝑜):

𝐶𝐹𝐸 = 23 V. ANEXOS
Referencia 1
𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 (𝑠𝑒𝑠𝑔𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜):
Congreso Mundial de Medio Ambiente y Recursos
𝐶𝐹𝐸 23 Publicación
Hídricos 2020
𝐸̅ = = = 1.769
𝑛 13
Revisión de la predicción hidrológica ampliada (EHP)
𝐸𝑟𝑟𝑜𝑟 𝑐𝑢𝑎𝑑𝑟á𝑡𝑖𝑐𝑜 𝑚𝑒𝑑𝑖𝑜: Título
y el marco de EHP para Tehri Dam, India

∑ 𝐸𝑡2 809,835,124,851 Palabras Predicción Hidrológica Extendida, Meteorología,

𝑀𝑆𝐸 = = = 62,295,009,604 clave: Modelización Hidrológica, Planificación Energética
𝑛 13
𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟: Autor Bhanu Sharma, NK Goel

Problemática
Predicción hidrológica extendida (EHP) en Tehri, India.
atendida

∑(𝐸𝑡 − (𝐸̅ )2 809,835,124,810.31 Determinar los métodos más eficientes para la predicción
𝜎=√ =√ = 249,589.68 Objetivo
hidrológica extendida en Tehri Dam, India.
𝑛−1 13
Red Neuronal Artificial, Modelo de regresión lineal,
𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑚𝑒𝑑𝑖𝑎 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑎: Método
ARIMA, WAFARI, Sistema Neuronal difuso.
∑|𝐸𝑡 | 2,539, ,557 Clasificación de métodos de predicción por tipo de
𝑀𝐴𝐷 = = = 195,350.53 Técnica
𝑛 13 modelo dinámico, estadístico, estadístico dinámico.

𝐸𝑟𝑟𝑜𝑟 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 𝑚𝑒𝑑𝑖𝑜 𝑎𝑑𝑠𝑜𝑙𝑢𝑡𝑜: Recopilación de métodos de predicción hidrológica

Validación
extendida en Tehri Dam, India.
(∑|𝐸𝑡 |/𝐷𝑡 )(100) 4.52%
𝑀𝐴𝑃𝐸 = = = 0.347% No depender únicamente de las predicciones de del
𝑛 13 suministro de agua realizadas en base a modelos
Aportación climáticos y ser sensato en algún proceso de evaluación
E. Análisis e interpretación de los resultados. de riesgos riguroso para respaldar enfoques en una
variedad de posibles futuros climático.
Un CFE de 23 indica que el pronóstico tiene una ligera tendencia de
subestimar la demanda. Las estadísticas del MSE, 𝜎, y MAD
proporcionan medidas de la variabilidad del error de pronóstico. Una
Descripción:
La predicción hidrológica extendida (EHP) es la predicción de
variables hidrológicas durante un período de tiempo que excede los
pronósticos a corto plazo. Los pronósticos extendidos ayudan a
respaldar la gestión óptima de los recursos hídricos y la planificación
energética. Los avances recientes han llevado los límites de la
previsibilidad de la descarga y otras variables hidrológicas de unas
pocas horas a varios días o incluso meses. La confiabilidad de los
pronósticos ha aumentado en los últimos años debido a la integración
de capacidades de modelado meteorológico e hidrológico, mejoras en
la recolección de datos a través de observaciones satelitales y avances
en el conocimiento y algoritmos para el análisis y comunicación de
incertidumbres. El presente artículo revisa diferentes aspectos de la
predicción hidrológica ampliada, incluidos los modelos y diferentes
índices climáticos, técnicas emergentes de recopilación de entradas y
visualización de resultados, incertidumbres y advertencias. También
se ha desarrollado un marco para la comprensión y el desarrollo de
EHP para el sistema de la presa de Tehri. Al final, se identifican y
presentan las direcciones futuras para la investigación y el desarrollo.
La ciencia del cambio climático es tal que la precisión de los
pronósticos de los modelos está limitada por una incertidumbre
inherente que es irreductible. Por lo tanto, no sería prudente depender
únicamente de las predicciones del suministro de agua realizadas en
base a modelos climáticos y ser sensato en algún proceso de
evaluación de riesgos riguroso para respaldar enfoques en una
variedad de posibles futuros climáticos.
Referencia 2
Instituto de Geofísica, Academia de Ciencias de Polonia y
Publicación
Academia de Ciencias de Polonia
Red neuronal recurrente de memoria a largo plazo a
Título corto plazo (LSTM) para el pronóstico de series de tiempo
hidrológicas de bajo flujo
Inteligencia artificial; Red neuronal recurrente de memoria
Palabras
a corto plazo a largo plazo; Caudal bajo; Pronóstico
clave:
hidrológico de series de tiempo; método ingenuo
Bibhuti Bhusan Sahoo, Ramakar Jha, Anshuman Singh,
Autor
Deepak Kumar
Problemática
La predicción de series de tiempo hidrológico (HTS).
atendida
Inspeccionar la idoneidad de LSTM-RNN para el
pronóstico de caudal bajo en la estación seleccionada de la
Objetivo
cuenca del río Mahanadi en India y compararlo con RNN
y el método ingenuo.
Red neuronal recurrente de memoria a corto plazo a largo
Método plazo (LSTM-RNN), Método de inteligencia artificial
(AI).
Modelo Secuencial LSTM-RNN, Método ingenuo,
Técnica
Modelo secuencial (RNN).
Caso de aplicación de predicción de series de tiempo
Validación
hidrológico para la Cuenca del río Mahanadi, India.
Método LSTM-RNN se puede utilizar para modelar HTS
de bajo caudal en la estación de Basantapur en la cuenca
Aportación
del río Mahanadi, India, y puede dar un rendimiento
satisfactorio sobre RNN y el método ingenuo.
Descripción:
El pronóstico HTS ha recibido una consideración notable por parte de
los investigadores en las últimas décadas, y muchos modelos de
pronóstico HTS han mostrado un rendimiento significativo en
términos de precisión de pronóstico. La predicción HTS sigue siendo
uno de los problemas difíciles y es un área de investigación activa de
interés en hidrología operativa. Hemos aplicado el modelo secuencial
LSTM-RNN para el pronóstico de caudales bajos en la cuenca del río
Mahanadi, utilizando datos de caudales bajos de la estación
Bastantapur. Además, para comprobar su adaptabilidad para este
proceso, se utilizó un modelo de referencia (método ingenuo) y un
modelo secuencial (RNN) para la predicción de HTS. Los resultados
obtenidos en este estudio indican que el método LSTM-RNN se puede
utilizar para modelar HTS de bajo caudal en la estación de Basantapur
en la cuenca del río Mahanadi, India, y puede dar un rendimiento
satisfactorio sobre RNN y el método ingenuo. LSTM-RNN está bien
adaptado para aprender de la experiencia para clasificar, procesar y
predecir series de tiempo dados retrasos de tiempo de tamaño
desconocido y límite entre eventos importantes. La predicción de
series de tiempo implica el procesamiento de patrones que desarrollan
la respuesta apropiada en un momento particular en el tiempo y
depende no solo del valor actual de lo observable sino también del
pasado
Referencia 3
Publicación Monthly Weather Review
Aplicación de un sistema híbrido estadístico-dinámico a
Título la predicción estacional de temperatura y precipitación
en América del Norte
Palabras Pronóstico de precipitación; Pronóstico de temperatura;
clave: Modelo de calibración, puenteado y fusión
Dan C. Collins; Andrew Schepen; Q. J. Wang; Emily
Autor
Becker; Liwei Jia
La deficiencia de habilidad de pronóstico estacional por
Problemática
parte de los modelos dinámicos, particularmente los
atendida
conjuntos multimodelos en América del Norte
Generar pronósticos híbridos estadístico-dinámicos que
Objetivo estén libres de sesgos y sean confiables para transmitir la
incertidumbre del pronóstico.
Método Modelo de calibración, puenteado y fusión (CBaM).
Técnica Modelado estadístico bayesiano.
Caso de aplicación del modelo de calibración, puenteado
Validación y fusión (CBaM) para predicción estacional de
temperatura y precipitación en América del Norte
La aplicación de CBaM reduce la brecha promedio de
habilidad de un modelo individual para el pronóstico
estacional de temperatura. Mientras que para precipitación
Aportación
la investigación arrogó que no se producen mejoras
significativas en comparación de los métodos ya
utilizados.
Descripción:
Investigaciones recientes demuestran que los modelos dinámicos a
veces no representan los patrones de teleconexión observados
asociados con modos predecibles de variabilidad climática. Por ello,
se aplica el método de calibración, puenteado y fusión (CBaM). Los
modelos de calibración desarrollados a partir de observaciones y
predicciones de modelos dinámicos se emplean para corregir
estadísticamente los pronósticos de modelos dinámicos. Los modelos
puente utilizan pronósticos de modelos dinámicos de modos
climáticos relevantes (por ejemplo, ENSO) como predictores de
temperatura y precipitación remotas. Los modelos de puente y de
calibración se desarrollan primero por separado usando modelos de
probabilidad conjunta bayesiana y luego se fusionan usando
promedios de modelos bayesianos para producir un pronóstico óptimo.
Se aplica CBaM a los pronósticos estacionales de temperatura y
precipitación de 2 m en América del Norte del pronóstico del conjunto
multimodal de América del Norte (NMME). El puenteo se realiza
utilizando el modelo Ni predicho norte o-3.4 índice. En general, los
pronósticos CBaM completamente fusionados logran puntajes de
habilidad Brier más altos y una mejor confiabilidad en comparación
con los pronósticos rawNMME. El puente mejora la habilidad de
pronóstico para los pronósticos de temperatura del modelo de
miembro NMME individual, pero no produce mejoras significativas
en la habilidad de pronóstico de precipitación, posiblemente porque
los modelos del NMME representan mejor el patrón de teleconexión
ENSO-precipitación en comparación con el patrón de temperatura
ENSO. Estos resultados demuestran la utilidad potencial del método
CBAM para mejorar la habilidad de pronóstico estacional en América
del Norte.
Referencia 4
Instituto de Geofísica, Academia de Ciencias de Polonia
Publicación
y Academia de Ciencias de Polonia
Previsibilidad de la temperatura mensual y la
Título precipitación mediante métodos automáticos de
predicción de series temporales.
ARFIMA; Pronóstico de varios pasos hacia adelante;
Palabras
Pronóstico de precipitación; Pronóstico de temperatura;
clave:
Profeta Pronóstico de series de tiempo
Georgia Papacharalampou, Hristos Tyralis, Demetris
Autor
Koutsoyiannis
Se pronostican los valores mensuales de cada serie de
tiempo para el período 1986-1989 utilizando los valores
Problemática de las series de tiempo del período 1950-1985. El
atendida pronóstico de la serie de tiempo es univariado, es decir,
cada serie de tiempo se pronostica en función de sus
valores pasados.
Proponer el mejor método para predecir la temperatura
Objetivo
mensual y la precipitación.
Método ingenuo, caminata aleatoria, ARFIMA, BATS,
Método
suavizado exponencial simple, Theta, Prophet.
Los métodos se implementan en R Programming
Técnica
Lenguage “pronostico” “devtools”
Un caso de aplicación de varios métodos de pronóstico de
temperatura mensual y precipitación para el periodo
Validación
1986-1989 utilizando valores de las series de tiempo del
periodo 1950-1985.
Demostró que métodos raramente utilizados en
Aportación Hidrología son más eficientes que los se utilizan
comúnmente.
Descripción:
El papel de los métodos de predicción de series de tiempo univariantes
para la predicción hidrometeorológica y climática ha sido enfatizado
por expertos en predicción. Si bien la predicción de series de tiempo
es de interés en hidrología, los científicos hidrológicos no siempre
aplican concienzudamente los principios de la predicción, como
revelan los experimentos de Papacharalampous. Por ello, se realiza el
estudio aplicando métodos automáticos de predicción de series de
tiempo univariadas a una gran muestra de 985 series de tiempo de
temperatura mensual de 40 años y 1552 series de tiempo de
precipitación mensual de 40 años. Esta muestra es la más grande
utilizada en hidrología para evaluar el desempeño de los métodos de
pronóstico. Los métodos de pronostico implementados son: método de
pronóstico ingenuo basado en los valores mensuales del último año,
así como la caminata aleatoria (con deriva), la media móvil
autorregresiva fraccionalmente integrada (ARFIMA), BATS,
suavizado exponencial simple, métodos de pronóstico Theta y
Prophet. Los resultados indican que: (a) los últimos cinco modelos
funcionan bien, mejor que los métodos de caminata ingenua y
aleatoria; b) la temperatura y las precipitaciones mensuales se pueden
pronosticar con un nivel de precisión que apenas puede mejorarse con
otros métodos; (c) la descomposición estacional clásica aplicada
externamente da lugar principalmente a mejores pronósticos en
comparación con la descomposición estacional automática; y (d) el
método de pronóstico Prophet es competitivo, especialmente cuando
se combina con la descomposición estacional clásica aplicada
externamente.
Referencia 5
Publicación Water Review
Pronósticos de precipitación mensual utilizando
Título modelos de redes neuronales Wavelet en un entorno
semiárido
Palabras Precipitación; previsión; wavelet; modelos de redes
clave: neuronales
Javier Estévez, Juan Antonio Bellido-Jiménez, Xiaodong
Autor
Liu, Amanda Penélope García-Marín
Problemática Predicción de precipitaciones para la gestión de recursos
atendida hídricos.
Desarrollar y evaluar los diferentes modelos híbridos
(WNN) para pronosticar la precipitación mensual en la
Objetivo región semiárida y heterogenea de Andalucía (sur de
España) utilizando solo conjuntos de datos validados por
termoprecipitación a corto plazo.
Modelos de red neuronal Wavelet (WNN)
Método
Se desarrollaron varios modelos híbridos (WNN)
basados en el uso de la subserie resultante de la
descomposición wavelet de la serie original, como
variable de entrada de una multicapa de alimentación
hacia adelante red neuronal del perceptrón (FFMLP).
Técnica
Finalmente el método de entrenamiento de
retropropagación consiste en modificar los pesos de los
nodos en función de la minimización de los errores de
sesgo (diferencia entre el valor objetivo y el de salida) y
todo el proceso es repetido desde el principio.
Modelos de red neuronal Wavelet (WNN) se aplican para
Validación predecir la precipitación en región semiárida y
heterogenea de Andalucía, España.
Los modelos WNN describen con precisión los procesos
Aportación
de precipitación según características geo-climáticas.
Descripción:
La previsión precisa de datos hidrológicos como la precipitación es
fundamental para proporcionar información útil para la gestión de los
recursos hídricos, que desempeña un papel clave en los diferentes
sectores. Los métodos tradicionales de predicción presentan muchas
limitaciones debido a la propiedad altamente estocástica de la
precipitación y su fuerte variabilidad en el tiempo y el espacio: no
identificar dinámicas no lineales o no resolver la inestabilidad de
situaciones climáticas locales. En este trabajo, se han desarrollado y
evaluado varios modelos alternativos basados en la combinación de
análisis de ondículas (descomposición multiescalar) con redes
neuronales artificiales en dieciséis localidades del sur de España
(región semiárida de Andalucía), representativas de diferentes
condiciones climáticas y geográficas. Sobre la base de la capacidad de
las ondículas para describir señales no lineales, se han aplicado diez
modelos de redes neuronales de ondículas (WNN) para predecir la
precipitación mensual mediante el uso de series de tiempo termo-
pluviométricas a corto plazo. En general, los resultados de la previsión
muestran diferencias entre los diez modelos, aunque un rendimiento
efectivo (es decir, coeficiente de correlación los valores oscilaron entre
0,76 y 0,90 y los valores del error cuadrático medio de la raíz oscilaron
entre 6,79 y 29,82 mm) en cada una de las ubicaciones evaluadas. el
análisis global de los resultados generales obtenidos en este trabajo
indica la idoneidad del tipo de variables de entrada utilizadas en los
modelos WNN que describen con precisión los procesos de
precipitación según características geo-climáticas.
Referencia 6 atendida
Publicación International Agrophysics
Pronóstico de series de tiempo meteorológicas diarias
Título
utilizando ARIMA y modelos de regresión
Palabras Modelos de regresión, pronóstico, series de tiempo,
clave: meteorología, cantidades rológicas.
Małgorzata Murat , Iwona Malinowska , Magdalena Gos y
Autor
Jaromir Krzyszczak
Se mide el tiempo de precipitación y temperatura del aire
Problemática diarias registradas entre el 1 de enero de 1980 y el 31 de
atendida diciembre de 2010 en cuatro sitios europeos (Jokioinen,
Dikopshof, Lleida y Lublin) de diferentes zonas climáticas.
Examinar las propiedades estadísticas de la temperatura
media diaria del aire y las series de tiempo de precipitación
de cuatro lugares diferentes de Europa y desarrollar
Objetivo modelos predictivos para pronosticar los valores medios
diarios de estas cantidades hasta con seis años de
anticipación, utilizando los métodos antes mencionados con
regresores externos en forma de términos de Fourier.
Modelo de media móvil integrado autorregresiva
Método
(ARIMA), Modelos de regresión (RM)
Modelado de series de tiempo, desarrollar un modelo
Técnica
apropiado que describa la estructura inherente de la serie.
Los métodos de predicción ARIMA y RM se aplican en
Validación
cuatro diferentes zonas de Europa.
Se demostró que los modelos obtenidos son capaces de
Aportación capturar la dinámica de los datos de series de tiempo y
producir pronósticos sensibles.
Descripción:
Los métodos realizados para la medición de la precipitación y
temperatura realizada por el periodo de tiempo desde el 1 de enero de
1980 al 31 de diciembre de 2010 y los datos de temperatura del aire y
precipitación registrados en cuatro sitios europeos de diferentes zonas
climáticas se utilizan para crear los valores adecuados de SARMA,
ARIMAF, RMP y RMF, han colaborado el estudio de los temas
centrales por los cuales se ha generado estadísticas, base de datos y
poder predecir con una exactitud los tipos de climas que pudieren
llegar a pasar conforme a los estudios realizados, por ello, el modelo
más adecuado para los conjuntos de datos considerados depende de las
zonas climáticas de las que proceden. Sin embargo, los resultados
obtenidos muestran que la aplicación de los modelos SARIMA,
ARIMA, ARIMAF, RMP y RMF a una temperatura del aire y a una
serie de tiempo de precipitación proporciona información valiosa
sobre las estructuras de datos estudiadas y sus componentes, siendo
una buena base para una predicción satisfactoria. Dicha predicción
depende del método utilizado y la forma de la aplicación de esta, es
por ello que es importante determinar el objetivo y zona de estudio.
Referencia 7
Publicación Revista Scientific Reports
Análisis de la variabilidad climática, tendencias y
Título predicción en las partes más activas de la cuenca del
lago Chad, África
variabilidad climática; tendencias climáticas; predicción
Palabras
climática; regresión lineal; modelo polinomial; pendiente
clave:
de Sen; prueba de Mann-Kendal.
Autor Rashid Mahmood, Shaofeng Jia, Wenbin Zhu
Gestionar el suministro y la demanda de agua, mitigar las
inundaciones y las sequías, mantener los niveles de agua
Problemática de los embalses, planificar y prepararse para desastres,
reducir la incertidumbre al proporcionar información
sobre la disponibilidad futura de agua, mejorar la
asignación de los recursos hídricos.
Evaluar la variabilidad climática y las tendencias
climáticas en el LCB mediante una combinación de
regresión lineal, modelo polinomial, pendiente de Sen y
prueba de Mann-Kendal de la temperatura anual y
Objetivo estacional y precipitación, que es esencial para la gestión
de los recursos hídricos, y aplicar una combinación de
análisis espectral y regresión armónica para predecir
tanto las variables como los cambios se evaluaron en
estas variables en relación con la condición actual.
Método Métodos paramétricos y no paramétricos.
Regresión lineal, modelo polinomial, estimador de
Técnica
pendiente de Sens y prueba de Mann-Kendal
Caso de aplicación de estos métodos paramétricos y no
paramétricos para el pronóstico de temperatura y
Validación
precipitación para las partes más activas de la Cuenca del
Lago Chad, África.
El pronóstico de temperatura y precipitación para los
años 2016-2025 y 2026-2035 en las partes más activas de
Aportación
la Cuenca del Lago Chad, África.
Descripción:
Es muy importante comprender la variabilidad climática, las
tendencias y la predicción para una mejor gestión y planificación de
los recursos hídricos en una cuenca. Dado que los recursos hídricos de
la cuenca del lago Chad (LCB) son altamente vulnerables al cambio
climático, en el presente estudio, una combinación de métodos de
análisis de tendencias se utilizó para examinar la variabilidad y las
tendencias climáticas para el período 1951-2015 utilizando los datos
de la Unidad de Investigación Climática (CRU) y una combinación de
técnicas de análisis espectral para la predicción de la temperatura y la
precipitación utilizando CRUdata. El ochenta y cuatro por ciento de
las series de tiempo de temperatura indicó señales extremadamente
fuertes de tendencias crecientes ( α = 0,001) y del 25 al 38% de la Las
series de tiempo de precipitación indicaron fuertes tendencias
decrecientes ( α = 0.05) .Se espera que la temperatura aumente y se
espera que las precipitaciones disminuyan en el futuro. Sin embargo,
sorprendentemente, en algunas regiones ubicada en el Sur, se
pronosticó que la temperatura disminuiría levemente en 2021-2030 en
relación con 2006- 2015.Esta disminución podría ocurrir porque estas
regiones son áreas de recursos naturales altamente protegidas y los
bosques están presentes con frecuencia. En general, se pronosticó que
la temperatura aumentaría entre 0,65 y 1,6 ° C y se pronosticó que las
precipitaciones disminuirían entre un 13% y un 11% en las próximas
dos décadas (es decir, 2016-2025 y 2026-2035) en relación con 1961-
1990. El análisis periódico mostró un ciclo de precipitación de 20 a 25
años en todas las cuencas y un ciclo de temperatura de 40 a 45 años,
pero solo en la cuenca Chari-Logone.
Referencia 8
Publicación Revista Asia-Pacífico de Ciencias Atmosféricas
Un método de predicción climática basado en EMD y la
Título
técnica de predicción por conjuntos.
Predicción climática; Descomposición en modo empírico;
Palabras Predicción por conjuntos; Modelo de regresión escalonada
clave: basado en función generada de valor medio; Series de
tiempo.
Autor Shuoben Bi, Shengjie Bi, Xuan Chen, Ha Ji, Ying Lu
Los sistemas climáticos son complejos, con características
no lineales. Su estudio requiere principalmente el análisis
Problemática
de datos de series de tiempo no lineales y no estacionarias.
atendida
Los métodos de análisis clásicos para series de tiempo no
se pueden utilizar para tratar estos datos.
Aumentar sustancialmente la precisión de los valores de
Objetivo
predicción del clima a corto plazo.
Descomposición en modo empírico (EMD) y técnica de
Método predicción por conjuntos y un modelo de regresión de paso
a paso.
Funciones de modo intrínseco (IMF), que son estacionarias
y de múltiples escalas; predicción de conjunto numérica
Técnica
combinada con un análisis de regresión escalonada; modelo
de regresión lineal.
El modelo está validado utilizando datos de temperatura de
Validación febrero de 1957 a 2005 de 88 estaciones meteorológicas en
Guangxi, China.
Este método refleja las predicciones de las tendencias del
Aportación cambio climático con mayor precisión que el método
directo y maneja mejor el cambio climático abrupto.
Descripción:
Los datos climáticos observados se procesan bajo el supuesto de que
sus series de tiempo son estacionarias, como en la predicción de
temperatura y precipitación de varios pasos, lo que generalmente
conduce a una baja precisión de predicción. Si un modelo de sistema
climático se basa en un único modelo de predicción, los resultados de
la predicción contienen una incertidumbre significativa. Para superar
este inconveniente, este estudio utiliza un método que integra la
predicción por conjuntos y un modelo de regresión paso a paso basado
en una función de generación de valores medios. Además, utiliza la
descomposición en modo empírico (EMD), que es un nuevo método
para manejar series de tiempo. Primero, una serie de tiempo no
estacionaria se descompone en una serie de funciones de modo
intrínseco (IMF), que son estacionarias y de múltiples escalas.
Entonces, Se construye un modelo de predicción diferente para cada
componente del FMI utilizando una predicción de conjunto numérica
combinada con un análisis de regresión escalonada. Finalmente, los
resultados se ajustan a un modelo de regresión lineal, y se establece un
sistema de predicción climática a corto plazo utilizando la plataforma
de desarrollo Visual Studio. El modelo está validado utilizando datos
de temperatura de febrero de 1957 a 2005 de 88 estaciones
meteorológicas en Guangxi, China. Los resultados muestran que, en
comparación con los métodos de predicción de un solo modelo, el
EMD y el modelo de predicción por conjuntos son más efectivos para
pronosticar el cambio climático y los cambios climáticos abruptos
cuando se utilizan datos históricos para la predicción de varios pasos.
y se establece un sistema de predicción del clima a corto plazo
utilizando la plataforma de desarrollo Visual Studio. El modelo se
valida con datos de temperatura de febrero de 1957 a 2005 de 88
estaciones meteorológicas en Guangxi, China
Referencia 9
Publicación Laboratorio de Madhuchanda Paul Rakshit
Previsibilidad y análisis de la temperatura semanal
Título
utilizando modelos de series de tiempo autorregresivos
Palabras ARMA, Prueba de hipótesis, SARMA, SARIMA, MAE,
clave: MdAE, NRMSE, RMSE
Autor Sukhpal Kaur, Dr. Madhuchanda Rakshit.
Problemática La previsibilidad de temperatura y precipitación semanal
atendida en Punjab.
Pronosticar la tendencia futura de la temperatura más alta
Objetivo
y más baja de Punjab.
Modelo de media móvil autorregresiva estacional
Método (SARMA) y no estacional (ARMA) y de media móvil
integrada autorregresiva estacional (SARIMA)
Se recopilan valores del pasado, se recopilan y en base a
estos se desarrolla un método. Posteriormente se calcula
Técnica
la precisión de los resultados sobre la base de las medidas
de error de pronostico y pruebas de hipótesis.
Se aplican varios métodos con el fin de pronosticar la
Validación tendencia de la futura temperatura más alta y más baja
de Punjab.
El mejor modelo para determinar la temperatura máxima
Aportación
es SARIMA y para la temperatura mínima SARMA.
Descripción:
El análisis y la previsión de series de tiempo convertirse en una
herramienta importante para analizar, pronosticar y en otras
aplicaciones en diversos datos meteorológicos e hidrológicos como
temperatura, lluvia, humedad, caudal de río, caudal de corriente y
muchos más. La investigación tiene objetivo pronosticar la tendencia
futura de la temperatura más alta y más baja de Punjab, utilizando
modelos de media móvil autorregresiva estacional y no estacional y de
media móvil integrada autorregresiva estacional. Para ello recopila y
analiza los valores pasados y se desarrolla un modelo adecuado que
describe la estructura inherente y las características de la serie. Se
calcula la precisión de los resultados sobre la base de medidas de error
de pronóstico y pruebas de hipótesis. Los rendimientos del pronóstico,
como el error absoluto medio, el error absoluto medio, el error
cuadrático medio y el error cuadrático medio normalizado se utilizan
para la temperatura de Punjab. Los resultados de la investigación
muestran que el mejor método para pronosticar la temperatura máxima
es SARIMA y el mejor método para pronosticar la temperatura
mínima es SARMA. Los modelos que se evaluaron están acosados por
las medidas de error mínimo y por la prueba de Diebold Marino
coincide que el modelo SARIMA para temperatura máxima y
SARMA para temperatura mínima son diagnosticados como los
mejores modelos para pronosticar datos entre los tres modelos que
usaron en este estudio para la temperatura de Punjab
Referencia 10
Publicación Climatología teórica y aplicada
Rendimiento de conjuntos estadísticos y de aprendizaje
Título
automático para la reducción de temperatura diaria
Palabras Métodos de aprendizaje automático, Métodos estadísticos,
clave: Temperatura,
Autor Xinyi Li, Zhong Li, Wendy Huang, Pengxiao Zhou
Proyecciones de temperatura del aire cerca de la superficie
Problemática con altas resoluciones temporales. Las aplicaciones del
atendida enfoque desarrollado proporcionarán información útil para
apoyar la adaptación climática en Ontario
Desarrollar una serie de técnicas estadísticas y de
aprendizaje automático para establecer conjuntos climáticos
Objetivo
y comparar su rendimiento para reducir la temperatura
diaria a largo plazo
Redes de memoria a corto plazo a largo plazo (LSTM) y
máquina de vectores de soporte (SVM)) y estadísticos
Método (media de conjuntos aritméticos (EM) y regresión lineal
múltiple (MLR)) en el desarrollo de conjuntos de múltiples
modelos
Se llevará a cabo un estudio de caso de 12 estaciones
meteorológicas sobre Ontario para evaluar el rendimiento
Técnica
del aprendizaje automático y los conjuntos estadísticos para
la reducción de la temperatura diaria.
Caso de aplicación de métodos de aprendizaje automático y
Validación métodos estadísticos para la predicción de temperatura en
Ontario, Canadá.
Los métodos de aprendizaje automático y métodos
Aportación estadísticos funcionan bien al reducir la temperatura diaria
con conjuntos múltiples,
Descripción:
Los cambios de temperatura tienen impactos generalizados en el
medio ambiente, la economía y la planificación municipal. La
generación de predicciones climáticas precisas con una resolución
espacial más fina mediante la reducción de escala podría ayudar a
evaluar mejor los efectos futuros del cambio climático a escala local.
Se ha demostrado que conjuntos de múltiples modelos climáticos
mejoran la precisión de la predicción de la temperatura. Mientras
tanto, las técnicas de aprendizaje automático han demostrado un alto
rendimiento en la resolución de varios problemas de modelado
predictivo, lo que las convierte en una herramienta prometedora para
la reducción de temperatura. Este estudio investigó el rendimiento de
los métodos de aprendizaje automático (redes de memoria a corto
plazo a largo plazo (LSTM) y máquina de vectores de soporte (SVM))
y estadísticos (media de conjuntos aritméticos (EM) y regresión lineal
múltiple (MLR)) en el desarrollo de conjuntos de múltiples modelos.
para reducir la temperatura diaria a largo plazo. Se realizó un estudio
de caso de doce estaciones meteorológicas en Ontario, Canadá, para
evaluar el desempeño de los conjuntos propuestos. Los resultados
mostraron que tanto el aprendizaje automático como las técnicas
estadísticas funcionaron bien al reducir la temperatura diaria con
conjuntos de múltiples modelos y tuvieron un rendimiento similar con
una precisión relativamente alta. los R 2 de 12 estaciones osciló entre
0,756 y 0,820 y el RMSE osciló entre 4,318 y 7,063 ° C. Tanto el
aprendizaje automático como los conjuntos estadísticos para la
reducción de escala tuvieron dificultades para predecir valores
extremos para temperaturas inferiores - 10 ° C y más de 20 ° C. Los
resultados proporcionaron soporte técnico para el uso de métodos
estadísticos y de aprendizaje automático para generar predicciones de
temperatura diarias de alta resolución.
BIBLIOGRAFÍA
[1] Bhanu Sharma, N. G. (2020). Revisión de la predicción
hidrológica ampliada (EHP) y el marco de EHP para
Tehri Dam, India. Congreso Mundial de Medio
Ambiente y Recursos Hídricos 2020.
[2] Bibhuti Bhusan Sahoo, R. J. (2019). Red neuronal
recurrente de memoria a largo plazo a corto plazo
(LSTM) para el pronóstico de series de tiempo
hidrológicas de bajo flujo. Instituto de Geofísica,
Academia de Ciencias de Polonia y Academia de
Ciencias de Polonia.
[3] Collins, A. D., Schepen, A., Wang, Q. J., Becker, E., &
Jia, L. (2019). Aplicación de un sistema híbrido
estadístico-dinámico a la predicción estacional de
temperatura y precipitación en América del Norte.
Monthly Weather Review, 607-625.
[4] Geografia, I. N. (17 de Noviembre de 2020). Empleo y
ocupación. Obtenido de INEGI:
https://www.inegi.org.mx/temas/empleo/#Informacion
_general
[5] Georgia Papacharalampou, H. T. (2018). Previsibilidad
de la temperatura mensual y la precipitación mediante
métodos automáticos de predicción de series
temporales. Publicación Instituto de Geofísica,
Academia de Ciencias de Polonia y Academia de
Ciencias de Polonia.
[6] Javier Estévez, J. A.-J.-M. (2020). Pronósticos de
precipitación mensual utilizando modelos de redes
neuronales Wavelet en un entorno semiárido. Water
Review.
[7] Lee Krajewski, M. L. (2008). Administración de
operaciones. México: PEARSON EDUCACIÓN.
[8] Małgorzata Murat, I. M. (2018). Pronóstico de series
de tiempo meteorológicas diarias utilizando ARIMA y
modelos de regresión. International Agrophysics, 253-
264.

[9] Rashid Mahmood, S. J. (2019). Análisis de la

variabilidad climática, tendencias y predicción en las
partes más activas de la cuenca del lago Chad, África.
Scientific Reports Review.

[10] Shuoben Bi, S. B. (2018). Un método de predicción

climática basado en EMD y la técnica de predicción por
conjuntos. Revista Asia-Pacífico de Ciencias
Atmosféricas.

[11] Sukhpal Kaur, D. M. (2020). Previsibilidad y análisis

de la temperatura semanal utilizando modelos de series
de tiempo autorregresivos. Laboratorio de
Madhuchanda Paul Rakshit.

[12] Xinyi Li, Z. L. (2020). Rendimiento de conjuntos

estadísticos y de aprendizaje automático para la
reducción de temperatura diaria. Climatología teórica
y aplicada.