Traducido del inglés al español - www.onlinedoctranslator.

com

Proyecto Liderazgo y Sociedad 3 (2022) 100061

Listas de contenidos disponibles enCienciaDirecta

Proyecto Liderazgo y Sociedad

revista Página de inicio:www.sciencedirect.com/journal/project-leadership-and-society

Documento de investigación empírica

Digitalización de la gestión de proyectos: Oportunidades en la investigación y

la práctica

Carlos Marnewicka,*, Annlizé L. Marnewickb

aUniversidad de Johannesburgo, Sistemas de Información Aplicados, Sudáfrica
bUniversidad de Johannesburgo, Escuela de Posgrado en Gestión de Ingeniería, Sudáfrica

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: El rápido crecimiento de las tecnologías digitales, así como la cantidad de datos que los dispositivos y las
Digitalización aplicaciones recopilan diariamente, impulsan cada vez más a las organizaciones a transformar radicalmente sus
transformación digital
modelos de negocios. El impacto de la digitalización en los proyectos de tecnología de la información (TI) es evidente
Gestión de proyectos
a través de la adopción de enfoques ágiles y DevOps. Lo que no está claro es cómo la digitalización está afectando la
Análisis bibliométrico
disciplina de gestión de proyectos más amplia. Un análisis bibliométrico de 478 artículos proporciona información
Tecnologías
Áreas de enfoque de investigación
sobre el estado de la digitalización de la gestión de proyectos. A un alto nivel, la gestión de proyectos aún no está
digitalizada, pero las tecnologías se utilizan como herramientas para optimizar los procesos de gestión de proyectos.
Los resultados también destacan la necesidad de un aprendizaje continuo para adaptarse a la transformación que
introduce la digitalización.

1. Introducción
El rápido crecimiento de las tecnologías digitales, como el modelado de
información de construcción (BIM), las redes sociales, los macrodatos, la
computación en la nube y el Internet de las cosas, y la cantidad de datos que los
dispositivos y las aplicaciones recopilan a diario impulsan cada vez más a las
organizaciones a transformar radicalmente sus modelos de negocios. Esta
transformación digital presenta muchos desafíos, como la abrumadora presencia
de la tecnología, la capacidad de obtener beneficios de las tecnologías digitales,
las capacidades emergentes, el cambio cultural, las nuevas formas de estructuras
organizativas como la infraestructura digital, las nuevas formas de cooperación y
las desigualdades digitales, por nombrar solo una. pocos. Es necesario hacer una
distinción entre los conceptos de digitalización y digitalización. Estos conceptos
están estrechamente relacionados pero difieren. La digitalización se centra en el
proceso de convertir flujos de información analógicos en bits digitales, por
ejemplo, escanear documentos físicos en copias digitales. La digitalización, por
otro lado, se centra en la integración de diversas tecnologías en todos los aspectos
de la vida de una persona o del entorno laboral (Grey y Rumpe, 2015).
Recientemente se ha estudiado el impacto de la digitalización en las
organizaciones (Sutherland y Jarrahi, 2018;Bauer et al., 2018;Weill y
Woerner, 2015;Korner et al., 2015). Dentro del dominio de la gestión de
proyectos, la literatura se centra en la aplicación de tecnología como BIM (
Yan, 2021;Sidani et al., 2021;Wernerova et al., 2018) así como grande
datos y ciencia de datos (Chen y Dai, 2021). En el caso de big data y ciencia de
datos, la literatura se centra en el uso de la ciencia de datos dentro de los
proyectos y cómo implementar proyectos de big data o ciencia de datos. El
enfoque de los artículos está en la aplicación o implementación de la tecnología.
Estos artículos se centran en la digitalización de la gestión de proyectos y no en la
digitalización de la gestión de proyectos. Lo que no se sabe es cómo la
digitalización afecta la gestión de proyectos como disciplina desde la perspectiva
tanto de los profesionales como de la academia. El objetivo de este artículo es
proporcionar información sobre el estado de la digitalización de la gestión de
proyectos. Estas ideas deberían indicar cuál es el nivel actual de digitalización de la
gestión de proyectos y qué se debe hacer para digitalizar aún más la gestión de
proyectos. Esto se hace a través de un análisis bibliométrico. Para abordar el
objetivo del artículo,
• Obtenga una visión general de la digitalización de la gestión de proyectos
• Identificar áreas de enfoque de investigación emergentes
• Contribuir al limitado cuerpo actual de conocimientos sobre la digitalización
de la gestión de proyectos.
La primera sección del artículo se centra en la revisión de la literatura en torno a la
digitalización, las tendencias tecnológicas y la gestión de proyectos. Las dos secciones
siguientes se centran en el proceso de análisis bibliométrico y los resultados posteriores.
La cuarta sección discute los resultados y la investigación potencial

* Autor correspondiente.
Correos electrónicos:cmarnewick@uj.ac.za (C. Marnewick),amarnewick@uj.ac.za (AL Marnewick).

https://doi.org/10.1016/j.plas.2022.100061
Recibido el 25 de mayo de 2022; Recibido en forma revisada el 21 de septiembre de 2022; Aceptado el 25 de septiembre de 2022
Disponible en Internet el 27 de septiembre de 2022
2666-7215/© 2022 Los autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/bync-
nd/4.0/).
C. Marnewick y AL Marnewick
se ofrecen áreas de enfoque. La sección de conclusiones concluye el artículo y
proporciona vías para futuras investigaciones.
2. Dominio del estudio bibliométrico
La revisión de la literatura se centra en (i) la digitalización como concepto y
(ii) el impacto potencial de la digitalización en la gestión de proyectos. El
objetivo de la revisión de la literatura es crear un vínculo entre estos
conceptos e indicar cómo la digitalización afecta la gestión de proyectos.
2.1. Digitalización
Las organizaciones se ven afectadas por los avances tecnológicos (
Balakrishnan y Das, 2020). Estos avances tecnológicos están impulsados en
gran medida por los siguientes desarrollos: tecnologías móviles, redes
sociales, big data y ciencia de datos, tecnologías de computación en la nube
e Internet de las cosas (IoT) (Chalons y Dufft, 2017). Estos avances
tecnológicos y la aplicación de los mismos se están convirtiendo cada vez
más en parte integrante de los productos y procesos de una organización (
Chawla y Goyal, 2022). Esta creciente dependencia de la tecnología crea
cambios importantes en las organizaciones y en la sociedad (Van Veldhoven
y Vanthienen, 2021).
Esta incorporación de tecnología a los productos y procesos de la
organización se denomina digitalización o transformación digital. En la
literatura se distinguen los conceptos de digitalización, digitalización y
transformación digital. La confusión entre los conceptos de digitalización y
digitalización llevó a que estos conceptos se usaran indistintamente en la
literatura de gestión (Balakrishnan y Das, 2020). segúnSaarikko et al. (2020),
la digitalización es el proceso técnico en el que las señales analógicas se
convierten en señales digitales. Esta opinión es apoyada porChae (2022)que
se refiere a la digitalización como la conversión de información analógica en
productos digitalizados. Por lo tanto, la digitalización está impulsando la
digitalización.
Legner et al., (2017) percibieron la digitalización como un proceso sociotécnico
donde la tecnología se adopta a gran escala. Esta visión del proceso sociotécnico
está respaldada porSaarikko et al. (2020)afirmando que la digitalización aprovecha
los productos o sistemas digitalizados para crear nuevos procesos
organizacionales, modelos comerciales y ofertas de productos.Nwaiwu (2018)la
digitalización percibida como el proceso de pasar a un negocio digital utilizando la
tecnología para cambiar los modelos de negocio, proporcionar nuevos ingresos y
oportunidades de producción de valor.
Así como existe confusión entre los conceptos de digitalización y digitalización,
Van Veldhoven y Vanthienen (2021)afirmó que hay algunos “confusión semántica”
entre los dos conceptos de digitalización y transformación digital (DT).Kraus,
Durst, Ferreira, Veiga, Kailer y Weinmann (2022)opinaron que el DT es el “
integración de la tecnología digital en todos los aspectos y operaciones de una
organización, lo que a su vez conduce a cambios de infraestructura en la forma en
que opera la organización y ofrece valor a sus clientes”.Balakrishnan y Das (2020)
por otro lado, percibió a DT como la transformación de las organizaciones en
organizaciones digitales donde se transforma la propuesta de valor y la entrega.
Chawla y Goyal (2022)definió DT como “el uso de tecnologías digitales de la nueva
era para permitir importantes mejoras comerciales (como mejorar la experiencia
del cliente, optimizar las operaciones o crear nuevos modelos comerciales)”.
Saarikko et al. (2020)tenía una perspectiva totalmente diferente donde el enfoque
está en permanecer viable y relevante en el nuevo panorama digital. Esto se logra
adaptando las formas y los conjuntos de habilidades de las organizaciones.
AlNuaimi, Kumar Singh, Ren, Budhwar y Vorobyev (2022)afirmó que DT se logra a
través de cambios planificados y que DT es una herramienta para transformar los
procesos y la cultura empresarial.
Un análisis de las definiciones de digitalización y transformación digital
concuerda conVan Veldhoven y Vanthienen (2021)que se trata sólo de semántica.
Tanto la digitalización como la DT se centran en los procesos, los modelos de
negocio y los productos. Los términos que se usan indistintamente son
operaciones en lugar de procesos y creación de valor en lugar de productos. Para
este artículo, se utilizará el concepto de digitalización ya que el enfoque está en
2
Proyecto Liderazgo y Sociedad 3 (2022) 100061
digitalizar la gestión de proyectos y no hacer la transición digital de la gestión de
proyectos.tabla 1proporciona un resumen de las definiciones.
La tecnología forma la base de la digitalización pero la tecnología per se, no
aporta valor a las organizaciones sino más bien “hacer negocios de manera
diferente porque la tecnología lo hace posible” (Westerman et al., 2019). Chawla y
Goyal (2022)estuvo de acuerdo en que la tecnología por sí sola no tiene valor, pero
el valor se genera en función del contexto que hace que la tecnología sea útil para
la organización. Esto también se aplica a la disciplina de gestión de proyectos. La
gestión de proyectos se puede hacer de manera diferente a través de la aplicación
de la tecnología.
Kraus et al. (2022)afirmó que la digitalización o transformación digital es
muy especializada y restringida a dominios particulares. Un dominio que no
está cubierto en la literatura es el dominio de gestión de proyectos. La
digitalización también se ha vuelto compleja, más difícil de entender y
requiere la atención de los académicos.Chawla y Goyal (2022)declaró que
falta la progresión de la investigación en la literatura.
La digitalización se logra mediante la aplicación de enfoques iterativos de
gestión de proyectos como Scrum y Lean (Guinan et al., 2019). Chalons y Dufft
(2017)también destacó la agilidad y la adaptabilidad como requisitos previos para
la digitalización. Las organizaciones también necesitan invertir en las habilidades y
capacidades de los empleados.Guinan et al. (2019)proporcionó cuatro palancas
para que los equipos tengan éxito en la digitalización. Estas palancas son (i) la
diversidad, (ii) el establecimiento iterativo de objetivos, (iii) el aprendizaje continuo
y (iv) la gestión del talento. Las organizaciones también necesitan pasar de los
silos funcionales a los equipos multifuncionales (Saarikko et al., 2020).Chalons y
Dufft (2017)agregó dos requisitos adicionales. La primera es que las soluciones
digitales deben ser simples e intuitivas y, en segundo lugar, las organizaciones
deben explorar los canales digitales para recopilar información del cliente para
brindar una mejor experiencia al cliente.
Existen varios marcos para describir el fenómeno de la digitalización.
Estos marcos se pueden dividir en marcos conceptuales, de transformación
o de madurez. Los marcos conceptuales describen la digitalización de
manera que las personas entiendan este concepto (Van Veldhoven y
Vanthienen, 2021).van Tonder, Schachtebeck, Nieuwenhuizen y Bossink
(2020)diseñó un marco conceptual que guía a las organizaciones a digitalizar
los modelos de negocio actuales. El marco de transformación de negocios
digitales de piano de digitalización también es un modelo conceptual que
ayuda a las organizaciones en la aplicación de tecnologías digitales para
lograr una transformación exitosa (Nwaiwu, 2018).
Los marcos de transformación, por otro lado, explican cómo se debe
implementar la digitalización en las organizaciones.Martínez (2019) se refirió a él
como un camino que involucra los pasos que las organizaciones deben seguir
para implementar soluciones digitales.Kavadias et al. (2016)mencionó seis claves,
es decir (i) una oferta personalizada de productos/servicios, (ii) un proceso de ciclo
cerrado, (iii) intercambio de activos, (iv) precios basados en el uso, (v) un
ecosistema colaborativo y (vi) un ágil y organización adaptativa. Estas seis claves
son necesarias si las organizaciones quieren digitalizar con éxito su modelo de
negocio.
Los marcos de madurez describen los niveles de madurez de la digitalización y
son valiosos para evaluar las fortalezas y debilidades de las organizaciones. Un
ejemplo de un marco de madurez es el deVenkatraman (1994). Postuló cinco
niveles de madurez, es decir, explotación localizada, integración interna, rediseño
de procesos comerciales, rediseño de redes comerciales y redefinición del alcance
comercial.
Con base en las diversas definiciones de digitalización y el trabajo de
tabla 1
Definición de digitalización, digitalización y transformación digital.
Concepto Descripción
digitalizando La conversión de productos a un formato digital.
Digitalización La innovación de modelos y procesos de negocio que explotan las
oportunidades digitales.
Digital La reestructuración a nivel de sistemas de las organizaciones que se
transformación produce a través de la difusión digital. Esto cambia la forma en que la
organización opera y entrega valor a los clientes.
C. Marnewick y AL Marnewick
Schreckling y Steiger (2017), la digitalización se puede dividir en tres
compartimentos principales, es decir, los impulsores de la digitalización, los
objetos que se digitalizarán y los impactos en la economía, la organización y los
procesos.Figura 1proporciona una presentación gráfica de la relación entre las
tendencias tecnológicas, la digitalización y la gestión de proyectos.
Impulsores para la digitalización:La digitalización está impulsada y
habilitada principalmente por avances en tecnologías digitales como big data,
computación en la nube y computación móvil. Estos avances son impulsados por
la Ley de Moore y están evolucionando exponencialmente (Autio et al., 2021). Otro
impulsor es el cambio en el comportamiento, las actitudes y las expectativas de las
personas. Cuanta más gente usa la tecnología, más esperan de ella y también
cambia la forma en que se comunican y se comportan. Un tercer conductor es la
barrera de entrada baja. Las tecnologías son cada vez más baratas y asequibles a
medida que estas tecnologías evolucionan exponencialmente.
Objetos de la digitalización:La digitalización impacta (i) los procesos y el
trabajo, (ii) los productos y servicios que ofrece una organización y (iii) los propios
modelos de negocio. La tecnología ha cambiado la forma de trabajar de las
personas y ha permitido la automatización de procesos (Menzel y Macaulay, 2015;
Humilde y Farley, 2010). Los productos que ofrecen las organizaciones también
cambiaron y esto es especialmente el caso en el sector financiero. Un ejemplo es
la banca por Internet o banca móvil que sustituyó a la banca tradicional o la oferta
de música a través de Spotify. El tercer objeto de la digitalización son los modelos
de negocio. Los modelos de negocio de las organizaciones están influenciados por
la digitalización y un ejemplo son las plataformas digitales (Fehrer et al., 2018). Las
plataformas digitales son negocios en línea que facilitan las interacciones
comerciales entre al menos dos grupos diferentes.
Impacto de la digitalización:El impacto de la digitalización es amplio y
afecta la economía, nuevas oportunidades para la organización y desafíos
que deben abordarse. Cuando se trata de la economía en general, la
digitalización impacta el crecimiento de la organización y la economía del
país, la estructura de las cadenas de valor, el empleo y las habilidades (
Mandičák et al., 2020), la naturaleza del trabajo mismo (Juan, 2021;
Fernández-Rovira et al., 2021) y modelos de negocio (Hombre y
Strandhagen, 2017).
2.2. Gestión de proyectos
Existen varias definiciones para la gestión de proyectos y los atributos
comunes son que el gerente del proyecto debe aplicar conocimientos,
habilidades, herramientas y técnicas para lograr objetivos específicos del
proyecto (Instituto de Gestión de Proyectos, 2021;Asociación para la Gestión
de Proyectos, 2006;Mnkandla y Marnewick, 2011). Cuando se habla de la
digitalización de la gestión de proyectos, es necesario verlo a través de la
lente de esta definición.
Conocimiento:El conocimiento se puede definir como aquellos hechos e
información que se conoce en un campo particular (Davidson y Rowe, 2009). Hay
dos formas de conocimiento, a saber, el conocimiento explícito y el tácito. El
conocimiento tácito se obtiene por procesos individuales internos, como la
experiencia, la reflexión y la interiorización o talentos individuales. El conocimiento
explícito, por otro lado, se enfoca en almacenar conocimiento en medios
mecánicos o tecnológicos, como libros de texto o sistemas de información. Los
gerentes de proyecto deben tener un conocimiento explícito sobre las diversas
tecnologías que pueden ayudarlos a lograr los objetivos del proyecto.
Figura 1.Relación entre tendencias tecnológicas, digitalización y gestión de proyectos.
3
Proyecto Liderazgo y Sociedad 3 (2022) 100061
requisitos El conocimiento tácito se obtendrá mediante el uso y la
aplicación de estas diversas tecnologías.
Habilidades:Las habilidades se pueden definir como la competencia o destreza que
se adquiere o desarrolla a través del entrenamiento o la experiencia (El-Sabaa, 2001).
Marnewick y Marnewick (2020)mencionó que las habilidades requeridas se están
volviendo más complejas a medida que los gerentes de proyecto necesitan dominar las
diversas tecnologías, como la inteligencia artificial y el aprendizaje automático.
Herramientas:Las herramientas más adecuadas deben utilizarse dentro de un
contexto determinado. Las herramientas digitales incluyen software de programación y
software BIM. Estas herramientas permiten a los gerentes de proyectos trabajar de
manera más eficiente y efectiva. Pero el gerente del proyecto debe tener el conocimiento
y las habilidades para operar estas herramientas al máximo.
Técnicas:Varias técnicas están disponibles para el director del proyecto. Estas
técnicas incluyen evaluación de riesgos y técnicas de selección de cartera de proyectos.
En el caso de la evaluación de riesgos, se puede utilizar el aprendizaje automático para
automatizar y realizar esta actividad. Esto entonces excluye la parcialidad del equipo del
proyecto.
En resumen, las tendencias tecnológicas son impulsores de la digitalización.
Desde una perspectiva de gestión de proyectos, los objetos de la digitalización son
los procesos de gestión de proyectos, el entregable del proyecto y los modelos de
negocio. El impacto de la digitalización está en el crecimiento de la organización y
en las habilidades requeridas por el gerente del proyecto y los miembros del
equipo del proyecto. Aunque la revisión de la literatura destaca la relación entre la
digitalización y la gestión de proyectos, todavía no hay información sobre el
estado de la digitalización de la gestión de proyectos.
La siguiente sección trata sobre el proceso de análisis bibliométrico. Se considera
adecuado un análisis bibliométrico, ya que proporciona una visión general integral de la
digitalización y la gestión de proyectos e identifica las lagunas de conocimiento (Donthu
et al., 2021).
El análisis bibliométrico se utilizó antes dentro del dominio de gestión de
proyectos.Artto, Martinsuo, Gemünden y Murtoaro (2009)lo usó para determinar
similitudes y diferencias entre la gestión de proyectos y programas, mientras que
De Rezende, Blackwell y Pessanha Gonçalves (2018)creó una imagen precisa del
campo de complejidad del proyecto. También utilizaron el análisis bibliométrico
para detectar el desarrollo del campo de conocimiento como lo hicieronOrae et al.
(2017)cuando investigaron áreas nuevas y en crecimiento de BIM.Xue, Shen, Yang,
Wu, Li, Lin y Xue (2020)utilizó el análisis bibliométrico para determinar conexiones
y tendencias dentro de los estudios de perspectiva de las partes interesadas. En
otro estudio,Hanisch y Wald (2012)centrado en las contribuciones de los autores al
campo de la teoría de la contingencia en la gestión de proyectos. La razón para
utilizar el análisis bibliométrico es que se pueden resumir grandes cantidades de
datos bibliométricos para presentar primero la estructura intelectual y, en
segundo lugar, cualquier tendencia emergente sobre un tema de investigación
específico. Por el contrario, una revisión sistemática de la literatura resume y
sintetiza la literatura existente sobre un tema o campo de investigación. En el caso
de la digitalización y gestión de proyectos, no existe suficiente literatura por lo que
se decide realizar un análisis bibliométrico.
En resumen, utilizando el análisis bibliométrico, este artículo se centra en (i) obtener
una visión general del tema de investigación, (ii) identificar lagunas de conocimiento, (iii)
identificar corrientes de investigación emergentes y (iv) posicionar las contribuciones en
relación con el tema de investigación.
C. Marnewick y AL Marnewick
3. Proceso de análisis bibliométrico
segúnDonthu et al. (2021), el proceso de análisis bibliométrico consta de
cuatro pasos. Estos cuatro pasos otorgan legitimidad al proceso, ya que los
resultados pueden validarse de forma independiente.
Paso 1: Definir los objetivos y el alcance del estudio bibliométrico:
Este primer paso es definir el objetivo y el alcance del estudio
bibliométrico. El alcance es determinar el impacto de la digitalización en
la gestión de proyectos per se. Las disciplinas relacionadas de la gestión
de programas y carteras no forman parte del alcance de este estudio. El
objetivo del análisis bibliométrico es determinar en qué medida, si es
que lo hacen, las tecnologías digitales se incorporan a la disciplina de la
gestión de proyectos y si la gestión de proyectos está digitalizada.
Paso 2: Elija las técnicas para el análisis bibliométrico: El enfoque de
este paso es elegir las técnicas por adelantado que apoyarán los
objetivos del estudio bibliométrico. Para abordar los objetivos de este
estudio bibliométrico, se utilizarán las siguientes técnicas:
• Análisis de co-palabras:Explorar las relaciones existentes o futuras entre temas
en un campo de investigación centrándose en el contenido escrito de la
publicación misma.
• Análisis de coautoría:Examinar las interacciones o relaciones
sociales entre los autores y sus afiliaciones e impactos equivalentes
en el desarrollo del campo de investigación.
Además de estas dos técnicas, se pueden utilizar ciertas métricas de análisis de
rendimiento, como las métricas relacionadas con publicaciones y las métricas
relacionadas con citas.
Paso 3: Recopile los datos para el análisis bibliométrico:En este paso, el término
de búsqueda debe definirse de tal manera que arroje resultados de búsqueda que
sean lo suficientemente grandes como para garantizar un análisis bibliométrico y, sin
embargo, lo suficientemente enfocados para abordar los objetivos del estudio y estar
dentro del alcance del estudio. . En este caso, las siguientes palabras clave se
utilizaron junto con la gestión de proyectos.
segúnDonthu et al. (2021)Se pueden buscar varias bases de datos. Advierten
que la combinación de los resultados de las distintas bases de datos puede dar
lugar a errores, ya que se trata de un proceso manual. Aconsejan que se utilice
una sola base de datos. Se utilizaron tres bases de datos destacadas (Scopus, ACM
Digital Library y World of Science) para la búsqueda inicial. Hubo 35 artículos
duplicados entre las tres bases de datos. Se decidió centrarse únicamente en los
478 artículos enumerados en la base de datos Scopus para este estudio
bibliométrico específico.
Paso 4: Ejecute el análisis bibliométrico e informe los hallazgos:El enfoque de
este paso es elaborar debates perspicaces que se comprometan directamente con el
objetivo del estudio bibliométrico y los fundamentos equivalentes en lugar de solo
informar sobre el resumen del corpus bibliométrico.
4. Hallazgos de los resultados del análisis bibliométrico
La primera parte informa sobre el análisis de rendimiento, mientras que la
segunda parte se centra en el mapeo científico utilizando análisis de co-palabras y
análisis de coautoría.
4.1. Análisis de rendimiento
El primer conjunto de métricas de rendimiento se centra en las métricas relacionadas
con la publicación. segúnFigura 2, la mayoría de los artículos aparecen en actas de
congresos y solo 148 artículos aparecen en revistas revisadas por pares.
El primer artículo apareció en 1994 centrado en la influencia de los
sistemas digitales en la seguridad nuclear (Brillante, 1994). Se publicaron 43
artículos entre 2000 y 2010. La última década vio la publicación de 432
artículos con 2020 (107 artículos) y 2021 (111 artículos) los más
4
Proyecto Liderazgo y Sociedad 3 (2022) 100061
años productivos segúnFig. 3.
Cuando se trata del análisis de los autores, el análisis de la métrica del autor
proporciona información adicional. La asombrosa cantidad de 1479 autores están
contribuyendo a este campo de la digitalización y la gestión de proyectos, lo que
da como resultado tres autores por artículo desde 1994. De estos 1479 autores,
noventa y seis autores son autores únicos y solo 381 autores son coautores. El alto
número de autores frente al bajo número de coautores (4:1) indica un nivel de
madurez relativamente bajo.
El siguiente conjunto de métricas de rendimiento se centra en las métricas
relacionadas con citas y publicaciones. El artículo más citado (112 veces) es el deLi
et al. (2019)centrándose en el uso de blockchain en el entorno construido y la
industria de la construcción. El cuarenta y cinco por ciento de los artículos no han
sido citados. Se proporciona un desglose del número de citas por artículo en
Figura 4.
Tabla 2proporciona una idea de la colaboración entre los autores.
La colaboración aún está fragmentada y los autores no colaboran, ya
que solo el 1% de los autores colaboran. El coeficiente de colaboración (
Ajiferuke et al., 1988) de 0.6768 se relaciona con la declaración anterior
donde en promedio tres autores contribuyen a un artículo.
Con base en el análisis de rendimiento, se puede deducir lo siguiente:
• La digitalización y la gestión de proyectos es una tendencia emergente.
Esto se deduce deFig. 3así como la gran cantidad de autores que
contribuyen a este campo.
• Varios autores están investigando en este campo. Algunos autores son
autores únicos mientras que otros son coautores. Esto indica fragmentación y
falta de una agenda de investigación enfocada.
• Los artículos no son muy citados ya que el 45% de los artículos nunca han sido
citados. Esto indica una falta de madurez de la investigación ya que la investigación
no está enfocada y varios autores están tratando de posicionarse en este campo.
4.2. Mapeo científico
4.2.1. Análisis de coautoría
El propósito de analizar la coautoría es examinar las interacciones o relaciones
sociales entre los autores y sus afiliaciones e impactos equivalentes en el
desarrollo del campo de investigación. Visor Vos1se utilizó para crear la
visualización de densidad. A partir del análisis de rendimiento, se indicó que la
relación autor:artículo es de 1:3 y esta relación se utilizó para crear la visualización
de densidad de coautoría según Figura 5. El grupo más productivo está indicado
por la burbuja roja. Este grupo de investigadores se enfoca específicamente en big
data y ciencia de datos y tiene su sede en la Universidad de Syracuse en los EE. UU.
Han publicado 12 artículos como coautores. El segundo grupo es el de Helmus y
Meins-Becker y su investigación se centra en el modelado de información de
construcción (BIM). La investigación de Seppänen y Peltokorpi se centra en la
aplicación de tecnología en proyectos de construcción específicamente para
empoderar a los gerentes de proyectos. Hassani y El Bouzekri El Idrissi se enfoca
en software y gestión de proyectos digitales y distingue entre proyectos de
tecnología de la información (TI) y proyectos digitales. El último grupo (verde
oscuro) es el de Grabis, Haidabrus y Protsenko. Su investigación se centra en el
uso de datos mediante la aplicación de algoritmos de ciencia de datos.
Todos estos autores se centran en el 'objeto de la digitalización' según Figura 1. La
atención se centra en gran medida en los procesos de gestión de proyectos y no tanto en
el entregable del proyecto o en los modelos de negocio del proyecto.
El segundo nivel de análisis se centra en las co-palabras donde el foco está en
las relaciones existentes entre los temas centrándose en los propios artículos
publicados.
4.2.2. Análisis de co-palabras
Al igual que con el análisis de coautoría, se utilizó VosViewer para determinar los grupos.
Cincuenta y seis palabras clave cumplieron con el número mínimo de ocurrencias de
1https://www.vosviewer.com.
C. Marnewick y AL Marnewick Proyecto Liderazgo y Sociedad 3 (2022) 100061

(digitalización O datificación O “transformación digital” O “tecnologías digitales” O “ciencia de datos”) Y “gestión de proyectos”.

muchos enlaces que tiene una palabra clave con otras palabras clave. BIM dentro de la
construcción se destaca cuando uno mira las 10 palabras clave principales que indican
que la industria de la construcción está adoptando BIM (Hu et al., 2018;Poirier et al., 2017
).
La atención se centra en la tecnología de la información y la construcción. La razón
es que la digitalización está impulsada por TI y la mayor parte de la investigación está
relacionada con BIM dentro de la industria de la construcción.
Tabla 4proporciona más detalles de cada grupo o tema y proporciona más información
sobre la visualización de la densidad de palabras compartidas segúnFigura 6.
El grupo C1 consta de 20 elementos y esto dificulta el análisis y la provisión de
información. Uno de los primeros temas que surgen de este clúster es la gestión
ágil y ágil de proyectos que se utiliza para la implementación de tecnologías
digitales y transiciones digitales. Esto tiene sentido ya que la mayoría de las
implementaciones de tecnologías digitales se perciben como proyectos de TI y,
últimamente, ágil es el enfoque preferido para implementar proyectos de TI. Esto
confirma la investigación deGuinan et al. (2019)yChalons y Dufft (2017). Un
Figura 2.Distribución de artículos.
segundo tema que surge de este grupo es el aprendizaje. El aprendizaje debe
tener lugar en dos niveles. El primer nivel es comprender cómo funciona y
diez. Esto es alrededor del 2% de todas las palabras clave. La razón para elegir un
funciona la tecnología específica y el segundo nivel es cómo esta tecnología
número tan alto es tener un análisis más centrado de los conglomerados. Un número
específica influye en la forma en que se gestiona un proyecto. Una vez más, BIM
mínimo más bajo de ocurrencias confunde los resultados y se identifican demasiados
viene a la mente. El equipo del proyecto debe aprender a operar un determinado
clústeres que no necesariamente agregan valor. Por ejemplo, si se utiliza la configuración
paquete BIM y también debe comprender cómo el uso de BIM puede ayudarlos en
predeterminada de cinco ocurrencias, entonces 133 palabras clave cumplen con los
la previsión y las operaciones a largo plazo. El aprendizaje dentro de la
criterios, que es más del doble si la ocurrencia mínima se establece en diez. El uso de
organización no puede darse sin una adecuada gestión de los recursos humanos.
cinco apariciones de palabras clave da como resultado seis grupos frente a cuatro grupos
la inclusión de ciencia de la administracióncomo palabra clave también indica que
distintos cuando se utilizan 10 apariciones de palabras.Figura 6es una presentación
se requieren nuevas formas de trabajar en torno a la gestión, el personal y cómo
visual de la densidad de co-palabras y los cuatro grupos son claramente visibles.
se gestiona el riesgo en un entorno más digitalizado. La gran cantidad de
elementos en este grupo confirma la noción de que la digitalización de la gestión
El objetivo de este artículo es proporcionar información sobre el estado de la
de proyectos sigue siendo un área de enfoque de investigación emergente. Los
digitalización de la gestión de proyectos. El nivel de apariciones de palabras clave según
artículos aún no están enfocados y los autores intentan cubrir demasiado, ya sea
Tabla 3proporciona algunas ideas. Es evidente que la digitalización y las tecnologías
en el artículo en sí o con las palabras clave. Los artículos en este grupo tienen un
digitales están apareciendo con frecuencia, y estas ocurrencias también tienen una alta
promedio de 10 palabras clave.
fuerza de enlace total. La fuerza total del enlace indica cómo

Fig. 3.Artículos por año.

5
C. Marnewick y AL Marnewick Proyecto Liderazgo y Sociedad 3 (2022) 100061

Figura 4.Número de citas por artículo.

el uso de tecnologías digitales como el aprendizaje automático y los gemelos

Tabla 2
digitales. La aplicación de gemelos digitales se utiliza en la industria de la
Análisis de métricas de citas.
construcción (Ozturk, 2021;Oliveira, 2020). Esto se relaciona con los procesos de
Métrico Total Descripción gestión de proyectos como objetos de digitalización segúnFigura 1.
Índice de colaboración 1% Grado de colaboración del componente de El grupo 3 consta de nueve elementos y el enfoque de este grupo es más
investigación en tecnologías específicas como inteligencia artificial, big data y ciencia de
Coeficiente de colaboración 0.6768 El grado de colaboración del autor
datos. El tema general de este grupo es la gestión de grandes cantidades de
estandarizado entre 0 y 1 Número de
Número de citados 263 publicaciones del componente de
datos asociados con la digitalización. Los gerentes de proyecto y los equipos
publicaciones investigación que se citan de proyecto deben poder recopilar datos y tomar decisiones inteligentes e
Proporción de citados 55% informativas basadas en los datos. Tecnologías como la inteligencia artificial
publicaciones
y la ciencia de datos pueden ayudar con esto. la palabra clave gestión de la
informacióncaptura la esencia de este grupo.
El Grupo 4 también consta de nueve elementos y se centra en gran medida en
El grupo 2 consta de 15 elementos. El tema principal que surge de este clúster es el
el uso de BIM en las industrias de la construcción y la ingeniería.
impacto de la digitalización en los procesos de negocio. Los procesos comerciales están
Aunque cada grupo se analiza como una entidad separada, existen
automatizados, lo que da como resultado una toma de decisiones más rápida y
vínculos entre los conceptos entre los grupos como se muestra enFigura 7.
proporciona una ventaja competitiva. Esto sólo puede lograrse a través de
Al igual que con el análisis de coautoría, el enfoque del análisis de co-palabras

Figura 5.Visualización de densidad de coautoría.

6
C. Marnewick y AL Marnewick Proyecto Liderazgo y Sociedad 3 (2022) 100061

Figura 6.Visualización de densidad de co-palabras.

trata sobre los procesos de gestión de proyectos como objetos de digitalización. Se da

Tabla 3
poca o ninguna atención a los otros aspectos segúnFigura 1.
Las 10 principales ocurrencias de palabras clave y la fuerza total del enlace asociado.

Palabra clave Ocurrencia Fuerza total del enlace 5. Discusión

transformación digital 92 289
Industria de construccion 82 391 5.1. Dar sentido al análisis bibliométrico
Tecnologías digitales 77 290
Gestión de la información 69 324
El análisis de rendimiento destaca que existe un mayor interés en la
BIM 64 348
Diseño arquitectonico 64 345 digitalización dentro de la disciplina de gestión de proyectos. Hay un aumento año
Digitalización 58 167 tras año en las publicaciones, aunque la mayoría de las publicaciones todavía se
Ciencia de los datos 51 169 ofrecen en conferencias. Esta tendencia es comprensible, ya que es necesario
Sistemas de información 36 151
intercambiar ideas y conceptos nuevos en las conferencias. Una preocupación es
Gestión de proyectos de construcción 32 171
que los artículos de revistas no aparecen en las tres principales revistas de gestión
de proyectos (IJPM, PMJ e IJMPiB), sino en revistas centradas en ingeniería y
tecnología de la información.
Tabla 4
El mapeo científico se centró en dos aspectos, a saber, la coautoría y el análisis
Análisis de conglomerados.
de copalabras. La coautoría destacó ciertos aspectos. El primer aspecto es que los
Grupo Palabras clave en el clúster autores que trabajan juntos están todos radicados en la misma institución. Las
C1 (20 artículos): Agile, Gestión ágil de proyectos, Rentabilidad, Dispositivos digitales, colaboraciones de investigación deben establecerse entre instituciones y
Rojo Tecnologías digitales, Transformación digital, e-learning, educación, disciplinas, ya que serán beneficiosas tanto para los investigadores como para las
formación en ingeniería, Gestión de recursos humanos, Industria 4.0,
instituciones (Armstrong y Drotar, 2000). Los investigadores involucrados en la
Inversiones, Métodos iterativos, Gestión del conocimiento, Ciencias
digitalización de la gestión de proyectos deben crear colaboraciones entre
de la gestión, Gerentes, Metadatos, Personal, Gestión de riesgos
industrias e instituciones. Más importante aún, los investigadores de la disciplina
C2 (15 artículos): Automatización, Proceso de negocio, Competencia, Toma de decisiones, de gestión de proyectos deben formar parte de esta investigación; de lo contrario,
Verde Economía digital, Gemelo digital, Digitalización, Economía, Seres humanos, existe el peligro de que los investigadores de otras disciplinas dicten la agenda de
Tecnología de la información, Sistemas de aprendizaje, Aprendizaje
investigación de digitalización de la gestión de proyectos.
automático, Fabricación, Desarrollo sostenible, Tecnología Inteligencia
C3 (9 artículos): artificial, Big data, Análisis de datos, Ciencia de datos, Decisión sistemas de
Azul soporte, Almacenamiento digital, Gestión de la información, Sistemas de El análisis de co-palabras proporciona algunas ideas interesantes. La primera
información, Uso de la información Diseño arquitectónico, BIM, Industria observación es que la tecnología se utiliza como herramienta. No se encuentran pruebas
C4 (9 artículos): de la construcción, Gestión de la construcción, PM de la construcción,
de que la tecnología se utilice realmente para optimizar las técnicas de gestión de
Mostaza Teoría de la información, Ciclo de vida, Edificios de oficinas, Diseño
proyectos, como la evaluación de riesgos y la selección de la cartera de proyectos. Para
estructural
que la tecnología cree valor más allá de una herramienta o una aplicación, debe

7
C. Marnewick y AL Marnewick
Figura 7.Visualización de red de co-palabras.
incorporarse a la gestión de proyectos de manera diferente (Westerman et al.,
2019). Por lo tanto, se propone que los gerentes de proyecto tengan
conocimientos sobre las tendencias tecnológicas. Esto es específicamente
aplicable a los gerentes de proyecto fuera de la industria de TI. Los gerentes de
proyecto también deben saber cómo se puede usar la tecnología como
herramienta, pero también cómo optimizar las técnicas usando la tecnología.
Agile se percibe como el mejor enfoque para ofrecer nuevas tecnologías, ya
que es más exitoso que el enfoque tradicional en cascada (Khoza y Marnewick,
2020). Este es específicamente el caso cuando el enfoque está en la entrega de
nuevas tecnologías dentro de las instituciones financieras. Esto se correlaciona
conGuinan et al. (2019)yChalons y Dufft (2017)afirmando que se necesita un
enfoque iterativo para la digitalización de la gestión de proyectos. El grupo 1
también destaca la noción de aprendizaje. Los jefes de proyecto y los equipos
deben tener conocimientos de nuevas tecnologías. El desafío que enfrentan los
gerentes de proyectos y los equipos de proyectos es en qué tecnologías deben
enfocarse.
La digitalización impacta en los modelos y procesos de negocio (Hombre y
Strandhagen, 2017). El análisis del clúster 2 destaca el impacto de la digitalización
en los procesos de gestión de proyectos. Al igual que con el clúster 1, el enfoque
de este clúster se centra en gran medida en la aplicación de tecnología para
digitalizar procesos. El foco no está necesariamente en la digitalización de la
gestión de proyectos. Esto confirma la brecha de investigación identificada.
Cuando uno reflexiona sobre el análisis de las co-palabras, surgen dos
aspectos. El primer aspecto es que la tecnología solo se usa como una
herramienta para ayudar a los gerentes de proyectos a administrar sus proyectos.
La gestión de proyectos aún no está digitalizada. El segundo aspecto es que los
gerentes de proyecto y los miembros del equipo del proyecto deben dominar
nuevas habilidades para utilizar de manera óptima las nuevas tecnologías. A este
respecto,Marnewick y Marnewick (2021)destacó la importancia de la inteligencia
digital. Con la inteligencia digital viene la adquisición de conocimientos para
distinguir entre las diversas tecnologías y determinar cuáles son aplicables a un
proyecto y entorno específicos.
8
Proyecto Liderazgo y Sociedad 3 (2022) 100061
5.2. Necesidad de enfoques para vincular la digitalización y el PM
Esta sección se centra en cómo los académicos y los profesionales pueden
impulsar la digitalización de la gestión de proyectos. Los resultados del análisis
bibliométrico así comoFigura 1se utilizará para guiar la discusión. Se realiza a la
manera de áreas de enfoque de investigación prospectiva (RFA). Cabe señalar que
los académicos y los profesionales son igualmente responsables de la
digitalización de la gestión de proyectos. Por lo general, la digitalización debería
cambiar los procesos dentro de un proyecto, el producto o servicio en sí y los
modelos comerciales. Los resultados indican que hay alguna indicación sobre
cómo se cambian los procesos. No se encontró evidencia de cómo se cambió el
producto o servicio. El impacto de la digitalización en los modelos de negocio es
difícil de establecer ya que la organización del proyecto suele ser de naturaleza
temporal. La primera área de enfoque de investigación se centra en las tendencias
tecnológicas que impulsan la digitalización.
Área de enfoque de investigación 1 (Tecnología):Los resultados indicaron el
uso de varias tecnologías (Tabla 4Grupo 3). Estas tecnologías se utilizaron para
simplificar el trabajo y no para cambiar los procesos de gestión de proyectos o los
entregables como objetos de digitalización. No se encontró evidencia de cómo
estas tecnologías son o podrían incorporarse a los procesos de gestión de
proyectos para digitalizar la gestión de proyectos. La atención se centra más en la
digitalización de la gestión de proyectos que en la digitalización. Los gerentes de
proyecto deben investigar cómo se pueden usar las tecnologías para optimizar las
técnicas de gestión de proyectos. Los investigadores en gestión de proyectos
también deben promover la investigación en la aplicación de tecnologías a las
técnicas. Un ejemplo es el uso del aprendizaje automático dentro de la gestión de
riesgos del proyecto (Mhlari, 2020).
El área de enfoque de investigación 2 se centra en los procesos de gestión de
proyectos y los entregables que son objetos de digitalización.
Área de enfoque de investigación 2 (Cultura):'Transformación digital' y
'digitalización' son parte de las 10 principales ocurrencias de palabras clave (Tabla
3). 'Digitalización' aparece en ambos grupos uno y dos (Tabla 4). Dentro del grupo
uno, la digitalización se usa junto con la "transformación digital", pero dentro del
grupo dos, se usa en el contexto de la automatización.
C. Marnewick y AL Marnewick
y cambios de proceso. Los autores de estos artículos reconocen la importancia de
la digitalización per se y el impacto potencial en la automatización y los cambios
en los procesos. Esto está de acuerdo con las definiciones que establecen que la
digitalización se enfoca en la innovación de modelos y procesos de negocios. No
se proporcionó información sobre cómo se podrían digitalizar los modelos y
procesos comerciales. La digitalización no se puede lograr con la mera aplicación
de tecnologías. Esto se logra a través de un cambio en la cultura. De acuerdo a
Westerman et al. (2019), el cambio cultural es el mayor desafío de la digitalización
y la adopción de la digitalización se basa en cuatro pilares: impacto, velocidad,
apertura y autonomía. El proyecto como organización forma parte de una
organización mayor (Eskerod et al., 2017) pero es sólo de carácter temporal.
Digitalizar la organización del proyecto requiere un esfuerzo sustancial y el
enfoque debe estar en la cultura y las estructuras organizativas (del proyecto). El
enfoque de esta área de investigación debería estar en la creación de una cultura
digital por parte de los líderes a cargo de las organizaciones de proyectos. Esta
cultura digital debe abrazar la digitalización y centrarse en los cuatro pilares según
Westerman et al. (2019). Los investigadores pueden promover la investigación
centrada en la cultura de la organización del proyecto con un enfoque específico
en el fomento de una cultura digital. La investigación también puede centrarse en
la influencia de la cultura digital de la organización más grande en la cultura
digital de la organización del proyecto.
Área de enfoque de investigación 3 (Modelos de negocio):Esta área de enfoque de
investigación también forma parte de los objetos de la digitalización, pero se enfoca en
modelos de negocios de proyectos. El análisis bibliométrico destacó esta brecha ya que
ninguno de los artículos abordó el tema de cómo la digitalización podría cambiar los
modelos de negocio de los proyectos. Además de crear una cultura digital, la
organización del proyecto debe derribar las barreras específicas de la industria y crear
nuevas oportunidades al mismo tiempo que destruye modelos comerciales exitosos
durante mucho tiempo (Weill y Woerner, 2015). Continúan y proponen cuatro modelos de
negocio para una organización digitalizada, es decir, un modelo de proveedor, un
modelo omnicanal, un modelo de controlador de ecosistema y el productor modular.
Cambiar la organización de proyectos tradicional a un modelo de negocio digitalizado
requerirá un esfuerzo, conocimiento y habilidades concertados de todos los
involucrados. Se debe realizar una investigación exhaustiva sobre cómo el modelo
comercial de la organización del proyecto se puede modificar en un modelo comercial
digitalizado. Este es especialmente el caso cuando uno de los inhibidores sería la
temporalidad de la organización del proyecto.
Área de enfoque de investigación 4 (lentes teóricos):Söderlund (2004)
debatido hace dos décadas por lentes teóricos para mejorar nuestra comprensión
de los proyectos y la organización del proyecto. Desde entonces, se aplicaron
diversas teorías dentro de la disciplina de gestión de proyectos. Las teorías
incluyen el liderazgo (Amanchukwu et al., 2015), teorías institucionales (Biesenthal
et al., 2018), teorías de la dirección estratégica (Killen et al., 2012) y la teoría de la
complejidad (José y Marnewick, 2021) para nombrar unos pocos. Una brecha que
se identificó a través del análisis bibliométrico es la falta de teorías teóricas para
mejorar nuestra comprensión de la digitalización de la gestión de proyectos. En
este sentido, se pueden extraer ideas de la literatura sobre sistemas de
información. Existen varias teorías de la disciplina de los sistemas de información
sobre cómo adoptar e implementar nuevas tecnologías. Los sistemas de
información específicos que se pueden investigar son el modelo de aceptación de
tecnología (TAM), la teoría de la acción razonada (TRA), la teoría del
comportamiento planificado (TPB) y la teoría de la difusión de las innovaciones
(DOI). Estas son solo algunas teorías de los sistemas de información que se
pueden investigar para determinar cómo pueden mejorar y mejorar la
digitalización de la gestión de proyectos.
El análisis bibliométrico proporcionó información sobre los impulsores y los objetos
de la digitalización. No se pudo encontrar información sobre el impacto de la
digitalización en la gestión de proyectos, especialmente las habilidades de gestión de
proyectos y el crecimiento organizacional. Esto conduce a la introducción del área de
enfoque de investigación 5.
Área de enfoque de investigación 5 (PMO):Los proyectos y las organizaciones de
proyectos son de naturaleza temporal. Esto dificulta facilitar el impacto de la
digitalización. La única entidad permanente es la oficina de gestión de proyectos (PMO).
Sin embargo, el papel de la PMO para adoptar e incrementar la digitalización no fue
mencionado por ninguno de los artículos que formaron parte del análisis bibliométrico.
Un área potencial de enfoque de investigación debe ser
9
Proyecto Liderazgo y Sociedad 3 (2022) 100061
el papel de la PMO hacia la digitalización de la gestión de proyectos, así como la
digitalización de la propia PMO. El papel de la PMO debe investigarse desde (i) el
contexto de las áreas de enfoque de investigación uno, dos y cuatro, (ii) las
habilidades digitales requeridas y (iii) la naturaleza de la gestión de proyectos en
sí. La PMO debería, en esencia, convertirse en el custodio de la digitalización de la
gestión de proyectos.
Se puede concluir que la investigación actual sobre la gestión de proyectos de
digitalización se centra en los impulsores de la digitalización con poca o ninguna
investigación sobre los objetos y el impacto de la digitalización en relación con la gestión
de proyectos.
5.3. Formas en que se pueden implementar estos enfoques
Las dos secciones anteriores brindaron información sobre los resultados del
análisis bibliométrico y las posibles áreas de enfoque de investigación que pueden
abordar las brechas identificadas en relación con la digitalización de la gestión de
proyectos. Para mejorar el nivel de digitalización de la gestión de proyectos, se
requiere una agenda enfocada. Esta agenda se presenta enFigura 8. Los insumos
de esta agenda son los impulsores, objetos e impacto de la digitalización. El eje Y
constituye los tres tipos de marcos con las áreas de enfoque de investigación que
constituyen el eje Z. Este cubo se puede utilizar para determinar formas de
digitalizar la gestión de proyectos. Por ejemplo, la intersección de objetos de
digitalización, marcos conceptuales y RFA2 se puede utilizar para crear un marco
conceptual que explique cómo la cultura influye en los procesos de gestión de
proyectos. Se pueden derivar cuarenta y cinco formas de digitalizar la gestión de
proyectos utilizando este cubo.
El objetivo de la investigación es proporcionar información sobre el estado de la
digitalización de la gestión de proyectos. Los resultados indican que las tecnologías
específicas solo se utilizan como una herramienta para ayudar al director del proyecto y
al equipo del proyecto en los aspectos operativos cotidianos del proyecto. No se encontró
evidencia de que la utilización de las tecnologías vaya más allá de la herramienta. La
conclusión final es que la gestión de proyectos aún no está digitalizada.
6. Conclusión
La digitalización está cambiando la forma en que se gestionan los proyectos y
también está cambiando la naturaleza de la gestión de proyectos en sí. La revisión de la
literatura destacó que la digitalización tiene un impacto en la forma en que trabajamos,
así como en los modelos de negocios organizacionales. La digitalización está impulsada
por las diversas tendencias en tecnología y se debe tener cuidado con las tecnologías que
se deben utilizar para impulsar la agenda de digitalización. La definición formal de
gestión de proyectos se utilizó para determinar el nivel de digitalización en la gestión de
proyectos.
Figura 8.Cubo de agenda de investigación de digitalización de gestión de proyectos (PMDRAC).
C. Marnewick y AL Marnewick
Los resultados del análisis bibliométrico indican que la digitalización está impactando
en cierta medida los procesos de gestión de proyectos y que las tecnologías se utilizan
como herramienta. No se descubrió ninguna otra evidencia que indique que la
digitalización está afectando la naturaleza de la gestión de proyectos. La investigación
sobre la digitalización de la gestión de proyectos aún está en sus inicios,
independientemente de la cantidad de artículos que formaron parte de este análisis
bibliométrico, y se debe hacer un esfuerzo concertado para comprender realmente cómo
la digitalización puede cambiar la naturaleza de la gestión de proyectos y cómo los
proyectos pueden administrarse mejor utilizando la tecnología.
Para que la digitalización de la gestión de proyectos se convierta en una
escuela de pensamiento, se deben cumplir tres criterios (Silvio, 2017): Se requiere
una visión compartida entre los investigadores para distinguir la digitalización de
la gestión de proyectos como una escuela de pensamiento distinta. En segundo
lugar, es necesario que exista una comunidad de investigadores. El análisis
bibliométrico destacó que tal comunidad aún no existe. La investigación sobre la
digitalización de la gestión de proyectos debería tener un impacto. Esto tampoco
se ha realizado aún, ya que no hay suficientes artículos, investigaciones y debates
sobre este tema. La responsabilidad recae en el liderazgo académico dentro del
dominio de la gestión de proyectos para impulsar este fenómeno; de lo contrario,
otras disciplinas como la informática y los sistemas de información se apropiarán
de este fenómeno y dictarán la agenda de investigación.
Declaración de competencia de intereses
No hay conflicto de interes.
Disponibilidad de datos
No se utilizaron datos para la investigación descrita en el artículo.
Referencias
Ajiferuke, I., Burell, Q., Tague, J., 1988. Coeficiente colaborativo: una sola medida de la
grado de colaboración en la investigación. Cienciometría 14, 421–433.
Alnuaimi, BK, Kumar Singh, S., Ren, S., Budhwar, P., Vorobyev, D., 2022. Masterización
transformación digital: el nexo entre liderazgo, agilidad y estrategia digital. J.
Autobús. Res. 145, 636–648.
Amanchukwu, RN, Stanley, GJ, Ololube, NP, 2015. Una revisión de las teorías de liderazgo,
principios y estilos y su relevancia para la gestión educativa. Gestión 5, 6–14.
Armstrong, FD, Drotar, D., 2000. Investigación multiinstitucional y multidisciplinaria
colaboración. En: DROTAR, D. (Ed.), Manual de investigación en psicología infantil clínica y
pediátrica: estrategias y métodos prácticos. Springer Estados Unidos, Boston, MA. Artto, K.,
Martinsuo, M., Gemünden, HG, Murtoaro, J., 2009. Fundamentos del programa
administración: una visión bibliométrica. En t. J. Proy. Administrar 27, 1–18.
Asociación para la Gestión de Proyectos, 2006. APM Body of Knowledge. buckinghamshire,
Asociación para la Gestión de Proyectos.
Autio, E., Mudambi, R., Yoo, Y., 2021. Digitalización y globalización en un mundo turbulento
mundo: fuerzas centrífugas y centrípetas. Revista de estrategia global 11, 3–16.
Balakrishnan, R., Das, S., 2020. ¿Cómo se reorganizan las empresas para implementar
¿transformación? Estrat. Cambio 29, 531–541.
Bauer, W., Schlund, S., Vocke, C., 2018. La vida laboral en un mundo híbrido: cuán digital
la transformación y las estructuras ágiles afectan las funciones humanas y aumentan la
calidad del trabajo y el rendimiento empresarial. En: KANTOLA, JI, BARATH, T., NAZIR, S.
(Eds.), Avances en Factores Humanos, Gestión Empresarial y Liderazgo. Springer
International Publishing, Los Ángeles, California, EE. UU., págs. 3 a 10, 17 a 21, julio de 2017.
Biesenthal, C., Clegg, S., Mahalingam, A., Sankaran, S., 2018. Aplicación de
teorías para la gestión de megaproyectos. En t. J. Proy. Administrar 36, 43–54.
Brill, RW, 1994. Sistemas digitales de alta integridad y seguridad nuclear. En: Conferencia IEEE
Record Nuclear Science Symposium and Medical Imaging Conference, 31 de octubre a 6 de
noviembre de 1993, págs. 997–1001. San Francisco, CA, EE. UU..
Chae, B., 2022. Mapeo de la evolución de la investigación empresarial digital: una revisión bibliométrica.
Sostenibilidad 14, 1–13.
Châlons, C., Dufft, N., 2017. El papel de TI como facilitador de la transformación digital. En:
ABOLHASSAN, F. (Ed.), Los impulsores de la transformación digital: por qué no hay forma de
evitar la nube. Springer International Publishing, Cham.
Chawla, RN, Goyal, P., 2022. Tendencias emergentes en la transformación digital: una revisión bibliométrica
análisis. Punto de referencia internacional J. 29, 1069–1112.
Chen, L., Dai, H., 2021. Aplicación de la tecnología Big Data en la gestión de costos y
Control en Proyecto de Construcción. IOP Publishing Ltd.
Davidson, P., Rowe, J., 2009. Sistematización de la gestión del conocimiento en proyectos. En t. j
Administrar proy. Autobús. 2 (561), 576.
De Rezende, LB, Blackwell, P., Pessanha Gonçalves, MD, 2018. Focos de investigación,
tendencias y hallazgos principales sobre la complejidad de los proyectos: un análisis de redes bibliométricas de 50 años de
investigación sobre la complejidad de los proyectos. proy. Administrar J. 49, 42–56.
10
Proyecto Liderazgo y Sociedad 3 (2022) 100061
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., Lim, WM, 2021. Cómo realizar una
análisis bibliométrico: una visión general y directrices. J. Autobús. Res. 133, 285–296. El-Sabaa, S.,
2001. Las habilidades y trayectoria profesional de un gerente de proyecto efectivo. En t. J. Proy.
Administrar 19, 1–7.
Eskerod, P., Justesen, JB, Sjøgaard, G., 2017. Enriquecer las organizaciones de proyectos con
agentes formales de cambio: proyectos de promoción de la salud en el lugar de trabajo. En t. Gerente J. proy.
Autobús. 10, 578–599.
Fehrer, JA, Woratschek, H., Brodie, RJ, 2018. Una lógica sistémica para el negocio de plataformas
modelos Servicio J. Administrar 29, 546–568.
Fernández-Rovira, C., Álvarez Valdés, J., Molleví, G., Nicolas-Sans, R., 2021. Lo digital
transformación del negocio. Hacia la dataficación de la relación con los
clientes. Tecnología Pronóstico. Soc. Cambio 162, 1–12.
Gray, J., Rumpe, B., 2015. Modelos para la digitalización. Sistema de software modelo 14,
1319-1320.
Guinan, PJ, Parise, S., Langowitz, N., 2019. Creación de un equipo de proyecto digital innovador:
palancas para permitir la transformación digital. Autobús. Horiz. 62, 717–727.
Hanisch, B., Wald, A., 2012. Una visión bibliométrica sobre el uso de la teoría de contingencia en
investigación en gestión de proyectos. proy. Administrar J. 43, 4–23.
Hu, ZZ, Tian, PL, Li, SW, Zhang, JP, 2018. Entrega integrada basada en BIM
tecnologías para la gestión inteligente de MEP en la fase de operación y
mantenimiento. Adv. Ing. Software 115, 1–16.
Humble, J., Farley, D., 2010. Entrega continua: Versiones de software confiables a través de
Automatización de compilación, prueba e implementación. Educación Pearson, Boston, MA. John,
L., 2021. Hacia la transformación digital: implicaciones para el cambio estratégico. En:
NUNO, G., PEDRO, A. (Eds.), Reactivando Empresas con Nuevas Estrategias de Gestión del
Cambio Organizacional. IGI Global, Hershey, Pensilvania, EE. UU..
Joseph, N., Marnewick, C., 2021. Medición de la complejidad del proyecto de sistemas de información: una
enfoque de modelado de ecuaciones estructurales. Complejidad 2021, 1–15.
Kavadias, S., Ladas, K., Loch, C., 2016. El modelo de negocio transformador. Harv. Autobús.
Rdo.https://hbr.org/2016/10/el-modelo-de-negocio-transformador.
Khoza, L., Marnewick, C., 2020. Éxito del proyecto del sistema de información Agile y Waterfall
tasas: una perspectiva sudafricana. S.Afr. computar J. 32, 43–73.
Killen, CP, Jugdev, K., Drouin, N., Petit, Y., 2012. Proyecto y cartera en avance
investigación de gestión: aplicación de teorías de gestión estratégica. En t. J. Proy. Administrar 30,
525–538.
Körner, M., Wirtz, MA, Bengel, J., Göritz, AS, 2015. Relación de organización
cultura, trabajo en equipo y satisfacción laboral en equipos interprofesionales. Servicio de Salud
BMC. Res. 15, 243.
Kraus, S., Durst, S., Ferreira, JJ, Veiga, P., Kailer, N., Weinmann, A., 2022. Digital
transformación en la investigación empresarial y de gestión: una visión general del status
quo actual. En t. J.Inf. Administrar 63, 102466.
Li, J., Greenwood, D., Kassem, M., 2019. Blockchain en el entorno construido y
industria de la construcción: una revisión sistemática, modelos conceptuales y casos prácticos de
uso. automático Construir. 102, 288–307.
Man, JCD, Strandhagen, JO, 2017. Una agenda de investigación de la industria 4.0 para la sostenibilidad
modelos de negocio Procedimiento CIRP 63, 721–726.
Mandičák, T., Mésároš, P., Behún, M., Behúnová, A., 2020. Development of digital and
competencias gerenciales y habilidades tecnológicas BIM en la gestión de proyectos de
construcción. En: KNAPCIKOVA, L., BALOG, M., PERAKOVIĆ, D., PERIŠA, M. (Eds.), Nuevos
enfoques en la gestión de sistemas de fabricación inteligentes: conocimiento y práctica.
Springer International Publishing, Cham, Suiza.
Marnewick, C., Marnewick, AL, 2020. Las demandas de la industria 4.0 en los equipos de proyecto.
Trans. IEEE. Ing. Administrar 67, 941–949.
Marnewick, C., Marnewick, AL, 2021. Inteligencia digital: imprescindible para el proyecto
gerentes Proyecto Liderazgo y Sociedad 2, 1–12.
Martinez, F., 2019. La excelencia en los procesos la clave de la digitalización. Autobús. Gestión de Procesos j
25, 1716-1733.
Menzel, G., Macaulay, A., 2015. DevOps: el futuro del ciclo de vida de las aplicaciones
Automatización. Capgemini.
Mhlari, EVZ, 2020. La aplicación de tecnologías de aprendizaje automático en el riesgo de proyectos
Gestión. Maestría en Ingeniería en Gestión de Maestría. Universidad de
Johannesburgo.
Mnkandla, E., Marnewick, C., 2011. Capacitación en gestión de proyectos: la causa raíz de
fracasos del proyecto? J. Contemp. Administrar 8, 76–94.
Nwaiwu, F., 2018. Revisión y comparación de marcos conceptuales sobre negocios digitales
transformación. J. Compet. 10, 86–100.
Oliveira, PP, 2020. Desarrollo de gemelos digitales para la gestión aeroportuaria. J. Airpt. Administrar
14, 246–259.
Oraee, M., Hosseini, MR, Papadonikolaki, E., Palliyaguru, R., Arashpour, M., 2017.
Colaboración en redes de construcción basadas en BIM: una revisión bibliométrica-cualitativa
de la literatura. En t. J. Proy. Administrar 35, 1288–1301.
Ozturk, GB, 2021. Investigación de gemelos digitales en la industria AECO-FM. J. Construir. Ing.
40. Poirier, EA, Forgues, D., Staub-French, S., 2017. Comprender el impacto de BIM en
colaboración: un estudio de caso canadiense. Construir. Res. información 45, 681–695.
Instituto de Gestión de Proyectos, 2021.Una guía para el cuerpo de gestión de proyectos de
Conocimiento (PMBOK)®Guía),Plaza Newtown. Instituto de gestión de proyectos,
Pensilvania.
Saarikko, T., Westergren, UH, Blomquist, T., 2020. Transformación digital: cinco
recomendaciones para la empresa digitalmente consciente. Autobús. Horiz. 63, 825–839.
Schreckling, E., Steiger, C., 2017. Digitalizar o ahogarse. En: OSVALDO, G.,
KLEINEMEIER, M. (Eds.), Dando forma a la empresa digital: tendencias y casos de
uso en innovación y transformación digital. Springer International Publishing,
Cham. Sidani, A., Dinis, FM, Sanhudo, L., Duarte, J., Santos Baptista, J., Poças Martins, J.,
Soeiro, A., 2021. Herramientas y técnicas recientes de realidad virtual basada en BIM: una
revisión sistemática. Arco. computar Métodos Ing. 28, 449–462.
C. Marnewick y AL Marnewick
Silvius, G., 2017. La sustentabilidad como nueva escuela de pensamiento en la gestión de proyectos.
J. Limpio. Pinchar. 166, 1479–1493.
Söderlund, J., 2004. Construyendo teorías de gestión de proyectos: investigaciones pasadas, preguntas
para el futuro. En t. J. Proy. Administrar 22, 183–191.
Sutherland, W., Jarrahi, MH, 2018. La economía colaborativa y las plataformas digitales: una
revisión y agenda de investigación. En t. J.Inf. Administrar 43, 328–341.
Van Tonder, C., Schachtebeck, C., Nieuwenhuizen, C., Bossink, B., 2020. Un marco para
transformación digital e innovación en el modelo de negocio. J. Contemp. Administrar Asunto. 25,
111–132.
Van Veldhoven, Z., Vanthienen, J., 2021. La transformación digital como una interacción impulsada
perspectiva entre empresa, sociedad y tecnología. Electrón. Marca. 1–16. Venkatraman, N.,
1994. Transformación empresarial habilitada por TI: de la automatización a
redefinición del alcance del negocio. Gerente Sloan. Rev. 35, 73–87.
11
Proyecto Liderazgo y Sociedad 3 (2022) 100061
Weill, P., Woerner, SL, 2015. Prosperando en un ecosistema cada vez más digital. Sloan del MIT
Administrar Ap. 56, 27–34.
Wernerova, E., Kuda, F., Faltejsek, M., 2018. BIM como herramienta eficaz de proyectos y
Gestión de instalaciones. Geoconferencia científica multidisciplinaria internacional,
págs. 195–200.
Westerman, G., Soule, DL, Eswaran, A., 2019. Creación de una cultura digital en
organizaciones tradicionales. Gerente Sloan del MIT. Ap. 60, 59–68.
Xue, J., Shen, GQ, Yang, RJ, Wu, H., Li, X., Lin, X., Xue, F., 2020. Mapeo del
Dominio del conocimiento de los estudios de perspectiva de las partes interesadas en proyectos de
construcción: un enfoque bibliométrico. En t. J. Proy. Administrar 38, 313–326.
Yan, B., 2021. En: WANG, J., ZHAO, Z. (Eds.), Aplicación de la tecnología BIM en seguridad
Dirección de Ingeniería de la Construcción. IOP Publishing Ltd.
Traducido del inglés al español - www.onlinedoctranslator.com

Revista internacional de gestión de proyectos 40 (2022) 624–633

Listas de contenidos disponibles enCienciaDirecta

Revista Internacional de Gestión de Proyectos

revista Página de inicio:www.elsevier.com/locate/ijproman

¿Importa la gestión de proyectos? La relación entre el esfuerzo, la

complejidad y la rentabilidad de la dirección de proyectos

Carsten Kaufmann*, Alexander Kok

Technische Universität Darmstadt, Cátedra de Gestión de Tecnología e Innovación, Hochschulstraße 1, Darmstadt 64289, Alemania

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: El propósito de este estudio es explorar el impacto causal del esfuerzo de gestión de proyectos en la rentabilidad del proyecto
Gestión de proyectos (es decir, la ganancia sobre las ventas) para diversos grados de complejidad del proyecto en un entorno de proyecto de
Complejidad del proyecto
ingeniería a pedido (ETO). Utilizamos una muestra de 917 informes de estado de proyectos de una gran empresa que ofrece
Ingeniero a pedido
productos ETO junto con un enfoque de función de control para investigar empíricamente el efecto causal del esfuerzo de
Relación causal
gestión de proyectos en la rentabilidad de los proyectos. Además, investigamos el impacto marginal del esfuerzo de gestión
de proyectos y su efecto para diferentes grados de complejidad del proyecto. Nuestros resultados revelan un impacto positivo
pero decreciente del esfuerzo de gestión de proyectos en la rentabilidad del proyecto. Además, encontramos que una mayor
complejidad del proyecto pone en peligro la rentabilidad del proyecto. Sin embargo, El impacto marginal de la gestión de
proyectos aumenta con el aumento de la complejidad del proyecto, lo que en última instancia conduce a mayores
rendimientos de proyectos más complejos. Si bien la investigación anterior proporcionó evidencia correlacional entre la
gestión de proyectos y el éxito del proyecto, este estudio es, hasta donde sabemos, el primero en demostrar un impacto
causal de la gestión de proyectos en la rentabilidad. Los resultados ofrecen una visión única de los beneficios económicos de
la gestión de proyectos teniendo en cuenta la complejidad de los proyectos. El estudio confirma los beneficios de los esfuerzos
de gestión de proyectos con respecto a la rentabilidad del proyecto y subraya la gran relevancia de la gestión de proyectos
para proyectos complejos, subrayando así la importancia de la teoría de contingencia.

1. Introducción técnicas de programación y hoy en día incluye una variedad de prácticas de

La personalización del producto a través de un enfoque de fabricación de
ingeniería a pedido (ETO) permite a las empresas ofrecer a sus clientes productos
configurados individualmente adaptados a las necesidades específicas de cada
cliente (Fogliatto et al., 2012). A diferencia de otros enfoques, los productos ETO se
diseñan y fabrican de forma única de acuerdo con los requisitos de cada cliente (
Sousa, 2003). Debido a esta singularidad, las empresas que ofrecen productos ETO
normalmente procesan los pedidos de los clientes en forma de proyectos (Jalkala
et al., 2010). Sin embargo, con el aumento de los grados de personalización del
producto, aumenta la complejidad de los proyectos ETO (Bolaños y Barbalho, 2021
;Hegde et al., 2005;Salvador et al., 2014). Las especificaciones más sofisticadas del
cliente provocan tareas de ingeniería más complejas, inciertas y potencialmente
interrelacionadas (Amaro et al., 1999). Esta complejidad puede poner en peligro la
rentabilidad de los proyectos ETO.
El enfoque tradicional para hacer frente a la complejidad del proyecto y lograr la
rentabilidad del proyecto es la gestión de proyectos (Carvalho et al., 2015). Inicialmente,
la gestión de proyectos surgió para proporcionar estructuración básica y
gestión para maximizar los resultados de los proyectos (Belassi y Tukel, 1996;
Instituto de Gestión de Proyectos, 2017). La eficacia de la gestión de proyectos es
de fundamental importancia para la investigación en gestión de proyectos y para
los administradores en la práctica (Thomas y Mullaly, 2007). Sin embargo, la
literatura se queda corta en los aspectos esenciales del impacto de la gestión de
proyectos. En primer lugar, sorprendentemente falta una demostración del efecto
causal de la gestión de proyectos en la rentabilidad de los proyectos en la
literatura existente. Como Thomas y Mullaly (2007)nota sobre los estudios
empíricos sobre el valor de la gestión de proyectos, hay “[p]os estudios rigurosos
[que] se han llevado a cabo y los que existen luchan por proporcionar evidencia
indiscutible y sólida” (pag. 74). La investigación empírica sobre la gestión y el éxito
de proyectos se limita a la evidencia correlacional (por ejemplo,Carvalho et al.,
2015;Lappe & Spang, 2014;Zwikael y Sadeh, 2007) y, a menudo, a aspectos
seleccionados del proyecto (gestión) (p. ej.,panadero et al. 2008,Balachandra y
fraile 1997,Fortuna y blanco 2006,Pinto y Slevin 1987). En segundo lugar, la
investigación anterior no considera suficientemente el efecto marginal de la
gestión de proyectos. con el términoefecto marginal, nos referimos a la

* Autor correspondiente.
Dirección de correo electrónico:kaufmann@tim.tu-darmstadt.de (C. Kaufmann).

https://doi.org/10.1016/j.ijproman.2022.05.007
Recibido el 12 de octubre de 2021; Recibido en forma revisada el 22 de mayo de 2022; Aceptado el 23 de mayo de 2022
Disponible en línea el 14 de julio de 2022
0263-7863/© 2022 Los autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/bync-
nd/4.0/).
C. Kaufmann y A. Kock
impacto de un aumento adicional del esfuerzo de gestión de proyectos: basado en
el nivel actual de esfuerzo de gestión de proyectos aplicado (p. ej., en proyectos
con un esfuerzo de gestión de proyectos alto, aumentar adicionalmente el
esfuerzo de gestión podría generar mejoras de rentabilidad menores en
comparación con una situación en la que se aumenta el esfuerzo de gestión)
desde un nivel comparativamente más bajo). La evidencia inicial deZwikael y
Gilchrist (2022) quienes muestran que los esfuerzos de planificación de la gestión
de proyectos no se correlacionan universalmente con una mayor eficiencia del
proyecto destacan que es importante investigar cómo cambia el efecto marginal
del esfuerzo de gestión de proyectos. En tercer lugar, la investigación previa no
considera la contingencia vital de la complejidad del proyecto como un factor
moderador. Este factor es especialmente relevante porque, en general, la
complejidad de los proyectos plantea un desafío clave para los gerentes de
proyectos (Bolaños y Barbalho, 2021;Maylor et al., 2013;Zaman et al., 2019) y, en
particular, la personalización de productos y los negocios basados en proyectos
se han vuelto cada vez más factibles y generalizados (Haug et al., 2009). Este
estudio aborda estas deficiencias e investiga cuantitativamente la relación entre el
esfuerzo de gestión de proyectos y la rentabilidad del proyecto (es decir, la
ganancia sobre las ventas) al tiempo que considera el nivel de complejidad de los
proyectos. Nos enfocamos en la rentabilidad del proyecto como un aspecto
particular del éxito del proyecto, ya que constituye una medida de éxito crucial
para los proyectos externos (Serrador & Turner, 2014;Shenhar y Dvir, 2007).
Especialmente para las empresas que procesan su negocio a través de proyectos
(p. ej., organizaciones basadas en proyectos que ofrecen productos ETO), la
rentabilidad positiva del proyecto es la medida de éxito decisiva para operar con
éxito a largo plazo. Además, al incorporar las ganancias de un proyecto, podemos
cuantificar el valor real que brindan las iniciativas de gestión de proyectos, lo que
aborda una búsqueda importante en la investigación de gestión de proyectos (
Thomas y Mullaly, 2007; Zerjav, 2021). En general, formulamos la siguiente
pregunta de investigación:¿Cómo afecta el esfuerzo de gestión de proyectos a la
rentabilidad del proyecto para diferentes niveles de complejidad del proyecto?
Utilizamos una muestra de datos objetivos de 917 informes de estado de proyectos
en relación con un enfoque de función de control y variables instrumentales para el
esfuerzo de gestión de proyectos de variables posiblemente endógenas para probar
nuestras hipótesis. La muestra y el procedimiento correspondiente permiten el control
de varios problemas relacionados con la endogeneidad y establecen una relación causal
entre la gestión del proyecto y la rentabilidad (Woolridge, 2015). Nuestros resultados
confirman que un mayor esfuerzo de gestión de proyectos conduce a una mayor
rentabilidad del proyecto. La influencia marginal de la gestión de proyectos, sin embargo,
disminuye con el aumento de los niveles de esfuerzo. Además, la eficacia de la gestión de
proyectos aumenta para niveles más altos de complejidad del proyecto.
Este artículo ofrece valiosas contribuciones a la literatura y la práctica. En primer
lugar, el estudio proporciona información nueva y objetiva sobre la influencia causal del
esfuerzo de gestión de proyectos en la rentabilidad del proyecto. Los resultados agregan
conocimientos empíricos confiables a la literatura previa sobre los desafíos del proyecto y
el papel beneficioso de la gestión del proyecto para el éxito del proyecto (por ejemplo,
Carvalho et al. 2015,Mir y Pinnington 2014,Papke-Shields et al. 2010,Scott-Young y
Sansón, 2008). En segundo lugar, este documento ofrece un análisis en profundidad de
los beneficios marginales de la gestión de proyectos. Los resultados demuestran que el
esfuerzo de gestión de proyectos en general puede ser un medio para aumentar la
eficiencia del proyecto, pero que la ley de los rendimientos decrecientes y las sinergias
también se aplica a los proyectos y su gestión (Schmenner &Sucio, 1998;Zwikael y
Gilchrist, 2022). En tercer lugar, este artículo contribuye a la literatura sobre la
complejidad de los proyectos (Bolaños y Barbalho, 2021; Geraldi et al., 2011;Zaman et al.,
2019). Si bien la personalización puede ofrecer a las empresas una ventaja competitiva,
también presenta el inconveniente de los elevados niveles de complejidad de los
proyectos de ETO (Salvador et al., 2014). Este documento revela que los esfuerzos de
gestión de proyectos son un medio viable para compensar los desafíos de complejidad
asociados con una mayor personalización. Esto subraya la relevancia de la teoría de la
contingencia (Shenhar, 2001) y apoya la visión de las incertidumbres del proyecto como
oportunidades para que los gerentes de proyecto logren una mayor rentabilidad del
proyecto (Lechler et al., 2012). Nuestros resultados pretenden alentar a las empresas a
aventurarse en un mayor grado de personalización y, al mismo tiempo, aumentar la
calificación y el esfuerzo de gestión de proyectos para maximizar los rendimientos.
625
Revista internacional de gestión de proyectos 40 (2022) 624–633
2. Antecedentes conceptuales
2.1. La relación de la dirección de proyectos con el éxito del proyecto
La gestión de proyectos tiene un papel clave en los proyectos de desarrollo de
productos, ya que coordina las decisiones necesarias con respecto a los objetivos, la
planificación y el equipo del proyecto. Evaluar y cuantificar su valor ha sido una búsqueda
importante en la literatura anterior (Thomas y Mullaly, 2007). Una importante corriente
de literatura que arroja luz sobre el valor de la gestión de proyectos es la investigación
sobre los factores críticos de éxito (CSF, por sus siglas en inglés). Los CSF se refieren a
enfoques conductuales y especificaciones del proyecto que están significativamente
relacionados con el éxito del proyecto (Rockart, 1979).Swink et al., (2006), por ejemplo,
muestran que la experiencia en gestión de proyectos y la definición de metas claras están
asociadas con un mayor grado de eficiencia del proyecto.Scott-Young y Sansón (2008)
También encuentran que las metas claras se relacionan positivamente con la calidad de
un proyecto. Además, muestran que la continuidad y los incentivos del gerente del
proyecto pueden asociarse con una mayor adherencia al cronograma y que las
características del equipo, por ejemplo, la potencia de resolución de problemas del
equipo, están relacionadas con costos más bajos. Además, se realizan revisiones de
factores de éxito en proyectos de I+D (Balachandra y fraile, 1997), desarrollo de
productos (Marrón y Eisenhardt, 1995;Montoya-Weiss & Calantone, 1994), y gestión
general de proyectos (Fortuna y blanco, 2006;Mir y Pinnington, 2014;Papke-Shields et al.,
2010). Los CSF comunes, confirmados en múltiples estudios, incluyen el apoyo de la alta
dirección, la influencia del líder del proyecto y el esfuerzo de planificación del proyecto (
Fortuna y blanco, 2006).
Además de los CSF, existen múltiples estudios sobre la relación general entre
la gestión general del proyecto y el éxito del proyecto. Zwikael y Sadeh (2007), por
ejemplo, investigar la calidad de la planificación de proyectos como mediador
entre el nivel de riesgo de un proyecto y su éxito final. Sus resultados muestran
que los esfuerzos de planificación de proyectos son generalmente mayores y más
sofisticados para proyectos de alto riesgo, que luego se asocian con un mayor
éxito.Badewi (2016)también encuentra que las prácticas estándar de gestión de
proyectos de planificación de tiempo, costo y comunicación están asociadas
positivamente con el éxito del proyecto.Joslin y Muller (2015) confirmar la relación
positiva entre los métodos de gestión de proyectos y el éxito del proyecto, incluso
cuando se controla la experiencia de los directores de proyectos.Lappe y Spang
(2014)demostrar una correlación entre los costos generales y los beneficios de la
gestión de proyectos. En cuanto a la formación en gestión de proyectos,Carvalho
et al. (2015)encuentran una relación significativa entre el esfuerzo en la formación
en gestión de proyectos y el cumplimiento del cronograma y los márgenes del
proyecto. Por último, en cuanto al desarrollo empresarial, Pollack y Adler (2014)
encontrar una correlación significativa entre el esfuerzo de gestión de proyectos y
el aumento de la productividad en los años siguientes, yEkrot et al. (2016)
demostrar una fuerte relación entre el éxito promedio del proyecto y el éxito
comercial general de una organización.
Si bien estos estudios destacan la relevancia de las iniciativas de gestión de
proyectos para el éxito del proyecto, se quedan cortos en tres aspectos esenciales. En
primer lugar, los hallazgos anteriores son principalmente correlacionales y no establecen
efectos causales entre los esfuerzos y los beneficios de la gestión del proyecto. En
segundo lugar, los estudios previos no controlan una variación en los efectos marginales
de la gestión de proyectos. En tercer lugar, no tienen en cuenta los diferentes niveles de
complejidad del proyecto, que es uno de los desafíos críticos para la gestión de
proyectos, como explicamos en la siguiente sección.
2.2. La complejidad del proyecto desafía la ejecución exitosa del proyecto
La complejidad del proyecto constituye un factor de contingencia crucial para
la gestión y el éxito del proyecto (Maylor et al., 2013;Maylor y Turner, 2017;
Ramasesh & Browning, 2014;Zaman et al., 2019). Debido al entorno de este
estudio, nos centramos en la complejidad de los proyectos que surgen a través de
una estrategia de fabricación ETO (Bolaños y Barbalho, 2021; Bozarth et al., 2009).
Las estrategias de fabricación generalmente se distinguen por la ubicación de su
punto de desacoplamiento de pedidos de clientes (CODP) (Sousa, 2003). El CODP
se refiere a la posición en la cadena de valor, donde el flujo de materiales cambia
de la planificación prevista a la atracción del cliente (Wikner y Rudberg, 2005). Para
aproximaciones ETO, el CODP está situado en
C. Kaufmann y A. Kock
la etapa de ajuste del diseño de ingeniería (Olhager, 2003;Porter et al., 1999
). Así, en ETO, cada pedido de un cliente constituye una solicitud única para
diseñar y fabricar un producto personalizado en un tiempo de entrega
específico. Estas características encajan bien con las características de los
proyectos, que son, por definición, esfuerzos temporales con metas únicas y
recursos específicos (Instituto de Gestión de Proyectos, 2017).
Maylor et al., (2013)proponen distinguir la complejidad del proyecto en
complejidad estructural, emergente y sociopolítica, una visión que también es
apoyada porMaylor y Turner (2017). La complejidad estructural de un proyecto
depende principalmente de su tamaño (Hobday, 1998;Shenhar, 2001), variedad (
Baccarini, 1996;Erikson et al., 2002) e interdependencia (Chapman &Hyland, 2004;
Geraldi et al., 2011). Para proyectos ETO, dependiendo de las solicitudes de los
clientes, las actividades de ingeniería pueden variar desde una selección individual
de componentes estandarizados hasta ajustes de ingeniería más sofisticados para
todo el producto (Hicks et al., 2000). La complejidad de los productos de ingeniería
se debe principalmente a su número de funciones de diseño (Grifo, 1997),
decisiones de diseño durante el desarrollo (Baldwin y Clark, 2000), los módulos
físicos incluidos y su interrelación (Kaski &Heikkila, 2002), y la dependencia de
tecnologías (Tatikonda & Stock, 2003). La complejidad emergente de un proyecto
se refiere al nivel de incertidumbre de sus características (Geraldi et al., 2011). Las
causas de la incertidumbre son la novedad de un producto (Shenhar, 2001), la
experiencia de un equipo de proyecto (Maylor et al., 2008), y la disponibilidad
general de información (Geraldi y Adlbrecht, 2008). Para los proyectos ETO, cuanto
mayor sea la innovación de la personalización solicitada, mayor será la
complejidad del proyecto y su esfuerzo de ingeniería. Por último, la complejidad
sociopolítica de un proyecto se refiere a la complejidad que surge a través de la
interacción de sus personas, partes interesadas y clientes (Maylor et al., 2013). Por
ejemplo, cuanto menor sea el apoyo de la alta dirección y menor la motivación y
experiencia de los miembros del equipo del proyecto, mayor será la complejidad
del proyecto. Una mayor complejidad sociopolítica aumenta los esfuerzos de
coordinación y se materializaría nuevamente en mayores esfuerzos de ingeniería
de los proyectos ETO. Si bien la literatura reciente respalda las tres dimensiones
de complejidad antes mencionadas, también destaca aspectos adicionales. Muy
notablemente,Maylor y Turner (2017)observó una relación bidireccional entre la
complejidad de un proyecto y las respuestas gerenciales a los desafíos de la
complejidad. Las respuestas que tomaron los gerentes en base a su evaluación de
la complejidad de su proyecto también dieron forma a su evaluación de la
complejidad del proyecto. Además,Ramasesh y Browning (2014)enfatizar la
relevancia de las incógnitas desconocidas en los proyectos y su gestión. Las
incógnitas desconocidas describen los desafíos desconocidos que surgen después
del inicio del proyecto, provocados, por ejemplo, por los altos niveles de
complejidad del proyecto, y que plantean desafíos críticos para la ejecución
exitosa del proyecto.
3. Desarrollo de hipótesis
3.1. Gestión de proyectos y rentabilidad de proyectos.
Argumentamos que el esfuerzo de gestión de proyectos afecta positivamente la
rentabilidad del proyecto. Primero, de acuerdo con su propósito, las iniciativas de gestión
de proyectos deben influir positivamente en la rentabilidad del proyecto. Si bien la
gestión de proyectos surgió inicialmente para proporcionar mejores técnicas de
programación (Belassi y Tukel, 1996), hoy ofrece una variedad de prácticas para
aumentar los resultados de los proyectos. Además de la gestión tradicional del alcance, el
tiempo, el costo y la calidad, la gestión de proyectos incluye la coordinación extendida de
recursos, riesgos y adquisiciones. La gestión de proyectos apoya la ejecución adecuada
del proyecto, desde la definición de objetivos iniciales y un enfoque estructurado, hasta el
seguimiento y control continuo del proyecto hasta el cierre (Fortuna y blanco, 2006;
Kerzner, 2017).
En segundo lugar, varios estudios identificaron los CSF del proyecto y demostraron
su asociación con el éxito del proyecto (Balachandra y fraile, 1997;Dvir et al., 1998;
Fortuna y blanco, 2006;Thomas y Mullaly, 2008). Dado que estos aspectos individuales de
la gestión de proyectos se relacionan con el éxito del proyecto, la gestión de proyectos,
como un todo, debería hacerlo igualmente. Los ejemplos de CSF demostrados que
forman parte de la gestión de proyectos incluyen
626
Revista internacional de gestión de proyectos 40 (2022) 624–633
planificación y programación (Dvir et al., 1998;Pinto & Mantel, 1990;Swink et
al., 2006), coordinación de partes interesadas externas y asignación de
recursos internos (Pinto y Slevin, 1987), y un seguimiento y control eficaz de
los procesos y riesgos durante un proyecto en curso (Cooke-Davies, 2002;
Dvir et al., 1998;Teller et al., 2014). Además, la literatura existente abogó por
una influencia positiva de la gestión de proyectos en el éxito del proyecto,
aunque sin evidencia causal (Lappe & Spang, 2014;Serrador & Turner, 2014;
Tatikonda y Rosenthal, 2000). Por lo tanto, formulamos nuestra primera
hipótesis de la siguiente manera:
H1: El esfuerzo de gestión de proyectos afecta positivamente la rentabilidad del proyecto.
3.2. Utilidad marginal decreciente de la gestión de proyectos
Argumentamos que el impacto del esfuerzo de gestión de proyectos en la
rentabilidad del proyecto disminuye con niveles crecientes de esfuerzo de gestión
de proyectos. La ley de rendimientos marginales decrecientes es una observación
central en microeconomía (Coleman, 1990). Se ha discutido en la literatura de
gestión como parte de la teoría sobre las fronteras de desempeño (Schmenner y
Swink, 1998). En este estudio, la frontera de rendimiento de un proyecto se refiere
al resultado máximo que un equipo puede lograr en función de las características
dadas del proyecto. Hay dos tipos de iniciativas que aumentan el rendimiento del
proyecto (Schmenner y Swink, 1998). La mejora se refiere a eliminar las
ineficiencias y, por lo tanto, acercar el proyecto a su frontera de desempeño.
Mejora se refiere a cambios sustanciales en las políticas o estrategias para mover
o cambiar la forma de la frontera de desempeño de un proyecto. Ambos tipos
aumentan el rendimiento; sin embargo, también están sujetos a las leyes de
rendimientos decrecientes y sinergias (Schmenner y Swink, 1998). Cuanto más se
acerca un proyecto a su frontera de desempeño, mayor es el esfuerzo adicional
para aumentar aún más su desempeño.
Las iniciativas de gestión de proyectos tienen como objetivo aumentar la
eficiencia de un proyecto acercándolo a su frontera sin alterar las características
dadas. Según la ley de rendimientos decrecientes, cuanto más se acerca el
proyecto a su frontera, menor es el impacto marginal de estas iniciativas. Por lo
tanto, es probable que los enfoques básicos iniciales de gestión de proyectos
tengan un efecto marginal más sustancial que los enfoques más avanzados. Por
ejemplo, las prácticas de planificación estratégica, como la gestión del alcance y
del personal, contribuyen inicialmente a una estructura clara del proyecto con un
alto impacto en la rentabilidad del proyecto (Zwikael y Gilchrist, 2022;Zwikael y
Sadeh, 2007). Sin embargo, cuanto mayor sea el nivel de gestión de proyectos ya
aplicado, menor será el potencial para aumentar la rentabilidad del proyecto
mediante un esfuerzo adicional de gestión de proyectos. Si bien las iniciativas
adicionales de gestión de proyectos aún contribuyen a un mayor éxito del
proyecto, su impacto marginal disminuye ya que el potencial de mejora adicional
disminuye con la mejora creciente ya lograda por las iniciativas de gestión de
proyectos. Por lo tanto, formulamos nuestra segunda hipótesis de la siguiente
manera:
H2: El efecto marginal del esfuerzo de gestión de proyectos en la rentabilidad del proyecto
disminuye con el aumento del esfuerzo de gestión de proyectos.
3.3. Interacción de la gestión de proyectos y la complejidad
Argumentamos que la influencia positiva del esfuerzo de gestión de proyectos en la
rentabilidad del proyecto aumenta con el aumento de la complejidad del proyecto. En
general, la complejidad de los proyectos comprende diferentes aspectos que
incrementan el esfuerzo de coordinación y gestión (Geraldi et al., 2011;Maylor et al., 2013
). Cuanto mayor sea la complejidad, más características de diseño del producto deben
diseñarse y coordinarse entre el personal del proyecto. Además, las características de
desarrollo pueden ser novedosas e interdependientes. En el caso de productos
personalizados, el diseño del producto depende en gran medida de los requisitos
externos del cliente (Salvador et al., 2014). Los clientes y el personal de ingeniería interno
deben coordinar estos requisitos. En general, este es un proceso que requiere mucho
tiempo y es propenso a errores que puede poner en peligro la rentabilidad del proyecto.
Sin embargo, los desafíos adicionales que resultan de niveles más altos de
complejidad aumentan simultáneamente el potencial de eficiencia de un proyecto.
C. Kaufmann y A. Kock
mejora (Zwikael y Gilchrist, 2022). Las iniciativas de gestión de proyectos pueden
ayudar a hacer frente a los desafíos y mejorar la eficiencia general de un proyecto.
Los enfoques ejemplares que alivian específicamente la complejidad incluyen la
gestión del alcance (Dvir et al., 1998), Planificación (Belassi y Tukel, 1996),
comunicación (Pinto & Mantel, 1990), y gestión de riesgos (Teller et al., 2014;Teller
y Kock, 2013). Su impacto debería ser mayor para proyectos más complejos, ya
que entonces hay más potencial para aliviar los desafíos y mejorar la rentabilidad.
Este argumento también es apoyado porTeller et al. (2012), quienes encuentran
que la relación entre la formalización de la gestión de proyectos y el éxito
promedio de los proyectos es mayor en entornos más complejos. Por lo tanto,
formulamos nuestra tercera hipótesis de la siguiente manera:
H3: El esfuerzo de gestión de proyectos y la complejidad del proyecto interactúan para predecir la
rentabilidad del proyecto, de modo que el esfuerzo de gestión de proyectos da como resultado una mayor
rentabilidad del proyecto para proyectos más complejos que para proyectos menos complejos.
4. Datos y método
4.1. Muestra
Con este estudio, nuestro objetivo es investigar la influencia cuantitativa de la
gestión de proyectos en la rentabilidad para diferentes niveles de complejidad del
proyecto. Por lo tanto, necesitábamos una muestra que nos permitiera atribuir con
precisión los valores cuantitativos de esfuerzo de gestión, complejidad y rentabilidad
para un número elevado de proyectos. Elegimos una muestra de datos cuantitativos
sobre el estado del proyecto que se origina en una gran empresa internacional, a la que
nos referiremos a continuación comoIndustCom-con> 50k empleados e ingresos anuales
de>10 mil millones de euros.IndustCom ofrece grandes equipos industriales y de
transporte personalizados. Cada pedido de cliente se procesa en un proyecto separado
siguiendo el enfoque ETO, lo que significa que los productos se diseñan y fabrican
individualmente de acuerdo con las preferencias de los clientes. Cada mes, los gerentes
de proyecto presentan una descripción general del estado actual y las características
clave de su proyecto en una presentación estandarizada a la junta de cartera. Los datos
del estado del proyecto, incluidos todos los datos sobre costos y ventas, se registran
adicionalmente en una base de datos central y estandarizada. Para este estudio,
utilizamos una copia deIndustComtoda la base de datos del proyecto. Solo incluimos
proyectos terminados en el análisis ya que estamos interesados en los proyectos final
rentabilidad. La muestra resultante constituye los datos del informe de estado del
proyecto de 917 proyectos completados, incluida la información sobre el contenido del
proyecto, los costos laborales, las ventas, las ganancias y el tiempo. Los proyectos
operaron en el período de tiempo entre 2006 y 2017. El proyecto promedio tomó
alrededor de tres años y tuvo un presupuesto de ventas de alrededor de 50 millones de
euros.
4.2. Medición
Rentabilidad del proyecto.Calculamos la rentabilidad de cada proyecto dividiendo su
beneficio final por sus ventas. Los datos de ventas reales del proyecto son especialmente
valiosos, ya que nos permiten evaluar el rendimiento financiero de cada proyecto y
eliminan la necesidad de confiar únicamente en el cumplimiento de los valores
planificados (Serrador & Turner, 2014;Shenhar y Dvir, 2007). Especialmente para nuestro
entorno de investigación, la rentabilidad del proyecto es un aspecto decisivo del éxito del
proyecto, ya que las empresas que procesan negocios a través de proyectos necesitan
operar de manera rentable a largo plazo para existir. Otra razón de nuestra elección es
que la rentabilidad del proyecto es unfinalmedida del éxito del proyecto. Tener éxito en
diferentes dimensiones tradicionales del éxito de la gestión de proyectos (es decir,
tiempo, alcance y presupuesto) en el curso de un proyecto también da como resultado
una mayor rentabilidad final. Por ejemplo, si los costos disminuyen y las ventas se
mantienen constantes durante el proyecto, la rentabilidad final aumenta. Además,
discutimos ampliamente esta medida conIndustComLos tomadores de decisiones de ,
quienes confirmaron que la rentabilidad del proyecto es su medida más importante del
éxito del proyecto.
Esfuerzo de gestión de proyectos.Ponemos en práctica el esfuerzo de gestión de proyectos
utilizando la parte del costo total de mano de obra de gestión de proyectos de los costos totales
de mano de obra directa del proyecto. La mano de obra es la parte relevante del esfuerzo de
gestión de proyectos, ya que el trabajo humano es el recurso esencial en el proyecto.
627
Revista internacional de gestión de proyectos 40 (2022) 624–633
gestión (Instituto de Gestión de Proyectos, 2017). También es posible soporte adicional,
por ejemplo a través de software; sin embargo, asumimos que estos costos son
insignificantemente bajos en relación con los costos laborales a largo plazo.
Complejidad del proyecto.Ponemos en práctica la complejidad de los
proyectos ETO utilizando la parte del costo total de mano de obra de ingeniería de
los costos totales de mano de obra. Esta participación es una medida reflexiva de
la complejidad, lo que significa que la complejidad estructural, emergente y
sociopolítica de los proyectos ETO se refleja en el nivel de esfuerzo de ingeniería
relativo (Bolaños y Barbalho, 2021;Maylor et al., 2013). Cuanto más avanzados
sean los requisitos del cliente, más tareas de ingeniería deben coordinarse y
procesarse. Además, si los requisitos son altamente innovadores, se producen
costos adicionales de mano de obra de ingeniería debido a una mayor exposición
de tiempo o la contratación de expertos externos. Cuanto más a menudo cambien
las características y los requisitos del cliente, mayor será el esfuerzo de ingeniería
para construir el producto. Además, una mayor complejidad sociopolítica a través
del apoyo insuficiente de las partes interesadas internas o una comunicación
ineficiente con los clientes aumenta aún más el esfuerzo de ingeniería para
diseñar el producto. En general, estos tipos de complejidad finalmente resultan en
un mayor esfuerzo de mano de obra de ingeniería. También discutimos esta
elección de operacionalización conIndustComy confirmaron que los costos
relativos de mano de obra de ingeniería describen mejor la complejidad de sus
proyectos.
Variables de control.Controlamos por varias posibles influencias alternativas
que podrían explicar la rentabilidad de un proyecto. Primero, incluimos el tamaño
de un proyecto medido por sus ventas totales. Si bien las ventas de proyectos
incluyen tanto el costo como la ganancia, reflejan claramente la importancia de un
proyecto para la empresa. Por ejemplo, un proyecto con mayores ventas podría
recibir más atención de la alta gerencia, lo que podría afectar positivamente el
resultado del proyecto. En segundo lugar, incluimos la división de cada proyecto
como una variable de control para controlar todas las influencias fijas en cada
división. Según el producto ofertado,IndustComestructura su negocio en cuatro
divisiones enteramente basadas en proyectos. Dos de las divisiones incluyen
principalmente productos mecánicos, uno principalmente eléctrico y uno de todos
los productos de servicio. El estilo de gestión de proyectos, la cultura, los procesos
o las características del proyecto podrían diferir sistemáticamente entre las
divisiones. Por lo tanto, incluimos variables ficticias para cada división en el
análisis de regresión. En tercer lugar, incluimos la fecha de inicio del proyecto en
nuestro modelo para controlar los posibles cambios externos del proyecto, por
ejemplo, causados por un cambio en los ejecutivos de gestión o acontecimientos
económicos externos. Finalmente, controlamos por la rentabilidad del proyecto
estimada inicialmente (calculada al comienzo de cada proyecto) para excluir un
posible sesgo de endogeneidad causado por la causalidad inversa que explicamos
con más detalle en la siguiente sección.tabla 1.
4.3. Lidiando con la endogeneidad
Este estudio tiene como objetivo demostrar una relación causal entre la
gestión de proyectos y la rentabilidad del proyecto considerando el nivel de
complejidad de los proyectos. Establecer un efecto causal de una variableXen una
variableyrequiere las siguientes tres condiciones: (i)Xdebe ocurrir temporalmente
antesy, (ii)Xyydebe correlacionarse significativamente, y (iii) la influencia deXenyno
debe explicarse por otras causas (Antonakis et al., 2010;Barón y Kenny, 1986). La
forma segura de identificar las relaciones causales es el experimento aleatorio (
Antonakis et al., 2010). Sin embargo, los estudios de gestión a menudo solo
pueden basarse en datos de observación, en los que los investigadores no pueden
manipular aleatoriamente la variable independiente. Por lo tanto, está
potencialmente correlacionado con el término de error, lo que podría conducir a
resultados distorsionados. Las principales causas de endogeneidad incluyen
variables omitidas, causalidad inversa y varianza del método común (Kennedy,
2008;Podsakoff et al., 2003). En este estudio, la variable independiente esfuerzo de
gestión de proyectos no se asigna aleatoriamente y, por lo tanto, es
potencialmente endógena. Por lo tanto, seguimos las recomendaciones deGuía y
Ketokivi (2015)y las directrices deLu et al. (2018)para abordar posibles problemas
de endogeneidad.
Elegimos un enfoque de función de control (CFA) utilizando instrumentos
C. Kaufmann y A. Kock
tabla 1
Correlaciones.
Significar Estándar desarrollo
(1) esfuerzo de PM 0.15 0.16
(2) Rentabilidad del proyecto 0.17 0.19
(3) Ventas de proyectos(METRO) 46.76 135.88
(4) Rentabilidad estimada 0.15 0.13
(5) Complejidad 0.29 0.24
(6) Esfuerzo planificado de PM 0.17 0.18
(7) Provisiones por riesgos planificados(METRO) 1.00 13.07
n = 917. Todas las correlaciones por encima de .07 son estadísticamente significativas al nivel del 5 %. PM = Gestión de proyectos.
(METRO)en millones de euros.
variables (IV) para el esfuerzo de gestión de proyecto variable posiblemente
endógena como se describe enWoolridge (2015). En comparación con otros
enfoques IV, por ejemplo, una regresión 2SLS, el CFA ofrece la ventaja de incluir
más convenientemente la interacción y los efectos no lineales. Los IV son variables
exógenas que explican la varianza de la variable endógena sin influir directamente
en la variable dependiente del modelo. Los IV elegidos deben ser fuertes y válidos
para conducir a un modelo imparcial. Un IV es fuerte si se correlaciona altamente
con la variable endógena; un IV es válido si afecta a la variable dependiente
únicamente a través de su influencia en la variable endógena, lo que significa que
el IV no está relacionado con el término de error (Bettis et al., 2014;Kennedy, 2008
).
En este documento, instrumentamos el esfuerzo real de gestión de proyectos a
través de los IVesfuerzo planificado de gestión del proyecto al inicio del proyecto(como
parte de los costos laborales) yprovisiones de riesgo planificadas al inicio del proyecto. En
primer lugar, el esfuerzo de gestión de proyectos planificado inicialmente debe estar
estrechamente relacionado con el esfuerzo de gestión de proyectos que finalmente se
aplique, ya que es probable que los gerentes tengan la intención de seguir sus planes
iniciales. Además, este IV es válido ya que el esfuerzo planificado de gestión del proyecto
no puede afectar directamente la rentabilidad final, pero afecta fuertemente el esfuerzo
real de gestión del proyecto, que, a su vez, influye en el resultado de un proyecto. En
segundo lugar, las provisiones de riesgo iniciales deben estar estrechamente
relacionadas con el esfuerzo real de gestión del proyecto, ya que reflejan el nivel de
riesgo anticipado de un proyecto. El nivel de riesgo determina el esfuerzo real de la
gerencia para hacer frente a los riesgos y su impacto. Esta argumentación está apoyada
empíricamente porZwikael y Sadeh (2007)que encuentran que el nivel de riesgo de un
proyecto no está directamente asociado con el éxito del proyecto. Más bien, encuentran
que el nivel de riesgo determina la calidad del esfuerzo de planificación del proyecto. Los
gerentes de proyecto usan métodos de gestión de proyectos más sofisticados (por
ejemplo, una definición más elaborada de los entregables de un proyecto) para
proyectos más riesgosos, que luego afectan el éxito. En general, nuestros resultados
empíricos entabla 1validar que ambos IV están altamente correlacionados con el
esfuerzo de gestión del proyecto. Además, la prueba F de los resultados de la primera
etapa (F (11, 905) = 93.64,pag=0,000) y los coeficientes de IVs (b1 = 0,675,pag=0,000; b2 =
0.001,pag=0.002) en Tabla 2son altamente significativos.
Como medidas adicionales para mitigar las preocupaciones de endogeneidad,
controlamos un posible sesgo de causalidad inversa al incluir la rentabilidad del proyecto
estimada inicialmente en nuestro análisis. En el contexto de nuestro estudio, la
causalidad inversa implicaría que la rentabilidad del proyecto estimada inicialmente
influye en el esfuerzo de gestión del proyecto aplicado. Por ejemplo, los responsables de
la toma de decisiones podrían priorizar los proyectos que buscan obtener grandes
beneficios y dotarlos de mayores recursos de gestión de proyectos para lograr estos
ambiciosos objetivos. Eliminamos este sesgo al incluir la ganancia estimada del proyecto
como porcentaje de las ventas presupuestadas como variable de control en nuestro
modelo.1
5. Resultados
Proporcionamos los resultados de nuestro análisis de regresión enTabla 2. modelo 1
1Dado que la rentabilidad inicial tiene un efecto muy fuerte en la rentabilidad final,
también calculamos un modelo sin ella como prueba de robustez y obtuvimos resultados
comparables a los que se reportan a continuación.
628
Revista internacional de gestión de proyectos 40 (2022) 624–633
(1) (2) (3) (4) (5) (6)
1
0.25 1
- 0,06 - 0.09 1
0.22 0.72 - 0,12 1
0.02 0.13 - 0.04 0.16 1
0.82 0.23 - 0.04 0.22 0.04 1
0.08 0.01 0.57 - 0.03 0.04 0.08
contiene los resultados de la primera etapa del CFA con el esfuerzo de gestión del
proyecto como variable dependiente. Los resultados confirman nuestro enfoque general
de medición. Ambos IV están fuertemente relacionados con el esfuerzo real de gestión
del proyecto, por lo que constituyen IV fuertes (coeficiente no estandarizadob=0.675,pag
=0.000 yb=0.001,pag=0,002, respectivamente). Los modelos 2 a 6 contienen los
resultados de la segunda etapa del CFA, con la rentabilidad del proyecto como variable
dependiente y el esfuerzo de gestión del proyecto como variable independiente. Como se
muestra en el Modelo 2, las ventas de proyectos como medida del tamaño de un
proyecto no están significativamente relacionadas con su rentabilidad (b= 0.000,pag=
0,873). Este hallazgo significa que los proyectos más grandes no son necesariamente
menos rentables. Sin embargo, la rentabilidad estimada del proyecto al inicio del
proyecto está fuertemente relacionada con la rentabilidad final del proyecto (b=
1.062,pag=0.000). Como era de esperar, una mayor rentabilidad estimada también está
relacionada con una mayorfinalrentabilidad, también. En cuanto a la complejidad, el nivel
de complejidad de un proyecto se relaciona negativamente con la rentabilidad final del
proyecto; sin embargo, el coeficiente no es significativo (b= -0.018,pag= 0,445). El modelo
3 incluye el efecto del esfuerzo real de gestión del proyecto. Los resultados muestran que
el esfuerzo de gestión de proyectos conduce significativamente a una mayor rentabilidad
del proyecto (b=0.151,pag=0,002), compatible con H1. Por lo tanto, en general, los
proyectos con mayores niveles de esfuerzo de gestión de proyectos son más rentables.
Además, como se indica en el Modelo 4, el impacto del esfuerzo de gestión de
proyectos en la rentabilidad disminuye con el aumento del esfuerzo de gestión de
proyectos (b= -0.377,pag=0.000). Por lo tanto, como se planteó en H2, mientras que el
esfuerzo de gestión de proyectos generalmente conduce a una mayor rentabilidad final,
su impacto marginal disminuye con niveles crecientes de esfuerzo de gestión de
proyectos. En el Modelo 5 y 6, encontramos apoyo para la Hipótesis 3. La complejidad del
proyecto modera positivamente la influencia del esfuerzo de gestión del proyecto
(Modelo 5:b=0.650,pag=0,001; Modelo 6:b=1.010,pag= 0,039). Por lo tanto, cuanto mayor
sea la complejidad de un proyecto, mayor será el impacto del esfuerzo de gestión del
proyecto.
Para una mayor interpretación, visualizamos la relación entre el esfuerzo de gestión
de proyectos y la rentabilidad del proyecto enFigura 1. En general, para todos los niveles
de complejidad del proyecto, el esfuerzo de gestión de proyectos conduce a una mayor
rentabilidad. En cuanto a los tamaños del efecto para un proyecto con características
medias, un aumento de la gestión del proyecto de un punto porcentual de, por ejemplo,
10% a 11% conduce a un aumento de la rentabilidad de 0,39 puntos porcentuales. Un
aumento del 20% al 21% conduce a un aumento de la rentabilidad de 0,29 puntos
porcentuales. Sin embargo, en cuanto a la rentabilidad absoluta, con un nivel
suficientemente alto de esfuerzo de gestión de proyectos, los proyectos más complejos
son más rentables en comparación con los proyectos menos complejos. En consecuencia,
el esfuerzo de gestión de proyectos permite convertir las posibles desventajas de una
mayor complejidad en una mayor rentabilidad. En Figura 2, visualizamos además el
efecto moderador de la complejidad del proyecto sobre el impacto marginal de la gestión
de proyectos. Cuanto mayor sea el grado de complejidad del proyecto, mayor será el
efecto marginal de la gestión del proyecto. Este resultado muestra que las iniciativas de
gestión de proyectos son más efectivas para proyectos más complejos.
C. Kaufmann y A. Kock Revista internacional de gestión de proyectos 40 (2022) 624–633

Tabla 2
Resultados de la regresión.

esfuerzo de PM Rentabilidad del proyecto

(1) (2) (3) (4) (5) (6)

Primera etapa Control S H1 H2 H3 Lleno

División SÍ SÍ SÍ SÍ SÍ SÍ
Período SÍ SÍ SÍ SÍ SÍ SÍ
Ventas de proyectos 0.00 0.00 0.00 0.00 0.00 0.00
[0.00] [0.00] [0.00] [0.00] [0.00] [0.00]
{0.21} {0.87} {0.73} {0.77} {0.44} {0.62}
Rentabilidad estimada 0.01 1.06** 1.05** 1.05** 1.05** 1.05**
[0.02] [0.04] [0.04] [0.04] [0.04] [0.04]
{0.44} {0.00} {0.00} {0.00} {0.00} {0.00}
Complejidad - 0,05** - 0.02 - 0.01 - 0.02 - 0,08* - 0,10*
[0.01] [0.02] [0.02] [0.02] [0.03] [0.05]
{0.00} {0.45} {0.80} {0.52} {0.02} {0.04}
Esfuerzo planificado de PM 0,68**
[0.06]
{0.00}
Provisiones por riesgos planificados 0.00**
[0.00]
{0.00}
esfuerzo de PM 0,15** 0,41** 0.07 0,19*
[0.05] [0.09] [0.04] [0.10]
{0.00} {0.00} {0.13} {0.05}
Esfuerzo de PM al cuadrado - 0,38** - 0,14
[0.10] [0.11]
{0.00} {0.20}
PM esfuerzo x complejidad 0,65** 1.01*
[0.19] [0.49]
{0.00} {0.04}
Esfuerzo de PM al cuadrado x complejidad - 1.15
[0.83]
{0.17}
Residuos de primera etapa 0.13+ - 0.02 - 0.02 - 0.05 - 0.04
[0.07] [0.09] [0.09] [0.10] [0.10]
{0.06} {0.80} {0.86} {0.59} {0.66}
Constante 0,04** 0.03+ 0.01 0.00 0.02 0.02
[0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
{0.00} {0.07} {0.38} {0.88} {0.16} {0.32}

R-cuadrado 0.692 0.533 0.540 0.548 0.550 0.553

R-cuadrado ajustado 0.688 0.528 0.535 0.542 0.544 0.546
Wald chi-cuadrado 93.64F 1016.48 1075.56 1101.56 1124.81 1143.55

norte=917; errores estándar entre paréntesis, valores p entre llaves. Todas las estimaciones de la segunda etapa arrancaron con 1000 repeticiones. PM = Gestión de proyectos.FSe
informa Fstatistics para la regresión de primera etapa.
+ p<0.10, *p<0,05, **p<0.01.

Figura 1.Efecto del esfuerzo de gestión de proyectos en la rentabilidad del proyecto distinguiendo entre baja y alta complejidad (media menos/más una desviación estándar).

629
C. Kaufmann y A. Kock
Figura 2.Efectos marginales promedio del esfuerzo de gestión de proyectos (PM) en la rentabilidad del proyecto para todos los niveles de complejidad (las líneas delgadas representan bandas de confianza del 95 %).
6. Discusión
6.1. Discusión de resultados y aportes de investigación
Este estudio investiga el efecto de la gestión de proyectos en la rentabilidad
del proyecto considerando la complejidad del proyecto. Elegimos la configuración
de los proyectos ETO ya que esta forma de proyectos externos nos permite
atribuir tanto los costes como los beneficios finales de forma precisa a cada
proyecto. Al centrarnos en la rentabilidad (es decir, el beneficio sobre las ventas),
podemos cuantificar el valor financiero que proporcionan las prácticas de gestión
de proyectos. En general, nuestros resultados revelan que el esfuerzo de gestión
de proyectos tiene un impacto positivo en la rentabilidad del proyecto. Cuanto
más esfuerzo de gestión de proyectos se aplica en un proyecto, mayor es su
rentabilidad. Además, al utilizar un enfoque de función de control con variables
instrumentales, demostramos que esta relación es causal, lo que significa que un
mayor nivel de gestión de proyectos causalmenteconduce a una mayor
rentabilidad. Por lo tanto, podemos confirmar que las iniciativas de gestión de
proyectos y las técnicas operativas para coordinar tareas y recursos, descubrir y
gestionar riesgos y comunicarse con las partes interesadas son eficaces (Pich et
al., 2002;Verano y lago, 2004). Este hallazgo contribuye a la demostración causal
de los esfuerzos generales de gestión de proyectos a la literatura previa en
gestión de proyectos (Thomas y Mullaly, 2008).
Sin embargo, aunque nuestros resultados muestran que una mayor gestión de
proyectos conduce a una mayor rentabilidad, también revelan un impacto marginal
decreciente del esfuerzo de gestión de proyectos. Por lo tanto, la efectividad de las
iniciativas adicionales de gestión de proyectos disminuye con niveles crecientes de
gestión de proyectos aplicada. Si bien la gestión adicional de proyectos
iniciativas aún conducen a una mayor rentabilidad, su mejora incremental disminuye. Por
lo tanto, los esfuerzos iniciales de gestión de proyectos, por ejemplo, el desglose de las
tareas, los riesgos, las partes interesadas y los procesos de un proyecto, son
especialmente efectivos. Los esfuerzos adicionales aún contribuyen al éxito, pero
su impacto marginal es comparativamente menor. Para maximizar la rentabilidad
de un proyecto, los gerentes necesitan comparar laabsolutocosto de un aumento
adicional en las iniciativas de gestión de proyectos con elabsolutoincremento en la
utilidad del proyecto. Si bien la gestión de proyectos aumentará la rentabilidad
final, esto solo es económicamente beneficioso si el valor absoluto
aumento en la ganancia del proyecto excede el costo absoluto de un aumento
adicional en la gestión del proyecto.
Además, nuestro análisis revela que la influencia del esfuerzo de gestión de
proyectos en la rentabilidad aumenta para los niveles más altos de proyecto.
complejidad. En proyectos más complejos, existe un mayor potencial para
que los enfoques de gestión tengan un efecto positivo. Hay menos
630
Revista internacional de gestión de proyectos 40 (2022) 624–633
elementos conocidos de proyectos anteriores y desafíos más operativos que los
gerentes deben abordar (Bolaños y Barbalho, 2021;Ramasesh & Browning, 2014).
Más tareas necesitan coordinación entre más miembros del equipo, la
incertidumbre general es mayor y hay más problemas sociopolíticos (Maylor et al.,
2013;Maylor y Turner, 2017). Por lo tanto, las iniciativas de gestión que identifican
y mitigan esos desafíos son más efectivas (Zwikael y Gilchrist, 2022). En la práctica,
la gestión de proyectos ayuda a alcanzar un consenso rápido y establecer claridad
entre los miembros del proyecto y las partes interesadas. Eventualmente, como se
visualiza enFigura 1, los proyectos más complejos que se resuelven con suficiente
esfuerzo de gestión de proyectos son recompensados con una mayor
rentabilidad. Por lo tanto, en el contexto de investigación de este estudio, si las
empresas optan por ofrecer productos ETO personalizados, deben aumentar el
esfuerzo de gestión de proyectos para garantizar que las oportunidades de mayor
complejidad se conviertan en mayores rendimientos financieros.
Este estudio ofrece varias contribuciones a la literatura de gestión de proyectos.
Primero, demostramos un efecto causal y positivo de la gestión de proyectos en la
rentabilidad del proyecto. Nuestro enfoque y muestra únicos nos permiten contabilizar
con precisión los costos del proyecto, pero también las ganancias financieras. Las
ganancias financieras son especialmente valiosas ya que constituyen una medida
objetiva y final para el éxito del proyecto. Si bien los proyectos pueden ofrecer beneficios
organizacionales adicionales, por ejemplo, beneficios de aprendizaje, los proyectos
rentables en general son decisivos para la supervivencia a largo plazo de las empresas.
La muestra de datos objetiva descarta además posibles distorsiones debidas a la
endogeneidad y establece una relación causal entre el esfuerzo de gestión del proyecto y
la rentabilidad del proyecto. Esto se suma a la literatura previa sobre la eficacia de la
gestión de proyectos (por ejemplo,Lappe & Spang 2014,Pollack & Adler 2014,Thomas y
Mullaly 2008,Zwikael y Sadeh 2007). Nuestros hallazgos demuestran además que los
esfuerzos de gestión de proyectos en su totalidad son efectivos para la rentabilidad del
proyecto (Mir y Pinnington, 2014;Scott-Young y Sansón, 2008). Este resultado justifica y
apoya la investigación en gestión de proyectos y su aplicación práctica.
En segundo lugar, aportamos nuevos conocimientos relevantes sobre el impacto
marginal del esfuerzo de gestión de proyectos en la rentabilidad del proyecto. Con este
estudio, somos, según nuestro conocimiento, los primeros en identificar y cuantificar un
rendimiento marginal decreciente de la gestión de proyectos, agregando nuevos
conocimientos a la literatura previa sobre la gestión y el éxito de proyectos (Lappe &
Spang, 2014;Pollack y Adler, 2014;Zwikael y Gilchrist, 2022;Zwikael y Sadeh, 2007).
Contribuimos particularmente a los hallazgos recientes deZwikael y Gilchrist (2022),
quienes encuentran que la planificación táctica en proyectos de bajo riesgo se asocia con
una menor eficiencia del proyecto, mientras que la planificación estratégica se asocia con
una mayor eficiencia tanto en proyectos de bajo como de alto riesgo. Nuestro estudio
añade que el esfuerzo de gestión de proyectos
C. Kaufmann y A. Kock
en general agrega causalmente valor financiero a proyectos y organizaciones, lo que les
permite convertir una mayor complejidad en una mayor rentabilidad. Sin embargo, el
impacto marginal del esfuerzo de gestión de proyectos disminuye con el aumento de los
niveles de esfuerzo. Por lo tanto, las organizaciones deben comparar los costos reales de
un aumento adicional en el esfuerzo de gestión de proyectos con el aumento real de las
ganancias. Esto se aplica particularmente a los proyectos de bajo riesgo, en los que el
esfuerzo adicional de gestión del proyecto puede dar lugar a acciones innecesarias y una
menor eficiencia general (Zwikael y Gilchrist, 2022). Mientras que los enfoques iniciales
de estructuración del proyecto (es decir, los esfuerzos de planificación estratégica)
agregan un gran valor independientemente del nivel de complejidad del proyecto, las
prácticas adicionales de gestión de proyectos (es decir, los esfuerzos de planificación
táctica) benefician menos a la rentabilidad de los proyectos.
En tercer lugar, contribuimos a la literatura sobre la complejidad de los
proyectos en general (Geraldi et al., 2011;Jacobs y Swink, 2011) y la complejidad
causada por la personalización en particular (Bolaños y Barbalho, 2021;Haug et al.,
2009;Hegde et al., 2005;Salvador et al., 2014). Si bien la literatura anterior hizo
hincapié en los desafíos que surgen a través de la alta complejidad del proyecto
(por ejemplo, Carvalho et al. 2015;Maylor y Turner 2017,Salvador et al. 2014,
Zaman et al. 2019), añadimos la idea empírica de que el esfuerzo de gestión de
proyectos constituye un enfoque eficaz para compensar los efectos adversos de la
complejidad del proyecto (Lago y verano, 2019;Mishra et al., 2016; Vickery et al.,
2016). En lugar de centrarse en las implicaciones negativas de una mayor
complejidad, nuestros resultados revelan que la complejidad también ofrece
oportunidades (Lechler et al., 2012). Mostramos que las empresas pueden ganar
una mayor compensación por proyectos más complejos aplicando más gestión de
proyectos. Este efecto de moderación subraya una vez más el enfoque de
contingencia de la gestión de proyectos (Shenhar, 2001).
En general, este estudio agrega conocimientos empíricos a la justificación de la
teoría de la contingencia en la investigación de gestión de proyectos (Shenhar, 2001). La
conexión entre la teoría de la contingencia y la complejidad del proyecto se ha
establecido durante mucho tiempo en la investigación de gestión de proyectos (Howell et
al., 2010). Los hallazgos de este documento agregan información más matizada con
respecto a la efectividad del esfuerzo de gestión de proyectos para la rentabilidad del
proyecto. En primer lugar, los resultados revelan que el impacto del esfuerzo de gestión
de proyectos también depende del nivel de gestión de proyectos ya aplicado.
Independientemente de la complejidad de un proyecto, el esfuerzo de gestión del
proyecto muestra un impacto marginal decreciente. Además, dependiendo del nivel de
complejidad de un proyecto, se debe planificar un esfuerzo adecuado de gestión del
proyecto y posteriormente aplicarlo para compensar los desafíos de la complejidad. Este
documento confirma que la complejidad del proyecto plantea un desafío para el éxito del
proyecto que debe ser abordado por los gerentes de cartera y de proyecto (Geraldi et al.,
2011). Curiosamente, sin embargo, los resultados de este documento muestran que
estos desafíos pueden compensarse en exceso con un esfuerzo suficiente de gestión de
proyectos, lo que en última instancia convierte los desafíos en una mayor rentabilidad
final del proyecto. Este documento combina las ideas de la teoría sobre las fronteras del
desempeño con la teoría de la contingencia, mostrando que diferentes niveles de
complejidad requieren diferentes niveles de esfuerzo de gestión de proyectos para
contrarrestar los desafíos, considerando que la efectividad del esfuerzo de gestión de
proyectos puede disminuir. Además, esto también muestra que la complejidad del
proyecto constituye no solo un desafío sino, con un nivel adecuado de esfuerzo de
gestión del proyecto, una oportunidad para la rentabilidad adicional del proyecto (Lechler
et al., 2012).
6.2. Implicaciones prácticas
Los hallazgos de este estudio son muy relevantes para los profesionales. En la
práctica, los gerentes de proyectos y de alto nivel enfrentan los desafíos que surgen a
través de una mayor personalización y complejidad (por ejemplo,Ramasesh & Browning
2014). Los niveles más altos de complejidad pueden ser indispensables, especialmente si
la ventaja competitiva de la empresa depende de ello, por ejemplo, en el negocio de
productos ETO personalizados. Los resultados de este estudio muestran que el esfuerzo
de gestión de proyectos conduce a una mayor rentabilidad del proyecto. De media, un
aumento del esfuerzo de gestión de proyectos de un punto porcentual aumenta la
rentabilidad final en 0,15 puntos porcentuales. Además, la influencia beneficiosa del
esfuerzo de gestión de proyectos es aún más fuerte para proyectos de mayor
complejidad. Para maximizar el éxito, los profesionales deben evaluar de cerca
631
Revista internacional de gestión de proyectos 40 (2022) 624–633
proyectos terminados sobre el costo absoluto de la gestión de proyectos y el
beneficio absoluto. Alcanzar el nivel óptimo de gestión de proyectos significa que
el costo absoluto de un aumento adicional en el esfuerzo de gestión de proyectos
es igual al aumento absoluto en la rentabilidad. No obstante, las características
estructurales de un proyecto siguen siendo factores clave para su éxito. Los
gerentes de proyecto deben ser conscientes de la frontera de desempeño de cada
proyecto y evaluar de cerca los retornos de sus esfuerzos de gestión. En general,
los resultados de este estudio enfatizan el valor de la gestión de proyectos y
justifican las inversiones en gestión de proyectos, la profesionalización de la
formación en gestión de proyectos y el desarrollo de competencias de los
profesionales de gestión de proyectos.
6.3. Limitaciones y futuras oportunidades de investigación
Este estudio tiene ciertas limitaciones que abren futuras vías de
investigación. La muestra analizada tiene su origen en una única empresa,
especializada en productos ETO. Por lo tanto, aunque investigamos una gran
cantidad de proyectos durante un largo período, este enfoque no puede
diferenciar los efectos a nivel de empresa. Por ejemplo, el impacto de la
gestión de proyectos puede diferir en otras empresas con diferentes
culturas o estilos de gestión. Además, la investigación de este estudio se
centra en la rentabilidad del proyecto como un aspecto importante del éxito
del proyecto. Al transferir nuestros hallazgos al éxito general del proyecto,
recomendamos a los investigadores que consideren la posible diferencia
ontológica entre la rentabilidad del proyecto y el concepto más amplio de
éxito del proyecto. El éxito de los proyectos ha sido un tema principal en la
investigación de gestión de proyectos y tradicionalmente se refería a la
adherencia al costo, alcance,Atkinson, 1999). Con el tiempo, el alcance del
éxito del proyecto se amplió para incorporar factores adicionales, por
ejemplo, la satisfacción del cliente (por ejemplo,Atkinson 1999,ika 2009).
Dado que el objetivo de nuestro documento es investigar y cuantificar el
impacto causal del esfuerzo de gestión de proyectos en la rentabilidad del
proyecto, nos referimos a la rentabilidad del proyecto como una medida
objetiva para el éxito financiero final de los proyectos a lo largo del
documento. Esta medida también refleja múltiples dimensiones del
concepto más amplio de éxito del proyecto. Por ejemplo, cuanto más se
adhieran los directores de proyecto al presupuesto, cronograma y alcance
planificados de un proyecto durante un proyecto, mayor será su rentabilidad
final. Además, dado que la rentabilidad del proyecto también incluye las
ventas de un proyecto, también cubre los aspectos externos del éxito del
proyecto (por ejemplo, la perspectiva del mercado sobre el valor de un
proyecto). Por lo tanto, para el contexto de este estudio (es decir,
organización basada en proyectos con proyectos externos), se podría
argumentar que la rentabilidad del proyecto cubre bien el éxito del
proyecto. Sin embargo,Aubry et al., 2021; Shenhar y Dvir, 2007). Alentamos a
que la investigación futura se base en los hallazgos de este documento y
agregue investigaciones sobre la relación del esfuerzo de gestión de
proyectos con otras dimensiones del éxito del proyecto.
Además, medimos el esfuerzo de gestión de proyectos con los costos laborales
relativos de gestión de proyectos. Esta operacionalización ofrece información
cuantitativa valiosa sobre la relación entre la gestión de proyectos y la rentabilidad
para diferentes grados de complejidad de personalización de ETO. Sin embargo, la
medida no distingue entre diferentes aspectos de la intensidad del costo laboral.
Por ejemplo, el esfuerzo de gestión de proyectos podría depender de los métodos
aplicados o de la calificación del personal de gestión de proyectos. De manera
similar, nuestra medida de complejidad refleja los componentes principales de la
complejidad del proyecto; sin embargo, medidas más detalladas, por ejemplo
basadas enMaylor et al. (2013), podría ofrecer más información sobre las fuentes
subyacentes de la complejidad y cómo los gerentes de proyecto pueden
abordarlas operativamente. Esto se aplica particularmente a los gerentes de
proyecto que tienen que hacer frente a componentes de complejidad sociopolítica
que son especialmente desafiantes para los gerentes y requieren que los gerentes
reaccionen con flexibilidad a la situación individual (Maylor et al., 2013;Maylor y
Turner, 2017).
Alentamos a los investigadores a investigar más a fondo la gestión de proyectos.
C. Kaufmann y A. Kock
y su influencia en el éxito en diferentes granularidades (p. ej.,Zwikael y Gilchrist
2022). Con este artículo, esperamos inspirar en particular a futuras investigaciones
para que también investiguencausalrelaciones entre las prácticas de gestión de
proyectos (seleccionadas) y el éxito del proyecto. Además, si bien contabilizamos
todos los costos del proyecto que ocurren entre el inicio y el cierre del proyecto,
los costos adicionales, por ejemplo, para las propuestas para ganar el contrato del
proyecto, ocurren antes del inicio del proyecto. La consideración de estos costos
también podría afectar el nivel óptimo de gestión de proyectos aplicada. En
nuestro análisis, el impacto marginal de la gestión de proyectos disminuye pero
sigue siendo positivo. La contabilidad de los costos de adquisición del proyecto
podría potencialmente cambiar la forma de la curva a una forma de U invertida.
Además, vemos un potencial adicional en la investigación de datos de proyectos
cuantitativos mensualmente o incluso diariamente para proporcionar más
información sobre los desafíos de la personalización del producto y los beneficios
del esfuerzo de gestión de proyectos. Con más datos incrementales,Hopmere et
al., 2020).
Declaración de interés en competencia
Los autores declaran que no tienen intereses financieros en competencia ni
relaciones personales conocidas que pudieran haber influido en el trabajo
informado en este documento.
Referencias
Amaro, G., Hendry, L. y Kingsman, B. (1999). Ventaja competitiva, personalización
y una nueva taxonomía para las empresas sin creación de acciones.Revista
internacional de gestión de operaciones y producción, 19(4), 349–371.
Antonakis, J., Bendahan, S., Jacquart, P. y Lalive, R. (2010). Sobre hacer afirmaciones causales: A
revisión y recomendaciones.El Liderazgo Trimestral, 21(6), 1086–1120. Atkinson, R. (1999).
Gestión de proyectos: costo, tiempo y calidad, dos mejores conjeturas y una
fenómeno, es hora de aceptar otros criterios de éxito.Revista Internacional de Gestión de
Proyectos, 17(6), 337–342.
Aubry, Monique, Boukri, Sanaa El y Sergi, Viviane (2021). Abriendo la caja negra de
Gestión de Beneficios en el Contexto de Proyectos.Revista de gestión de proyectos, 52(5),
434–452.
Baccarini, D. (1996). El concepto de complejidad del proyecto: una revisión.revista internacional
de Gestión de Proyectos, 14(4), 201–204.
Badewi, A. (2016). El impacto de la gestión de proyectos (PM) y la gestión de beneficios
(BM) prácticas sobre el éxito del proyecto: Hacia el desarrollo de un marco de gobernanza de los
beneficios del proyecto.Revista Internacional de Gestión de Proyectos, 34(4), 761–778. Baker, BN,
Murphy, DC y Fisher, D. (2008). Factores que afectan el éxito del proyecto. En
DI Cleland y WR King (Eds.),manual de gestión de proyectos(págs. 902–919). Nueva
York: Wiley.
Balachandra, R. y Fraile, JH (1997). Factores de éxito en proyectos de I+D y nuevos
innovación de productos: un marco contextual.Transacciones IEEE sobre gestión de
ingeniería, 44(3), 276–287.
Baldwin, CY y Clark, KB (2000).Reglas de diseño: El poder de la modularidad 1. Prensa del
MIT. Barón, RM y Kenny, DA (1986). La distinción variable moderador-mediador en
investigación en psicología social: consideraciones conceptuales, estratégicas y
estadísticas. Revista de Personalidad y Psicología Social, 51(6), 1173–1182.
Belassi, W. y Tukel, OI (1996). Un nuevo marco para determinar el éxito crítico/
Factores de fracaso en los proyectos.Revista Internacional de Gestión de Proyectos, 14(3),
141–151.
Bettis, R., Gambardella, A., Helfat, C. y Mitchell, W. (2014). empírico cuantitativo
análisis en la dirección estratégica.Revista de Gestión Estratégica, 35(7), 949–953.
Bolaños, RDS y Barbalho, SCM (2021). Explorar la complejidad del producto y
plazos de entrega de prototipos para predecir los tiempos de ciclo de desarrollo de nuevos productos.Revista
Internacional de Economía de la Producción, 235, Artículo 108077.
Bozarth, CC, Warsing, DP, Flynn, BB y Flynn, EJ (2009). El impacto de la oferta
complejidad de la cadena en el rendimiento de la planta de fabricación.Diario de Gestión de
Operaciones, 27(1), 78–93.
Brown, SL y Eisenhardt, KM (1995). Desarrollo de productos: investigación pasada, presente
hallazgos y direcciones futuras.Revisión de la Academia de Gestión, 20(2), 343–378.
Carvalho, MMD, Patah, LA y de Souza Bido, D. (2015). Gestión de proyectos y su
efectos en el éxito del proyecto: comparaciones entre países y entre industrias.
Revista Internacional de Gestión de Proyectos, 33(7), 1509–1522.
Chapman, R. y Hyland, P. (2004). Complejidad y comportamientos de aprendizaje en el producto.
innovación.Tecnonovación, 24(7), 553–561.
Coleman, JS (1990).Fundamentos de la teoría social(pag. 993). Cambridge, Misa: Belknap
Prensa de la Universidad de Harvard Press.
Cooke-Davies, T. (2002). Los factores de éxito “reales” en los proyectos.Revista Internacional de
Gestión de proyectos, 20(3), 185–190.
Dvir, D., Lipovetsky, S., Shenhar, A. y Tishler, A. (1998). En busca de proyecto
clasificación: Un enfoque no universal de los factores de éxito del proyecto.Política de investigación,
27(9), 915–935.
632
Revista internacional de gestión de proyectos 40 (2022) 624–633
Ekrot, B., Kock, A. y Gemünden, HG (2016). Gestión de proyectos de retención
competencia - Antecedentes y consecuencias.Revista Internacional de Gestión de
Proyectos, 34(2), 145–157.
Eriksson, M., Lilliesköld, J., Jonsson, N. y Novosel, D. (2002). Cómo gestionar complejos,
proyectos multinacionales de I+D con éxito.Revista de gestión de ingeniería, 14(2), 53–60
.
Fogliatto, FS, da Silveira, GJ y Borenstein, D. (2012). La personalización masiva
década: Una revisión actualizada de la literatura.Revista Internacional de Economía de la
Producción, 138(1), 14–25.
Fortune, J. y White, D. (2006). Encuadre de los factores críticos de éxito del proyecto por un sistema
modelo.Revista Internacional de Gestión de Proyectos, 24(1), 53–65.
Geraldi, J. y Adlbrecht, G. (2008). Sobre la fe, el hecho y la interacción en los proyectos.IEEE
Revisión de gestión de ingeniería, 36(2), 35–49.
Geraldi, J., Maylor, H. y Williams, T. (2011). Ahora, hagámoslo realmente complejo.
(complicado).Revista internacional de gestión de operaciones y producción, 31(9),
966–990.
Grifo, A. (1997). Modelado y medición del tiempo del ciclo de desarrollo de productos en
industriasRevista de Gestión de Ingeniería y Tecnología, 14(1), 1–24. Guía,
VDR y Ketokivi, M. (2015). Notas de los editores: redefiniendo algunos
criterios metodológicos para la revista⋆.Diario de Gestión de Operaciones, 37(1), v–
viii.
Haug, A., Ladeby, K. y Edwards, K. (2009). Del ingeniero a pedido a la masa
personalizaciónNoticias de investigación de gestión, 32(7), 633–644.
Hegde, VG, Kekre, S., Rajiv, S. y Tadikamalla, PR (2005). Personalización: Impacto en
rendimiento del producto y del proceso.Dirección de Producción y Operaciones, 14(4),
388–399.
Hicks, C., McGovern, T. y Earl, C. (2000). Gestión de la cadena de suministro: un tema estratégico en
ingeniero para ordenar la fabricación.Revista Internacional de Economía de la Producción, 65
(2), 179–190.
Hobday, M. (1998). Complejidad del producto, innovación y organización industrial.Investigación
política, 26(6), 689–710.
Hopmere, M., Crawford, L. y Harré, MS (2020). Monitoreo proactivo de grandes proyectos
portafoliosRevista de gestión de proyectos, 51(6), 656–669.
Howell, D., Windahl, C. y Seidel, R. (2010). Un marco de contingencia del proyecto basado en
incertidumbre y sus consecuencias.Revista Internacional de Gestión de Proyectos, 28(3),
256–264.
Ika, LA (2009). El éxito del proyecto como tema en las revistas de gestión de proyectos.Proyecto
Diario de gestión, 40(4), 6–19.
Jacobs, MA y Swink, M. (2011). Cartera de productos complejidad arquitectónica y
Desempeño operativo: Incorporando los roles de aprendizaje y activos fijos.Diario
de Gestión de Operaciones, 29(7-8), 677–691.
Jalkala, A., Cova, B., Salle, R. y Salminen, RT (2010). Cambiando el negocio del proyecto
orientaciones: Hacia una nueva lógica de marketing de proyectos.Revista Europea de
Gestión, 28(2), 124–138.
Joslin, R. y Müller, R. (2015). Relaciones entre la gestión de un proyecto
metodología y el éxito del proyecto en diferentes contextos de gobernanza del proyecto.
Revista Internacional de Gestión de Proyectos, 33(6), 1377–1392.
Kaski, T. y Heikkila, J. (2002). Medición de estructuras de productos para mejorar la demanda-oferta
eficiencia de la cadena.Revista Internacional de Gestión de Tecnología, 23(6), 578–598. Kennedy, P.
(2008).una guía a econometría(6 edición, pág. 585). Malden, Massachusetts: Blackwell. Kerzner, H. (2017).
Gestión de proyectos: un enfoque de sistemas para la planificación, programación y
controlador. John Wiley e hijos.
Lappe, M. y Spang, K. (2014). Las inversiones en gestión de proyectos son rentables: un caso
análisis basado en estudios de la relación entre los costos y los beneficios de la
gestión de proyectos.Revista Internacional de Gestión de Proyectos, 32(4), 603–612.
Lechler, TG, Edington, BH y Gao, T. (2012). Proyecto clásico desafiante
gestión: convertir las incertidumbres del proyecto en oportunidades de negocio.Revista de
gestión de proyectos, 43(6), 59–69.
Loch, C. y Sommer, S. (2019). La tensión entre objetivos flexibles y gestión
control en proyectos exploratorios.Diario de gestión de proyectos, 50(5), 524–537. Lu, G.,
Ding, X., Peng, DX y Hao-Chun Chuang, H. (2018). Abordar la endogeneidad en
investigación de gestión de operaciones: desarrollos recientes, problemas comunes y
direcciones para futuras investigaciones.Diario de Gestión de Operaciones, 64(1), 53–64.
Maylor, H. y Turner, N. (2017). Comprender, reducir, responder: Complejidad del proyecto
teoria y practica de la administracion.Revista internacional de gestión de operaciones y
producción, 37(8), 1076–1093.
Maylor, H., Turner, NW y Murray-Webster, R. (2013). ¿Qué tan difícil puede ser?: Activamente
gestionar la complejidad en proyectos tecnológicos.Investigación-Gestión de Tecnologías, 56
(4), 45–51.
Maylor, H., Vidgen, R. y Carver, S. (2008). Complejidad gerencial en proyectos basados
operaciones: un modelo fundamentado y sus implicaciones para la práctica.Revista de gestión de
proyectos, 39(S1), S15–S26.
Mir, FA y Pinnington, AH (2014). Explorando el valor de la gestión de proyectos:
Vinculando el desempeño de la gestión de proyectos y el éxito del proyecto.Revista Internacional de
Gestión de Proyectos, 32(2), 202–217.
Mishra, A., Das, SR y Murray, JJ (2016). Riesgo, madurez del proceso y proyecto.
Desempeño: un análisis empírico de los proyectos de tecnología del gobierno federal de
EE. UU. Dirección de Producción y Operaciones, 25(2), 210–232. Montoya-Weiss, MM y
Calantone, R. (1994). Determinantes del nuevo producto.
Rendimiento: una revisión y metanálisis.Revista de gestión de la innovación de productos,
11(5), 397–417.
Olhager, J. (2003). Posicionamiento estratégico del punto de penetración de órdenes.Internacional
Diario de Economía de la Producción, 85(3), 319–329.
Papke-Shields, KE, Beise, C. y Quan, J. (2010). ¿Los gerentes de proyecto practican lo que
predican, y ¿importa el éxito del proyecto?Revista Internacional de Gestión de
Proyectos, 28(7), 650–662.
C. Kaufmann y A. Kock
Pich, MT, Loch, CH y de Meyer, A. (2002). Sobre la incertidumbre, la ambigüedad y la
complejidad en la gestión de proyectos.Ciencias de la gestión, 48(8), 1008–1023. Pinto, JK y
Mantel, SJ (1990). Las causas del fracaso del proyecto.Transacciones IEEE en
Gestión de Ingeniería, 37(4), 269–276.
Pinto, JK y Slevin, DP (1987). Factores críticos en la implementación exitosa del proyecto.
Transacciones IEEE sobre gestión de ingeniería, EM-34(1), 22–27.
Podsakoff, PM, MacKenzie, SB, Lee, JY y Podsakoff, NP (2003). Método común
sesgos en la investigación del comportamiento: una revisión crítica de la literatura y los remedios
recomendados.El Diario de Psicología Aplicada, 88(5), 879–903.
Pollack, J. y Adler, D. (2014). ¿La gestión de proyectos afecta la productividad empresarial?
Evidencia de pequeñas y medianas empresas australianas.Revista de gestión de proyectos,
45(6), 17–24.
Porter, K., Little, D., Peck, M. y Rollins, R. (1999). Clasificaciones de fabricación:
Relaciones con los sistemas de control de la producción.Sistemas Integrados de Manufactura, 10
(4), 189–199.
Instituto de manejo proyectos. (2017).Una guía para el organismo de gestión de proyectos de
conocimiento (guía PMBOK). Newtown Square, Pensilvania: Project Management
Institute, Inc. Sexta edición ed.
Ramasesh, RV y Browning, TR (2014). Un marco conceptual para abordar
incógnitas desconocidas conocibles en la gestión de proyectos.Diario de Gestión de
Operaciones, 32(4), 190–204.
Rockart, JF (1979). Los directores ejecutivos definen sus propias necesidades de datos.negocio de harvard
Reseña, 57(2), 81–93.
Salvador, F., Chandrasekaran, A. y Sohail, T. (2014). Configuración del producto,
ambidestreza y desempeño firme en el contexto de la fabricación de equipos
industriales.Diario de Gestión de Operaciones, 32(4), 138–153. Schmenner, RW y
Swink, ML (1998). Sobre la teoría en la dirección de operaciones.Diario
de Dirección de Operaciones, 17(1), 97–113.
Scott-Young, C. y Samson, D. (2008). Éxito del proyecto y gestión del equipo del proyecto:
Evidencia de proyectos de capital en las industrias de proceso.Diario de Gestión de
Operaciones, 26(6), 749–766.
Serrador, P. y Turner, JR (2014). La relación entre el éxito del proyecto y el proyecto
eficiencia.Procedia Ciencias Sociales y del Comportamiento, 119, 75–84.
Shenhar, AJ (2001). Una talla no sirve para todos los proyectos: Explorando la contingencia clásica
dominiosCiencias de la gestión, 47(3), 394–414.
Shenhar, AJ y Dvir, D. (2007).Reinventar la gestión de proyectos: el enfoque del diamante
al crecimiento exitoso y la innovación(pag. 276). Boston, Massachusetts: Harvard Business School
Press.
Sommer, SC y Loch, CH (2004). Seleccionismo y aprendizaje en proyectos con
complejidad e incertidumbre imprevisible.Ciencias de la gestión, 50(10), 1334-1347. Sousa,
R. (2003). Vinculación de la gestión de calidad a la estrategia de fabricación: un análisis empírico
investigación de prácticas de enfoque al cliente.Diario de Gestión de Operaciones, 21(1), 1–
18.
633
Revista internacional de gestión de proyectos 40 (2022) 624–633
Swink, M., Talluri, S. y Pandejpong, T. (2006). Más rápido, mejor, más barato: un estudio de NPD
la eficiencia del proyecto y las ventajas y desventajas del rendimiento.Diario de Gestión de Operaciones, 24
(5), 542–562.
Tatikonda, MV y Rosenthal, SR (2000). Ejecución exitosa del producto.
proyectos de desarrollo: Equilibrar firmeza y flexibilidad en el proceso de innovación. Diario
de Gestión de Operaciones, 18(4), 401–425.
Tatikonda, MV y Stock, GN (2003). Transferencia de tecnología de productos en el upstream
cadena de suministro.Revista de gestión de la innovación de productos, 20(6), 444–467.
Teller, J. y Kock, A. (2013). Una investigación empírica sobre cómo el riesgo de cartera
la gestión influye en el éxito de la cartera de proyectos.Revista Internacional de Gestión
de Proyectos, 31(6), 817–829.
Teller, J., Kock, A. y Gemünden, HG (2014). La gestión de riesgos en las carteras de proyectos es
más que gestionar los riesgos del proyecto: una perspectiva de contingencia en la gestión de riesgos.
Revista de gestión de proyectos, 45(4), 67–80.
Teller, J., Unger, BN, Kock, A. y Gemünden, HG (2012). Formalización de proyecto
gestión de carteras: el papel moderador de la complejidad de la cartera de
proyectos. Revista Internacional de Gestión de Proyectos, 30(5), 596–607.
Thomas, J. y Mullaly, M. (2007). Comprender el valor de la gestión de proyectos: primero
inicia una investigación internacional en busca de valor.Revista de gestión de
proyectos, 38(3), 74–89.
Thomas, J. y Mullaly, M. (2008).Investigando el valor de la gestión de proyectos(pag. 458).
Newtown Square, Pensilvania: Instituto de Gestión de Proyectos.
Vickery, SK, Koufteros, X., Dröge, C. y Calantone, R. (2016). modularidad del producto,
modularidad del proceso y desempeño en la introducción de nuevos productos: ¿importa la
complejidad?Dirección de Producción y Operaciones, 25(4), 751–770.
Wikner, J. y Rudberg, M. (2005). Integración de las perspectivas de producción e ingeniería
en el punto de desacoplamiento del pedido del cliente.Revista internacional de gestión de
operaciones y producción, 25(7), 623–641.
Wooldridge, JM (2015). Métodos de función de control en econometría aplicada.Diario de
Recursos Humanos, 50(2), 420–445.
Zaman, U., Jabbar, Z., Nawaz, S. y Abbas, M. (2019). Entendiendo el lado suave de
proyectos de software: un estudio empírico sobre los efectos interactivos de las
habilidades sociales y políticas en la relación complejidad-desempeño.Revista
Internacional de Gestión de Proyectos, 37(3), 444–460.
Zerjav, Vedrán (2021). ¿Por qué las organizaciones empresariales participan en proyectos? hacia un
tipología de los dominios de valor del proyecto.Revista de gestión de proyectos, 52(3), 287–297. Zwikael, O. y
Gilchrist, A. (2022). Planificación para fallar: ¿Cuándo es la planificación de proyectos?
¿contraproducente?Transacciones IEEE sobre gestión de ingeniería, 1–12. Zwikael, O. y Sadeh, A.
(2007). Esfuerzo de planificación como una herramienta eficaz de gestión de riesgos.
Diario de Gestión de Operaciones, 25(4), 755–767.
Traducido del inglés al español - www.onlinedoctranslator.com

Disponible en línea enwww.cienciadirecta.com

CienciaDirecta
Procedia Informática 217 (2023) 720–727

IV Congreso Internacional de Industria 4.0 y Smart Manufacturing

Gemelo digital: una herramienta para la gestión de proyectos en la fabricación

Brian Hickeya*, Dra. Carine Gachonb, Dr. John Cosgrovea

aUniversidad Tecnológica de Shannon: Midlands Midwest, Moylish Park, Limerick, Irlanda, V94 EC5T
b Universidad Tecnológica de Altantic (ATU), Galway, Irlanda, H91T 8NW

Abstracto

El concepto de Gemelo Digital tiene el potencial de ser una herramienta útil en la gestión de proyectos y en la fabricación ajustada. El objetivo
común de la gestión de riesgos por parte de los gestores de proyectos y la mitigación de comportamientos impredecibles mediante el Digital
Twin puede mejorar el desarrollo de los sistemas de fabricación. Los gemelos digitales también ayudarían a los directores de proyectos a
administrar los recursos y la comunicación entre las partes interesadas. El investigador está trabajando con una pyme manufacturera del
sector de la ingeniería en la aplicación de herramientas de digitalización para optimizar las operaciones productivas. Se está desarrollando un
gemelo digital, que se utilizará para investigar aspectos de la gestión de riesgos y recursos, así como los beneficios de la comunicación
mediante la visualización. ¿Existen aspectos del desarrollo de procesos que ahora se pueden medir usando Gemelos Digitales que antes no
éramos capaces de medir? El gemelo digital como punto central de referencia para la información sobre un proceso de fabricación y su
equipo asociado podría agregar eficiencias al mantenimiento y mejoras de procesos durante el ciclo de vida de un sistema.

© 2022 Los autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0) Peer-
review a cargo del comité científico del 4th International Conference on Industry 4.0 and Smart Manufacturing

Palabras clave:Gemelo digital; Gestión de proyectos; Visualización;

1. Introducción

El gerente de proyecto que lidera el desarrollo de una línea de enchapado para piezas metálicas en una empresa local comprende todos los
componentes que necesita el proceso de fabricación; sin embargo, en sus propias palabras, "no tiene una visión clara" de cómo se verá el
proceso general cuando se implemente. . El investigador está aplicando herramientas de digitalización para optimizar el desarrollo de la línea
de chapado. El objetivo de este proyecto es desarrollar un Gemelo Digital (DT) de la línea de chapado y todos los procesos auxiliares. Como la
línea de Plating está en fase de construcción, se está desarrollando un modelo Digital con la intención de añadir comunicación de datos para
crear un verdadero Gemelo Digital.

* Autor correspondiente.Dirección de correo electrónico:brian.hickey@lit.ie

1877-0509© 2022 Los autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0)
Peer-review a cargo del comité científico del 4th International Conference on Industry 4.0 and Smart Manufacturing

10.1016/j.procs.2022.12.268
 Brian Hickey et al. / Procedia Informática 217 (2023) 720–727 721

DT como parte de Industry 4.0 es un desarrollo reciente en la digitalización de la fabricación. Se ha

descrito como una versión virtual de un modelo físico. El modelo físico podría ser un automóvil, un
cohete, un equipo de producción. En este proyecto se utilizará el software Visual Components (VC). La
intención es investigar cualquier comportamiento imprevisto en el proceso de desarrollo y ver si estos
comportamientos se pueden mitigar con el uso del DT. También veremos cómo se relaciona esto con
aspectos de gestión de proyectos y manufactura esbelta. Se cree aquí que hay puntos en común entre la
gestión de proyectos y el concepto de DT. Además, se espera que la definición de un DT pueda
mejorarse en comparación con SCADA y otras tecnologías de fabricación actuales.

2. Fabricación

En el contexto de DT, debemos analizar algunos aspectos centrales de la fabricación. La fabricación es un proceso, "En la fabricación, el
material fluye a través de procesos, que se ejecutan utilizando recursos, para cambiar el material a un valor más alto" [1]. Tomamos
material y hacemos alguna acción sobre él para convertirlo en el producto requerido. Esto podría ser la construcción de un coche.
Agregamos metal, plástico, cobre y todos los demás materiales para que un automóvil salga de una línea de producción. La fabricación
requiere una planificación cuidadosa de múltiples procesos que se unen para hacer el producto. La gestión de proyectos se utiliza en el
desarrollo de un proceso de fabricación.

2.1. Gestión de proyectos

La gestión de proyectos es “un esfuerzo temporal realizado para crear un producto, servicio o resultado único” [2]. Si construimos un proceso de fabricación, habrá
algún nivel de gestión de proyectos involucrado, incluso en procesos pequeños y ciertamente en sistemas grandes y complejos. El rol del director del proyecto es
garantizar que todo el trabajo se complete a tiempo, dentro del presupuesto y el alcance, y con el nivel de rendimiento correcto [2]. Hay cinco elementos
principales de un proyecto. Son la tarea del proyecto, las partes interesadas, el entorno del proyecto, los recursos y la gestión del proyecto [3]. La gestión de
proyectos incluye el establecimiento de una colaboración con las partes involucradas y una comunicación efectiva. Esta comunicación tiene como objetivo
desarrollar una cultura y un comportamiento apropiados para entregar el proyecto [3]. El aspecto de los recursos de la gestión de proyectos es donde cualquier
proyecto requiere competencias, es decir, el conocimiento y la experiencia de individuos, grupos y organizaciones, así como la información que se puede
proporcionar. Cualquier proyecto también requerirá financiación [3]. Otra función central de un gerente de proyecto es la gestión de riesgos. Es el proceso
sistemático de identificar, cuantificar, analizar y responder al riesgo del proyecto. Un gerente de proyecto busca minimizar los riesgos del proyecto y es un aspecto
extremadamente importante de la gestión de proyectos [2]. y responder al riesgo del proyecto. Un gerente de proyecto busca minimizar los riesgos del proyecto y
es un aspecto extremadamente importante de la gestión de proyectos [2]. y responder al riesgo del proyecto. Un gerente de proyecto busca minimizar los riesgos
del proyecto y es un aspecto extremadamente importante de la gestión de proyectos [2].
En la industria de la construcción, se ha desarrollado una nueva metodología de diseño, BIM (Building Information
Modelling) [4]. BIM se utiliza en la fase de construcción de un proyecto como se muestra enErrore. L'origine riferimento non è
stata trovata.. El término BIM define una metodología operativa que permite una reproducción digital precisa de la estructura y la
interoperabilidad de los distintos profesionales que intervienen en el diseño y construcción de edificios e infraestructuras,Errore.
L'origine riferimento non è stata trovata.. Yue Pan, Limao Zhang [5], propusieron utilizar una combinación de BIM, Internet de las
cosas (IoT) y minería de datos (DM) para crear un gemelo digital. Flamini et al propusieron la integración de BIM y SCADA [4].
722 Brian Hickey et al. / Procedia Informática 217 (2023) 720–727

Fig. 1. Instantáneas 4D del modelo virtual Fig. 2. Interoperabilidad BIM

Se seleccionó el software VC para el desarrollo de una línea de chapado. Los Gemelos Digitales se pueden crear usando el
software VC [6] pero no tiene la interoperabilidad de BIM. Sin embargo, para usar este software, un gerente de proyecto solo puede
requerir una cantidad mínima de capacitación para adquirir información del proyecto del Gemelo Digital creado. Esto podría
permitir al administrador ver rápidamente el estado del proyecto a medida que se crea el gemelo digital. Luego, el gerente del
proyecto podría usar el DT como una construcción visual para desarrollar y compartir la misión, la visión, las metas y los objetivos
del proyecto. Dado que las líneas de producción rara vez son estáticas durante su vida útil, la empresa de fabricación podría
emprender un nuevo proyecto en la línea con un nuevo director de proyecto. En este punto, el Gemelo Digital estaría en su lugar
como una herramienta para ayudar a su implementación.

2.2. Manufactura esbelta

Uno de los pilares de Lean es identificar y eliminar los desperdicios de un proceso de fabricación y un elemento de esto es la duplicación. Por
ejemplo, ¿por qué tener varios cepillos de barrido en una habitación cuando solo hay una persona que barre el suelo a la vez? “Lean
Manufacturing se refiere al esfuerzo continuo y sistemático de una empresa para eliminar las fuentes de desperdicio en un proceso de
producción” [7]. Las semillas de la manufactura esbelta en la producción en masa se remontan al siglo XVIII.el
siglo, cuando un fabricante de armas francés, Honore Blanc, implementó la práctica de ahorro de tiempo y recursos de
utilizar piezas intercambiables para el montaje de armas. en el 20elEn general, se considera que Toyota Motor Company
encabezó la manufactura esbelta moderna al implementar un sistema de inventario (JIT) a gran escala en 1938 [7]. El
modelo Lean para producción y fabricación es una colección de prácticas comerciales, estrategias y métodos que se
centran en la eliminación de desperdicios y la mejora continua dentro de una organización. [8]. Lean como filosofía de
fabricación se ha implementado en muchas industrias y ha evolucionado. Lean Six Sigma nació de una combinación de las
mejores partes del sistema de producción Lean de Toyota y el sistema de control de calidad de Motorola. [8].

Según Spindler et al [9], se estima que el potencial general de optimización de procesos, por ejemplo,
mediante el uso de herramientas de simulación, asciende hasta un 40 %. Los gemelos digitales son una herramienta
poderosa para el soporte de decisiones en tiempo real en entornos de fabricación complejos [9]. Son útiles en Value
Stream Mapping como herramienta en la visualización de información, material y tiempo de entrega [10]. Value
Stream Mapping es la documentación visual del flujo de material e información desde el comienzo del proceso hasta
el cliente. A continuación se muestra un ejemplo de cómo podemos analizar la acción de los operarios en la línea de
chapado. La Fig. 3 compara la utilización de los dos operadores que cargan la línea. La figura 4 compara la distancia
recorrida por cada operador. Muestra que el operador de descarga de la línea de enchapado se mueve
constantemente.
 Brian Hickey et al. / Procedia Informática 217 (2023) 720–727 723

Fig. 3. Utilización de cada operador

Fig. 4. Distancia recorrida por cada operador

2.3. Gemelo digital

En un artículo sobre el concepto de DT, Michael Grieves describió cómo un DT intercambiaría datos con el modelo físico,
como se muestra en la Fig. 5 [11]. El documento, Digital Twin: Mitigating Unpredictable Undeirable Emergent Behavior in Complex
Systems analiza el ciclo de vida del producto y da una definición como“En su forma óptima, cualquier información que se pueda
obtener de un producto físico fabricado se puede obtener del Gemelo Digital”[11].
724 Brian Hickey et al. / Procedia Informática 217 (2023) 720–727

Fig. 5. Ideal conceptual para PLM

Según Kritzinger et al, en un Gemelo Digital verdadero, los flujos de datos entre un objeto físico existente y un objeto
digital están totalmente integrados en ambas direcciones [12]. En el documento, proponen tres subcategorías de Digital Twin:

1. Modelo digital: donde no hay un flujo de datos automatizado entre los objetos físicos y digitales
2. Sombra digital: hay un flujo de datos entre el objeto físico y el digital en una dirección
3. Gemelo digital: el flujo de datos está completamente integrado en ambas direcciones.

Usando estas subcategorías, el sistema virtual de la línea de enchapado es un modelo digital. La intención es conectar el software VC a la línea
de chapado mediante una interfaz OPC, lo que le permitirá convertirse en una sombra digital o un gemelo digital según esta definición. Sin
embargo, se propone que esta definición de un verdadero gemelo digital es demasiado limitada. Habría algunos procesos que están
completamente automatizados y los datos podrían ser bidireccionales. Sin embargo, en el ejemplo de la línea de enchapado, no se podían
enviar datos a los operadores para mover mesas para mejorar el flujo de productos u otras funciones del proceso. También hay procesos de
fabricación validados en los que puede no ser aceptable permitir que un gemelo digital cambie los parámetros del proceso automáticamente.
El gemelo digital, tal como lo describe Michael Grieves, parecería ser una definición más práctica y completa.

En términos de manufactura esbelta, necesitamos tener una buena razón para invertir tiempo y recursos en lo que es un
duplicado de un sistema físico. Sin embargo, si ya tenemos el sistema físico, ¿cuál es el beneficio de construir uno segundo? El
software puede ser costoso y hay costos de mantenimiento. También están los costos de contratar a un ingeniero o técnico para
construir un DT y mantenerlo durante su vida útil, por ejemplo, al usar un DT para administrar el mantenimiento de rutina de un
sistema físico [13]. Ya existen paquetes de software que pueden hacer esto, como PEMAC. El software PEMAC se ha utilizado para
gestionar estrategias de mantenimiento preventivo durante más de 30 años [14]. Otro fue donde se utilizó un DT en el manejo de
Humedales [15]. Este sistema, como se describe, era similar en funcionalidad a los sistemas de gestión de edificios o SCADA (control
de supervisión y adquisición de datos). Los sistemas SCADA dan el estado en tiempo real de un sistema, pero eso no es lo mismo
que un DT [16].
Como fuente de información, un Gemelo Digital podría convertirse o contener un archivo técnico del equipo. En la
directiva de máquinas 2006/42/EC maquinaria, debe estar disponible un archivo técnico [17]. El Anexo VII establece que el
expediente técnico debe demostrar que la maquinaria cumple con la directiva. Se requiere una lista de información para el
expediente técnico, como descripción general, una copia de las instrucciones, dibujo general de la maquinaria y dibujos de los
circuitos de control. En este documento se prevé que Digital Twins podría contener o hacer referencia a esta información y
convertirse en un archivo técnico digital. Tendría la ventaja de ser un punto central de información al que se puede acceder de
manera mucho más eficiente. Higo.6es una propuesta de modelo que muestra la comunicación de datos e información entre lo
físico y lo virtual que es multidisciplinar. La Fig. 7 muestra los beneficios de usar Digital Twins durante el ciclo de vida de un
producto.
 Brian Hickey et al. / Procedia Informática 217 (2023) 720–727 725

Fig. 6. Modelo de gemelo digital propuesto

Fig. 7. Beneficios económicos del Gemelo Digital [11]

3. La línea de enchapado

La línea de revestimiento se muestra en la Fig. 8Errore. L'origine riferimento non è stata trovata.La intención aquí es crear un DT
funcional de la línea. Esto se hará usando el software Visual Component. La información básica que se muestra arriba proviene de
archivos .stp creados en AutoCAD e importados al software.

Fig. 8. La línea de enchapado

A partir de aquí, se construirá un modelo y la intención es construir todas las funciones auxiliares que ocurren durante la producción
para dar una visión realista de cómo opera la línea. Esto incluirá el edificio en el que se encuentra la línea, el personal de producción,
mesas, sillas y todo lo que se requiera. Reunir toda la información en un solo lugar es un objetivo central de este proyecto. El
726 Brian Hickey et al. / Procedia Informática 217 (2023) 720–727

Las etapas de construcción del modelo digital se muestran a continuación en la Fig. 9, en el sentido de las agujas del reloj desde la parte superior
izquierda. Se convirtió un solo tanque de tratamiento del archivo .stp y se hizo un componente en VC. Se agregaron todas las partes hasta completar la
línea completa. Finalmente, se añadió la distribución del suelo con puertas y paredes. La imagen principal muestra a un operador en la línea HMI (interfaz
hombre-máquina), listo para cargar un carro en la línea. Estos carros se utilizan para mover piezas hacia y desde la línea.

Fig. 9. Desarrollo de línea de revestimiento virtual

4. Conclusiones

La capacidad de un DT para mostrar la información visualmente es una forma más eficiente de comunicar la información disponible para los
gerentes de proyecto. Es mucho más que una simulación de un proceso. Tiene el potencial de ser un punto central de información para todo el
personal involucrado en la construcción de un proceso de producción, operarlo y mantenerlo, y utilizar el historial registrado para el desarrollo
futuro [18]. El desarrollo de un Gemelo Digital además de un producto o proceso físico, podría convertirse en una herramienta útil para los
gestores de proyectos y en la implementación de proyectos Lean para la mejora de procesos

La línea de enchapado que se está desarrollando en este proyecto aún se encuentra en la fase de creación. Necesita ser construido y
puesto en producción. Como tal, el análisis llevará algún tiempo para obtener una imagen completa de cómo ha evolucionado el DT. El progreso
inicial hasta la fecha ha sido alentador y todas las partes interesadas están comprometidas con el concepto.
El software Visual Components utilizado en este proyecto funciona muy bien hasta la fecha, pero podría desarrollarse más. No puede
hacer todo, como ser un paquete de diseño mecánico y eléctrico en uno, pero podría permitir al usuario ingresar datos de referencia
y la ubicación de la información. Tiene la capacidad de hacer referencia a páginas web, pero esto podría mejorarse. Otro software
como Delmia parece estar trabajando en la dirección de conectar personas, ideas, datos y soluciones en un solo entorno [19] y una
revisión de las diferentes compañías de software que proporcionan DT puede ser útil para determinar el estado actual y la tendencia
del desarrollo. .
 Brian Hickey et al. / Procedia Informática 217 (2023) 720–727 727

Referencias
[1] WK Chan, A. D'Ambrogio, G. Zacharewicz, N. Mustafee, G. Wainer, EH Page (Eds.), WSC'17: Conferencia de simulación de invierno de 2017 La
WSC cumple 50 años: ¡simulación en todas partes! 3 al 6 de diciembre de 2017, Red Rock Casino Resort & Spa, Las Vegas, NV, IEEE,
Piscataway, NJ, 2017.
[2] Joseph Heagney, Fundamentos de la gestión de proyectos, AMACOM, Nueva York, 2016.
[3] Hans Mikkelsen, Jens O. Riis, Project Management A Multi-Perspective Leadership Framework, Emerald Publishing Limited, Bingle,
Reino Unido, 2017.
[4] A. Flamini, R. Loggia, A. Massaccesi, C. Moscatiello, L. Martirano, integración de BIM y SCADA: el gemelo digital dinámico, en: 2022
IEEE/IAS 58.ª Conferencia técnica sobre sistemas de energía industriales y comerciales (I&CPS) , Las Vegas, NV, EE. UU., IEEE,
2022, págs. 1 a 7.
[5] Y. Pan, L. Zhang, Un marco gemelo digital integrado de minería de datos BIM para la gestión avanzada de proyectos, Automatización en la
construcción 124 (2021) 103564. https://doi.org/10.1016/j.autcon.2021.103564.
[6] Componentes visuales, Industria 4.0 - Componentes visuales, 2022. https://www.visualcomponents.com/industry-4-0/ (consultado el 3 de octubre de
2022).
[7] SA Connaughton, Lean Manufacturing, Salem Press Encyclopedia (2021). https://doi.org/Lean.
[8] Benjamin Sweeney, ClydeBank Business, Guía de inicio rápido de Lean Six Sigma La guía simplificada para principiantes de Lean Six
Sigma, ClydeBank Media LLC, [Estados Unidos], 2017.
[9] J. Spindler, T. Kec, T. Ley, Evaluación de tiempo de entrega y reducción de riesgos de una línea de fabricación de productos farmacéuticos estériles
mediante simulación, Computers & Chemical Engineering 152 (2021) 107401. https://doi.org/ 10.1016/j.compchemeng.2021.107401.
[10] Z. Videcka, LEAN MANUFACTURING A TRAVÉS DEL USO DE UNA TECNOLOGÍA DIGITAL TWIN, en: 6th SWS
International Scientific Conference on Social Sciences ISCSS 2019, STEF92 Technology, 2019.
[11] M. Grieves, J. Vickers, Gemelo digital: Mitigación del comportamiento emergente impredecible e indeseable en sistemas complejos, en:
F.-J. Kahlen, S. Flumerfelt, A. Alves (Eds.), Perspectivas transdisciplinarias sobre sistemas complejos, Springer International
Publishing, Cham, 2017, págs. 85–113.
[12] W. Kritzinger, M. Karner, G. Traar, J. Henjes, W. Sihn, Gemelo digital en la fabricación: revisión y clasificación categóricas de la
literatura, IFAC-PapersOnLine 51 (2018) 1016–1022. https://doi.org/10.1016/j.ifacol.2018.08.474.
[13] Instituto de Ingenieros Eléctricos y Electrónicos, IEEE Technology and Engineering Management Society, Co-creando nuestro futuro:
escalando las capacidades de innovación a través del diseño y la ingeniería de sistemas inmersivos, colaborativos, empáticos y
cognitivos: 2019 IEEE International Conference on Engineering, Tecnología e Innovación (ICE/ITMC) Sophia Antipolis Innovation Park,
Francia, 17-19 de junio de 2019, IEEE, Piscataway, NJ, 2019.
[14] PEMAC, Home - PEMAC, 2022. https://pemac.com/ (consultado el 27 de junio de 2022).
[15] S. Aheleroff, X. Xu, RY Zhong, Y. Lu, Digital Twin as a Service (DTaaS) en Industry 4.0: An Architecture Reference Model,
Advanced Engineering Informatics 47 (2021) 101225. https://doi. org/10.1016/j.aei.2020.101225.
[16] A. Flamini, R. Loggia, A. Massaccesi, C. Moscatiello, L. Martirano, integración de BIM y SCADA: el gemelo digital dinámico, en:
2022 IEEE/IAS 58.a Conferencia técnica sobre sistemas de energía industriales y comerciales (I&CPS) , Las Vegas, NV, EE. UU.,
IEEE, 2022, págs. 1 a 7.
[17] EUR-Lex - 02006L0042-20190726 - EN - EUR-Lex, 2022. https://eur-lex.europa.eu/legalcontent/
EN/TXT/?uri=CELEX:02006L0042-20190726 (consultado el 23 de septiembre de 2022 ).
[18] Gemelo digital – AVEVA, 2022. https://www.aveva.com/en/solutions/digital-transformation/digital-twin/ (consultado el 27 de junio de
2022).
[19] Dassault Systèmes (30 de junio de 2020).
Traducido del inglés al español - www.onlinedoctranslator.com

Disponible en línea enwww.cienciadirecta.com

CienciaDirecta
Procedia Informática 196 (2022) 288–295

CENTERIS - Conferencia Internacional sobre Sistemas de Información EMPRESARIAL / ProjMAN -

Conferencia Internacional sobre Gestión de Proyectos / HCist - Conferencia Internacional sobre Salud
y Tecnologías y Sistemas de Información de Atención Social 2021

Mejora de la planificación y control de tiempos en el proyecto

gestión de una industria metalmecánica - estudio de caso
jose silvaa,*, Paulo Ávilaa,b, Leonel Patricioa, José Carlos Saa, Luis Pinto Ferreiraa,b, joao
Bastosa,b, Helio Castroa,b
aEscuela Superior de Ingeniería (ISEP) - Politécnica de Oporto, 4200-465, Oporto, Portugal
bINESC TEC, 4200-465, Oporto, Portugal

Abstracto

Debido a la competitividad en la naturaleza del taller de trabajo de la industria metalmecánica, la gestión de proyectos juega un papel importante en la
mejora del rendimiento, gestionando su rendimiento de manera eficiente y eficaz. Muchos de los problemas genéricos observados en la gestión de
proyectos en las industrias metalúrgicas estaban en el dominio de la gestión de documentos, la comunicación, los múltiples proyectos simultáneamente,
la estructura organizativa y la estimación deficiente del tiempo de las actividades del proyecto. El objetivo de este estudio fue mejorar la planificación y el
control de tiempo en la gestión de proyectos de una industria metalmecánica con el fin de reducir los retrasos en las entregas. Utilizando los datos
existentes, se realizó un análisis del proceso de gestión de proyectos con miras a optimizar el sistema productivo. Para cumplir con los objetivos
establecidos se utilizaron algunas de las herramientas de gestión de proyectos, como el diagrama de Ishikawa, PERT (tres puntos de estimación de
tiempos), simulación de Montecarlo, así como la participación de personas en la estimación y secuenciación de actividades, y la realización de reuniones
semanales para asegurar el alineamiento de los profesionales. Después de la implementación de las acciones propuestas para el proceso de producción,
hubo ganancias de 50% y 38% en el promedio de desviaciones de tiempos para dos proyectos diferentes del caso de estudio y el Monte Carlo dio la mejor
aproximación.

© 2021 Los autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0) Peer-review
bajo la responsabilidad del comité científico de CENTERIS –International Conference on ENTERprise Information Systems / ProjMAN -
International Conference on Project MANagement / HCist - International Conference on Health and Social Care Information Systems
and Technologies 2021
Palabras llave: Metodologías de Planificación; Gestión de proyectos; IMPERTINENTE; MPC; Planificación y control, Montecarlo.

* Autor correspondiente.
Dirección de correo electrónico:1101760@isep.ipp.pt

1877-0509© 2021 Los autores. Publicado por Elsevier BV

Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0) Peer-review bajo la
responsabilidad del comité científico de CENTERIS –International Conference on ENTERprise Information Systems / ProjMAN - International
Conference on Project MANagement / HCist - International Conference on Health and Social Care Information Systems and Technologies 2021

10.1016/j.procs.2021.12.016
 José Silva et al. / Procedia Informática 196 (2022) 288–295 289

1. Introducción

El enfoque por proyectos ha sido durante mucho tiempo un modelo de gestión empresarial en los distintos sectores existentes y su
importancia ha ido en aumento. Quizás el mejor indicador de este crecimiento es la rápida expansión del Project Management
Institute (PMI) [1]. En la industria metalmecánica de naturaleza de taller, las características de cada actividad son únicas y con
factores impredecibles, como la duración de las actividades, los requisitos especiales del proyecto y, en ocasiones, su incertidumbre
con respecto al proceso de fabricación. Dado lo anterior, junto con la creciente competitividad en la industria metalmecánica de
taller, la gestión de proyectos juega un papel importante en la gestión eficiente y eficaz de su desempeño.

Los proyectos que superan el presupuesto, se entregan tarde y no cumplen con las expectativas del usuario han sido un área
problemática común relacionada con la precisión de la estimación durante años. Incluso en entornos de proyectos maduros
altamente predictivos como los recomendados por PMI y el Instituto de Ingeniería de Software (SEI), la estimación es un desafío serio
y las estimaciones suelen ser incorrectas [2]. La estimación del tiempo y su control es uno de los problemas más críticos en la gestión
de proyectos y ha sido objeto de varios estudios con el fin de reducir los retrasos y costes que se pueden producir, como la obra [3, 4,
5].

Este trabajo se enfoca en el tema de mejorar la planificación y el control de tiempo en la gestión de proyectos en una industria metalmecánica con el
objetivo de reducir las desviaciones entre las duraciones planificadas y las realmente verificadas, con el fin de reducir los retrasos en los tiempos de
entrega, más específicamente, que no superen los cinco días de retraso. .

Para lograr el objetivo de este trabajo, el resto de este artículo se organiza de la siguiente manera. La Sección 2 presenta una breve revisión de
la literatura de este trabajo, especialmente enfocada en las técnicas de planificación del tiempo para las actividades del proyecto. La sección 3
presenta el sistema productivo de este estudio y el problema asociado que será objeto del proceso de mejora. Posteriormente, en el apartado
4 se presentan dos propuestas de mejora que fueron aplicadas a dos proyectos de la empresa y en el apartado 5 se analizan los resultados
obtenidos frente a los resultados iniciales. Finalmente, en el apartado 6 se realizan unas conclusiones.

2. Revisión de la literatura

A lo largo del tiempo, se han creado varias metodologías y herramientas para la gestión de proyectos, debido a las demandas de los
mercados existentes y en constante evolución. Algunas de las metodologías más importantes que ha utilizado la mayoría de la
industria son: Project Management Body of Knowledge (PMBOK) [6]; ISO 21502:2020 - Gestión de proyectos, programas y carteras -
Orientación sobre la gestión de proyectos; y Scrum [7].

El PMBOK es un conjunto de mejores prácticas en gestión de proyectos, recopilado por expertos en el campo y organizado por PMI. Se considera el documento más
completo sobre gestión de proyectos y está organizado en diez áreas de conocimiento (integración, alcance, cronograma, costo, calidad, recurso, comunicación,
riesgo, adquisiciones y partes interesadas) que se manejan dentro de cinco macro procesos (iniciación, planificación, ejecución, seguimiento y control, y cierre). La ISO
21502:2020 tiene su origen en el PMBOK y no presenta diferencias significativas, por lo que nos excusamos de dar más detalles. Scrum es un marco ligero que ayuda
a las personas, los equipos y las organizaciones a generar valor a través de soluciones adaptativas para problemas complejos. Scrum se basa en el empirismo y el
pensamiento lean. El empirismo afirma que el conocimiento proviene de la experiencia y de la toma de decisiones en base a lo observado. Scrum se basa en la
inteligencia colectiva de las personas que lo usan, en lugar de proporcionar a las personas instrucciones detalladas [7]. El uso de la metodología Scrum se expandió
para diferentes áreas de su propósito inicial, el desarrollo de software, y ahora se considera una metodología ágil para la gestión de proyectos. Cada una de las
metodologías presenta inquietudes en cuanto a la planificación y el control del tiempo e incluso definen algunos métodos para hacerlo. y ahora se considera una
metodología ágil para la gestión de proyectos. Cada una de las metodologías presenta inquietudes en cuanto a la planificación y el control del tiempo e incluso
definen algunos métodos para hacerlo. y ahora se considera una metodología ágil para la gestión de proyectos. Cada una de las metodologías presenta inquietudes
en cuanto a la planificación y el control del tiempo e incluso definen algunos métodos para hacerlo.

En una encuesta realizada por [8], enmarcada en la caracterización de la práctica de gestión de proyectos en 30 empresas
metalúrgicas portuguesas, el proceso de gestión del tiempo, entre los procesos de la Guía PMBOK, asumió el 60% de
relevancia para una gestión de proyectos deseada.

En términos de planificación del tiempo, se pueden considerar dos aspectos: 1º - el aspecto de planificación de la red de actividades de un proyecto;
290 José Silva et al. / Procedia Informática 196 (2022) 288–295

2º - el aspecto de la duración de las actividades de un proyecto y su duración total. Para la primera rama, el PERT (Técnicas de
Evaluación y Revisión de Programas) y el CPM (Método del Camino Crítico) son los métodos más conocidos, basados en la
construcción de un gráfico, o red, y representan un conjunto de actividades necesarias para completar el proyecto. La principal
diferencia entre ambos es que PERT utiliza tiempos de carácter probabilístico mientras que CPM es de carácter determinista y la
aplicación de ambos es claramente conocida en distintas áreas de la ingeniería en producciones no repetitivas y más complejas. Para
el segundo enfoque se pueden considerar los métodos: juicio de expertos, estimación análoga, estimación paramétrica, estimación
de tres puntos, de abajo hacia arriba y simulación donde se incluye la técnica de Monte Carlo (MC).

En la literatura reciente, varios estudios se centraron en mejorar la precisión de la previsión de la duración del proyecto utilizando
datos históricos o simulación de Monte Carlo. El potencial de utilizar la simulación MC para predecir la ejecución de un proyecto es
bien conocido [5], [9]. La simulación MC tiene buenas capacidades para soluciones de gestión de proyectos y márgenes suficientes
para extenderse en términos de evolución del modelo de simulación y ofrece buenos resultados en la generación de datos, para
ayudar al gerente del proyecto [10, 11]. Una de las principales características de la simulación MC es su capacidad para considerar
todo el espectro de posibles resultados, lo que puede convertirse en una de sus principales debilidades, ya que puede ocultar
resultados importantes y específicos debido a la superposición de información en métricas o gráficos de resultados globales. Toda la
información del proyecto, como el cronograma, la duración y los costos de las tareas, los eventos condicionales y probabilísticos,

PERT tiene la ventaja de ser simple y práctico, mientras que el MC proporciona resultados más precisos. Sin embargo, la
limitación del primero es la producción de resultados poco realistas y para el segundo, el requisito de una gran carga de
cálculo. En el caso de estudio de este trabajo, se explorarán las técnicas de cabina y se analizarán sus resultados [13].

3. Presentación del sistema y su problema

Una descripción esquemática del proceso de producción y control de calidad se ilustra en la figura 1, para la empresa metalmecánica
abordada en este trabajo. El proceso de producción global es similar para muchas industrias metalmecánicas, comenzando con el
corte de los materiales, luego se producen los componentes utilizando principalmente procesos mecánicos y finalmente se ensambla
el producto, normalmente mediante procesos de soldadura y atornillado. En cuanto al diseño, estamos en presencia de un sistema
de producción en taller hasta la fabricación de los componentes y después, para las actividades de montaje, en el diseño del
proyecto. Teniendo en cuenta que cada producto se adapta a las especificaciones del cliente, el tipo de sistema de producción es el
sistema de proyectos, y su gestión sigue los principios de la gestión de proyectos.

Figura 1- Una descripción esquemática del proceso de producción.

Con el fin de cuantificar la problemática que se aborda en este trabajo para la empresa metalmecánica, se realizó un estudio,
en un periodo de un año, para cuantificar la demora en la entrega de proyectos. Se observó que hubo una demora promedio
en la entrega de proyectos mayor a cinco días, es decir, mayor al objetivo de la empresa (menor o igual a 5 días).
 José Silva et al. / Procedia Informática 196 (2022) 288–295 291

días). Se encontró que el 20% de los proyectos se completaron en la fecha de entrega contractual, el 15% por debajo de los 5 días, el
65% por encima de los 5 días como se muestra en la tabla 1. Acumulativamente, según un análisis de las duraciones históricas de las
actividades del proceso, para proyectos similares en estudio, se constató que también existen desviaciones significativas entre la
duración prevista y la duración real verificada para cada actividad del proceso productivo. Se constató que hubo un promedio de 64%
para las desviaciones de sus duraciones.

Tabla 1- proyectos completados entre fechas de estudio.

Total de proyectos (duración de Proyectos terminados a tiempo Proyectos terminados hasta 5 días de retraso Proyectos finalizados con más de 5 días de retraso

un año)
60 20% 15% sesenta y cinco%

4. Estudio de caso

4.1. Analizar problema

Para ayudar a comprender mejor el problema que pone en riesgo la finalización de los proyectos en los plazos establecidos, se utilizó
el diagrama de Ishikawa y, posteriormente, se identificaron las contribuciones de cada causa raíz al problema. Los resultados de
interpretar el diagrama de causa y efecto en la identificación de las causas del problema se resumen en la Tabla 2.

Tabla 2 - Causas raíz del problema.

Causa principal Contribución para el problema de estudio de caso (%)

Planificación de tiempos - Tiempos de actividades mal estimados 40%
Control de tiempo - control deficiente de las fechas y horas de las actividades 23%
Secuencia de actividades 17%
Falta de comunicación 8%
No se consultó a la planificación 6%
Proyecto mal preparado\ Metodologías de proceso inapropiadas 3%
Recursos no planificados y recursos insuficientes 2%
Los materiales no llegaron a tiempo 1%

4.2. Plan de Mejoras

Con base en la tabla 2, se decidió atacar las dos primeras causas raíz y definir sus respectivas propuestas de mejora, tal como se
muestra en la tabla 3.

Tabla 3 – Propuestas de mejora.

1- Planificación de tiempos - Tiempos de - Opción a) Previsión de tiempos de tareas mediante el método PERT de tres puntos - con la participación de los
actividades mal estimados responsables de cada centro de trabajo y así conseguir duraciones más realistas para la duración de cada actividad y para
la duración total del proyecto (critical path length) .

- Opción b) Previsión de tiempos de tareas mediante simulación Monte Carlo.

2- Control de tiempo - mal control de las - Reuniones semanales en producción de quince minutos o menos para verificar que los recursos humanos estén alineados con las
fechas y horas de las actividades metas a alcanzar, ayudar con los problemas que puedan surgir durante la semana de trabajo y asegurar la calidad del proyecto.

- Respetar la precedencia, así como las fechas de inicio de actividades a fin de evitar tiempos de espera de los
componentes entre actividades. Se pretende que los componentes se fabriquen donde su terminación sea
imprescindible para el inicio del siguiente montaje.

- Revisiones semanales del cronograma y elaboración de informes de avance de obra para que la secuenciación de
actividades se ajuste de acuerdo al trabajo realizado, pudiendo resolver posibles obstáculos de una manera más fluida y
asegurando la entrega del proyecto en la fecha de entrega acordada.

Las dos opciones que se presentan en la tabla 3 para estimar el tiempo se aplicarán a dos proyectos de producción, los cuales
discutiremos en 4.3, para que sea posible evaluar cuál de los métodos presentados traerá los mejores resultados.
292 José Silva et al. / Procedia Informática 196 (2022) 288–295

4.3. Implementación de mejoras

En este estudio de caso, se consideraron dos proyectos para la implementación del plan de mejora: Proyecto 1 - intercambiador de
calor de construcción tubular con 4000 mm de longitud y 356 mm de diámetro externo; Proyecto 2 - Condensador de construcción
tubular de 4270 mm de longitud y 356 mm de diámetro exterior. Las duraciones esperadas encontradas, aplicando el método
habitual de la empresa (analogía), para los dos proyectos fueron de 61 días para el Proyecto 1 y 45 días para el Proyecto 2,
distribuidas por los centros de trabajo asociados a sus procesos de fabricación.

Para la primera propuesta de mejora. La estimación de la duración de las actividades mediante el método de los 3 puntos se
determinó junto con los profesionales en una reunión, obteniendo así la duración optimista (to), la duración normal (tm) y la
duración pesimista (tp) para cada actividad. Al mismo tiempo, se compararon las duraciones esperadas (te) de las tareas con los
datos históricos para ayudar a las estimaciones, tratando de evitar su inflación. También se utilizó la estimación de Monte Carlo
según la metodología PERT [14], pero al estimar las actividades se percibió que sería importante considerar este método. Sin
embargo, oficializamos la metodología inicialmente planificada (PERT), pero el seguimiento de los proyectos para los clientes era la
metodología PERT e internamente, para futuras comparaciones, se utilizaba la planificación por el método Monte Carlo [15].

Para la segunda propuesta de mejora. Para el control de los proyectos se conformaron dos equipos multidisciplinarios de
profesionales, con elementos de los distintos centros de trabajo, como dibujo técnico, corte, fabricación de componentes, ensamble,
acabado y calidad. Durante las reuniones semanales se realizaron dos preguntas a los equipos de trabajo “¿Qué podemos cambiar
en nuestra forma de trabajar para mejorar prácticas y procesos?” y "¿Cuál es nuestro mayor problema para hacer el trabajo?" [7].
Estas dos preguntas tenían que ser respondidas de manera abierta y directa. El objetivo fue eliminar todo aquello que esté
“entorpeciendo” las buenas prácticas de los procesos y facilitar el trabajo de los equipos.

Se consideró en nuestro caso de estudio tres metodologías para la duración del proyecto, analogía, PERT (3 puntos) y Monte Carlo.
Las Tablas 4 y 5 presentan los 3 valores para el proyecto 1 y 2, respectivamente. La probabilidad de que el proyecto termine dentro
de la duración de las actividades críticas (duración del proyecto) es del 50%.

Tabla 4 - Tiempo de duración del proyecto 1.

método de analogía PERT (3 puntos) Monte Carlo

aDuración del proyecto [días] 61 49 53

Duración del proyecto con más de 5 días de retraso 66 54 58
Probabilidad de finalización del proyecto hasta 5 días de retraso No es un método probabilístico. 99,0% 92,7%

a - Suma de la duración de las actividades críticas del proyecto.

Tabla 5 - Tiempo de duración del proyecto 2.

método de analogía PERT (3 puntos) Monte Carlo

aDuración del proyecto [días] 49 38 41
Duración del proyecto con más de 5 días de retraso 54 43 46
Probabilidad de finalización del proyecto hasta 5 días de retraso No es un método probabilístico. 99,6% 94,1%

a - Suma de la duración de las actividades críticas del proyecto.

Como se muestra en la Tabla 4, la probabilidad de que el proyecto 1 finalice con una duración máxima de 5 días es del 99,0 %
con la metodología PERT y del 92,7 % con Monte Carlo. Para el proyecto 2, la Tabla 5 da 99,6% y 94,1%. Con estos altos
valores de probabilidad, puede ser triste que los métodos utilizados (PERT y Monte Carlo) brinden confianza para completar
el proyecto dentro del retraso esperado (5 días).
 José Silva et al. / Procedia Informática 196 (2022) 288–295 293

5. Análisis de resultados

Luego de la conclusión de los proyectos 1 y 2, se obtuvieron los datos necesarios para analizar la diferencia entre la duración
de las actividades en los centros de trabajo en relación a los tiempos planificados. Se calcularon dos desviaciones para los
proyectos de stand y se presentan en la Tabla 6 y la Tabla 7 en porcentaje. Las desviaciones calculadas en la columna
Histórico se obtuvieron a través de la diferencia entre la duración real y la duración prevista por el método de analogía; y las
desviaciones calculadas en la columna Real se obtuvo a través de la diferencia entre la duración real y la duración prevista
utilizando el PERT (3 puntos).

Tabla 6 - Diferencia entre la duración de las actividades en los centros de trabajo en relación a los tiempos planificados (proyecto 1).

Histórico Real
Centro de trabajo (% Desviación en horas) (% Desviación en horas)
Diseño / Técnica + 74% + 7%
Corte y pulido mecánico + 71% + 34%
Mecanizado + 77% + 37%
Radiales y Molinos + 84% + 11%
Doblado, soldadura y calandrado + 85% + 17%
Bombas / Luminarias + 87% + 35%
Fondos ahuecados, perfiles, tratamientos térmicos + 82% + 25%
Caldera pesada + 71% + 34%
radiografía + 50% + 4%
Decapado y pintura + 43% + 19%

En resumen, en el proyecto 1, los promedios de las desviaciones de las duraciones de los centros de trabajo para el histórico y para el real fueron de 72% y 22%
respectivamente, como se puede observar en la figura 2.

Figura 2 - Desviaciones promedio en centros de trabajo para el Proyecto 1.

Tabla 7 - Diferencia entre la duración de las actividades en los centros de trabajo en relación a los tiempos planificados (proyecto 2).

Histórico Real
Centro de trabajo (% Desviación en horas) (% Desviación en horas)
Diseño / Técnica + 71% + 4%
Corte y pulido mecánico + 76% + 27%
Mecanizado + 82% + 26%
Radiales y Molinos + 85% + 16%
Doblado, soldadura y calandrado + 81% + 33%

Bombas / Luminarias + 85% + 23%

Fondos ahuecados, perfiles y tratamientos térmicos 0% ------

Caldera pesada + 50% + 37%

radiografía + 50% + 35%
Decapado y pintura + 50% + 25%
294 José Silva et al. / Procedia Informática 196 (2022) 288–295

En resumen, en el proyecto 1, los promedios de las desviaciones de las duraciones de los centros de trabajo para el histórico y para el real fueron de 63% y 25%
respectivamente, como se puede observar en la figura 3.

Figura 3 - Desviaciones promedio en centros de trabajo para el Proyecto 2.

En base a los promedios obtenidos en el proyecto 1 (72% y 22%) y en el proyecto 2 (63% y 25%), se puede concluir que hubo
una mejora (diferencia entre histórica y cumplida) de 50% y 38% en el proyecto 1 y 2 respectivamente. También puede ser
triste que los proyectos de stand se completaron dentro del margen planificado sin exceder los cinco días de margen.

En la tabla 7 se presentan los tiempos de duración de los proyectos de stand atendiendo a los tiempos históricos, la duración real y las
estimaciones por PERT – estimación de 3 puntos, y la simulación Monte Carlo. Analizando los datos de la tabla 7 se pueden extraer dos
conclusiones principales: 1calle– Los proyectos 1 y 2 fueron concluidos dentro de los márgenes esperados (cinco días de atraso) para las técnicas
de estimación de tiempos de stand; 2Dakota del NorteMonte Carlo presentó mejor estimación que PERT – 3 puntos.

Tabla 7 - comparación entre la obra histórica y la realizada.

Proyecto 1 Proyecto 2
Histórico (días) 61 49
reales (días) 52 41
PERT – estimación de 3 puntos (días) 49 38
Estimación Monte Carlo (días) 53 41

6. Conclusiones

El objetivo de este estudio fue mejorar la planificación y el control de tiempo en la gestión de proyectos de una industria
metalmecánica con el fin de reducir los retrasos en las entregas. Utilizando los datos existentes, se realizó un análisis del proceso de
gestión de proyectos con miras a optimizar el sistema productivo. Utilizando el diagrama de Ishikawa, se identificaron y priorizaron
las principales causas raíz de las demoras en las entregas y se decidió concentrar los esfuerzos de mejora en las dos primeras: 1) -
Tiempos de actividades mal estimados; y 2) el control deficiente de las fechas y horarios de las actividades.

Para cumplir con los objetivos establecidos, se definió un caso de estudio para 2 proyectos
metalmecánicos diferentes. Para mitigar la causa 1) se aplicó PERT (tiempos de estimación de tres
puntos) y la simulación Monte Carlo para planificar los tiempos de duración de las actividades del
proyecto. Para mitigar la causa 2) esencialmente, se implementaron reuniones semanales para realizar el
control del proyecto. Luego de la implementación de las acciones propuestas, los resultados mostraron
que hubo ganancias del 50% y 38% en el promedio de desviaciones de tiempos para los dos diferentes
proyectos del caso de estudio y además se concluyeron dentro de los márgenes esperados. Comparando
los resultados entre PERT (tiempos de estimación de tres puntos) y Monte Carlo, este último dio la mejor
aproximación para los tiempos de competencia. Se puede concluir que,
 José Silva et al. / Procedia Informática 196 (2022) 288–295 295

Referencias

[1] EW Larson y CF Gray,Gerenciamento de Projetos - O proceso gerencial, 6aedición. Porto Alegre: AMGH, 2016., 2016.
[2] D. Dalcher, "Repensar el éxito en proyectos de software: mirar más allá de los factores de falla", enGestión de proyectos de software en un mundo
cambiante, G. Ruhe y C. Wohlin, eds. Berlín, Heidelberg: Springer Berlín Heidelberg, 2014.
[3] MM López Martín, CB García García, J. García Pérez, and MA Sánchez Granero, “Una alternativa para la estimación robusta en la Gestión de Proyectos,”
EUR. J.Oper. Res., vol. 220, núm. 2, págs. 443–451, julio de 2012, doi: 10.1016/J.EJOR.2012.01.058.
[4] H. Benedetto, MM e S. Bernardes, y D. Vieira, “Marco propuesto para estimar el esfuerzo en proyectos de diseño”,Revista Internacional de Gestión de
Proyectos en la Empresa, vol. 11, núm. 2, (17.04). Emerald, págs. 257–274, 2018, doi: 10.1108/ijmpb-03-2017-0022 [DOI].
[5] R. Jaifer, Y. Beauregard y N. Bhuiyan, "Nuevo marco para los controladores de esfuerzo y tiempo en proyectos de desarrollo de productos aeroespaciales"Ing.
Administrar j, vol. 33, núm. 2, págs. 76–95, 2021, doi: 10.1080/10429247.2020.1772950.
[6] IGP,PMBoK 6 - Guia do Conhecimento em Gestão de Projetos. Newtown Square, Pensilvania 19073-3299 EUA, 2017.
[7] J. Sutherland,Scrum - Un Arte de Fazer o Dobro. São Paulo: LeYa, 2014., 2014.
[8] R. Pinto y C. Dominguez, “Caracterización de la Práctica de la Gestión de Proyectos en 30 Empresas Metalmecánicas Portuguesas,”Tecnología Procedia.
, vol. 5, págs. 83–92, enero de 2012, doi: 10.1016/J.PROTCY.2012.09.010.
[9] Y. Kwak y L. Ingall, "Explorando las aplicaciones de simulación de Monte Carlo para la gestión de proyectos"Ing. Administrar Rev. IEEE, vol. 37, pág. 83,
2009, doi: 10.1109/EMR.2009.5235458.
[10] JLF Martins, MLR Ferreira y JMF Saraiva, “Estimativa da produtividade em soldagem pelo Método de Monte Carlo,”Soldag. Inspección, vol.
16, núm. 3, págs. 204–212, 2011, doi: 10.1590/s0104-92242011000300002.
[11] DP Kroese, T. Taimre y ZI Botev,manual de métodos de monte carlo. Wiley Blackwell, 2011.
[12] SS Rodríguez, “Minería de datos avanzada para la simulación de Monte Carlo en la gestión de proyectos”,Tecnología Procedia., vol. 9, págs. 705–711, 2014, doi:
10.1016/j.protcy.2013.12.078.

[13] CQ Li, G. Zhang y SM Hosseinian, "Un método rápido y preciso para predecir la confiabilidad del tiempo de finalización del proyecto".J. Civ. Ing. Administrar, vol.
23, núm. 1, págs. 37–46, 2017, doi: 10.3846/13923730.2014.953570.

[14] V. Platon y A. Constantinescu, “Método de Monte Carlo en el análisis de riesgos para proyectos de inversión”,Procedia Econ. Finanzas, vol. 15, núm. 14, págs. 393–
400, 2014, doi: 10.1016/s2212-5671(14)00463-8.

[15] MJ Fryer y RY Rubinstein, "Simulación y el método Monte Carlo".Estado JR. Soc. Ser. A, vol. 146, núm. 1, pág. 95, junio de 2006, doi:
10.2307/2981504.
Traducido del inglés al español - www.onlinedoctranslator.com

Futuros Sostenibles 5 (2023) 100103

Listas de contenidos disponibles enCienciaDirecta

Futuros Sostenibles

revista Página de inicio:www.sciencedirect.com/journal/sustainable-futures

La adopción de prácticas sostenibles de gestión de la cadena de suministro sobre el

rendimiento y la garantía de calidad de las empresas alimentarias

Juan KM Kuwornua,b,C,*, Janati KhaipetchC, Endro Gunawand,C, Richard Kwasi Bannora, Tien
DN Hob,mi
aDepartamento de Gestión de Agronegocios y Estudios del Consumidor, Universidad de Energía y Recursos Naturales, PO Box 214, Sunyani, Ghana
bDepartamento de Economía Agrícola y de Recursos, Universidad de Energía y Recursos Naturales, PO Box 214, Sunyani, Ghana
C Departamento de Alimentos, Agricultura y Biorrecursos, Escuela de Medio Ambiente, Recursos y Desarrollo, Instituto Asiático de Tecnología (AIT), Tailandia
dCentro Indonesio de Estudios Socioeconómicos y de Políticas Agrícolas, Ministerio de Agricultura, Indonesia
mi Facultad de Economía y Derecho, Universidad Tien Giang, My Tho, Viet Nam

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: Este estudio examinó el efecto de adoptar prácticas de gestión sostenible de la cadena de suministro (SSCM) en el desempeño sostenible
Gestión sostenible de la cadena de suministro de las empresas de alimentos y la garantía de calidad de los alimentos en Bangkok, Tailandia. Los datos primarios se recopilaron a través
Empresas alimentarias
de cuestionarios administrados a 126 empresas de alimentos en Bangkok. La regresión aparentemente no relacionada (SUR) se utilizó
Actuaciones sostenibles Aseguramiento de
para examinar el efecto de las prácticas internas y externas de gestión de la cadena de suministro sostenible en el desempeño sostenible.
la calidad de los alimentos
Se empleó el método de mínimos cuadrados ordinarios (OLS, por sus siglas en inglés) para examinar el efecto de los desempeños
Tailandia
sustentables en la garantía de calidad de la empresa de alimentos. El resultado empírico del estudio reveló que las técnicas internas y
externas de SSCM influyen positivamente en el desempeño financiero, ambiental y social de las empresas. Los indicadores de desempeño
sostenible (es decir, ambientales, financieros, y sociales) influyen positivamente en el aseguramiento de la calidad. Este estudio brinda
recomendaciones para la adopción de prácticas de SSCM por parte de las empresas de alimentos en Tailandia.

1. Introducción al desarrollo de un campo único de gestión sostenible de la cadena de suministro

Actualmente, la población mundial es más de tres veces mayor que a mediados del
siglo XX, y se estima en 8.000 millones a mediados de noviembre de 2022 frente a los
2.500 millones de personas estimados en 1950 ([1], pág. 3). Debido al aumento de la
población mundial, la alimentación se ha convertido en un tema crucial a medida que la
demanda de alimentos diferentes y de mayor calidad se vuelve eminente ([2]; Grupo de
consultoría Yamada [[3], 2018; [4]]. Como resultado, el suministro mundial de alimentos
alcanzará el 60 % en 2050 para satisfacer el crecimiento demográfico esperado [5]. Sin
embargo, los consumidores están comenzando a ser circunspectos sobre el origen de los
alimentos, los métodos de producción y si los alimentos son ecológicos o no.6,7].
A nivel mundial, las cadenas de suministro de alimentos (FSC, por sus siglas en inglés) se están
expandiendo para hacer coincidir la producción de alimentos de temporada con las crecientes demandas
de los consumidores de todo el mundo en términos de seguridad, sostenibilidad e impactos ambientales
que, a su vez, pueden afectar a las sociedades humanas y al bienestar [3,7,8]. Por ello, en los últimos
tiempos, el tema de la sustentabilidad en la cadena de suministro de alimentos (FSC) también ha sido una
gran preocupación entre las partes interesadas, lo que lleva
(SSCM) [7,9]. De varios sectores, como la fabricación y la energía, la industria
alimentaria es uno de los sectores más críticos que enfrenta múltiples desafíos
ambientales, económicos y sociales. Los tres también se conocen como el
resultado final triple (TBL), que contribuyen a la adopción de una estrategia de
sostenibilidad por parte de una empresa [7]. La gestión de las actividades de una
empresa de manera que no afecte negativamente al medio ambiente, o el impacto
ambiental negativo que surja de las actividades de las empresas, es el dominio
ambiental de la SSCM [7,10,11].
Tailandia es uno de los principales productores y exportadores de muchos alimentos
procesados, debido a sus aproximadamente 9.000 empresas de procesamiento de
alimentos. Las principales exportaciones de alimentos incluyen arroz, atún enlatado,
azúcar, carne, productos de mandioca y piña enlatada. La industria de alimentos y
bebidas de Tailandia aporta el 25% del producto interno bruto del país. El valor de las
exportaciones de alimentos tailandeses fue de $ 34,6 mil millones en 2021, un aumento
del 11,8% desde 2020 [12,13].
Ante esto, la industria alimenticia tailandesa se ha convertido en todo un
sector por el valor agregado de los productos agrícolas y distribuye tecnología

* Autor para correspondencia en: Departamento de Gestión de Agronegocios y Estudios del Consumidor, Universidad de Energía y Recursos Naturales, PO Box 214, Sunyani, Ghana.

Dirección de correo electrónico:john.kuwornu@uenr.edu.gh (JKM Kuwornu).

https://doi.org/10.1016/j.sftr.2022.100103
Recibido el 22 de julio de 2022; Recibido en forma revisada el 29 de noviembre de 2022; Aceptado el 12 de diciembre de 2022
Disponible en línea el 13 de diciembre de 2022
2666-1888/© 2022 Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
JKM Kuwornu et al.
avance y desarrollo en las zonas rurales más rápido que en otros sectores. Además,
proporciona ingresos a más de 10 millones de personas en pequeños hogares agrícolas
que viven en áreas rurales de Tailandia [14]. Generalmente, las prácticas de una empresa
de alimentos están relacionadas con la gestión sostenible de la cadena de suministro, ya
sea interna o externa, y pueden existir en varias formas. Las prácticas podrían verse
como enfoques basados en la planificación, la organización, la operación y la
comunicación [7]. De hecho, las prácticas de SSCM podrían influir en la calidad de los
alimentos debido a un acto de responsabilidad social y de gestión ambiental que exige a
la empresa anteponer la garantía de la inocuidad de los alimentos a un desempeño
sostenible [15].
Según Wang et al. [dieciséis], las empresas de alimentos han adoptado algunos
estándares de sostenibilidad, como ISO 9001 como estándar de sistema de gestión de
calidad, ISO 14001 como estándar de gestión ambiental e ISO 22000 como estándar de
gestión de seguridad alimentaria. Sin embargo, estos estándares no se mencionan como
códigos de conducta para que las empresas de alimentos de Tailandia operen como
empresas sostenibles, y los objetivos y resultados de la adopción de estos estándares
también están en duda. Además, muchas pequeñas y medianas empresas también
descubrieron que el costo de cambiar todo el proceso operativo para lograr los
estándares SSCM es alto y sin valor [7,17]. Por esta razón, la adopción de prácticas de
SSCM por parte de las empresas tailandesas de alimentos aún se encuentra en las
primeras etapas, ya que cada empresa tiene su comprensión y concepto de prácticas de
producción sostenible. En general, las pequeñas empresas de alimentos se preocupan
menos o nada por la sostenibilidad y los beneficios de ser sostenibles. Aparte de esto, la
mayoría de los estudios en Tailandia se han centrado en la gestión de la cadena de
suministro verde [18,19], con pocos estudios sobre las prácticas de SSCM en el FSC [20,21
].
Además, a nivel mundial y más importante en Asia, varios estudios han
investigado SSCM en varias industrias, particularmente la industria
manufacturera (ver [16,22,23]; Zeng et al.,2013), con pocos estudios en el
FSC [24].
A pesar de estos desafíos fundamentales y la riqueza de la investigación sobre
las prácticas de SSCM en las industrias manufactureras, se ha realizado poco
trabajo sobre el efecto de las prácticas internas y externas de SSCM en el
desempeño ambiental, financiero, social y de garantía de calidad en la industria
alimentaria en Tailandia. Por lo tanto, este estudio es un intento de investigar las
prácticas de SSCM en Tailandia, examinar el efecto de la adopción de prácticas de
SSCM tanto internas como externas en el desempeño sostenible de las empresas
de alimentos y el aseguramiento de la calidad de los alimentos en Tailandia. Los
resultados de este estudio mejorarán el conocimiento de las empresas de
alimentos sobre los efectos de SSCM en el rendimiento empresarial para ayudar a
mejorar su sostenibilidad y ventaja competitiva. Este estudio intenta responder a
las siguientes dos preguntas:
1 ¿Influye la adopción de prácticas internas y externas de SSCM
rendimiento sostenible de las empresas de alimentos en Tailandia?
2 ¿Cuál es el efecto de la adopción de prácticas de SSCM en la calidad de los alimentos?
aseguramiento por parte de las empresas de alimentos en Tailandia?
El resto del documento está estructurado de la siguiente manera:Sección 2
presenta la revisión de la literatura;Seccion 3presenta los materiales y métodos;
Sección 4presenta los resultados y discusiones; ySección 5proporciona las
conclusiones y recomendaciones.
2. Revisión de la literatura
2.1. Cadenas alimentarias y de suministro sostenibles
La cadena de suministro (SC) incluye el movimiento y almacenamiento de materias
primas, el inventario y el transporte de bienes desde la producción, el procesamiento, la
distribución y el consumo. La gestión de la cadena de suministro (SCM) es la gestión del
flujo de bienes y servicios desde la producción, cosecha, almacenamiento, transporte y
procesamiento de muchos actores en la cadena de suministro (es decir, productores,
fabricantes, mayoristas, distribuidores y minoristas) [15]. El SCM utiliza teorías de gestión
para diseñar, recolectar, preservar, distribuir y rastrear productos desde el principio
hasta el final de la cadena de suministro.25,26]. Perdana et al. [25] Establece eso, afirma
eso
2
Futuros Sostenibles 5 (2023) 100103
La cadena de suministro de alimentos (FSC) es un conjunto de actividades para
proporcionar alimentos a la sociedad y mantener la seguridad alimentaria. Desde las
etapas de producción hasta las de consumo, los factores económicos, sociales,
ambientales y políticos son desafíos importantes para lograr el desarrollo sostenible del
sector alimentario. El SCM es crucial en la industria de procesamiento de alimentos
porque el tiempo juega un papel importante para el uso de materias primas de alta
calidad, bajo costo y efectivo.27].
La gestión de la cadena de suministro de alimentos (FSCM) se refiere a la
producción, distribución y consumo para mantener la calidad y la seguridad de
diferentes alimentos con un modus operandi eficaz y eficiente. La FSCM es muy
importante, dado su papel fundamental en la satisfacción de las necesidades del
ser humano [28]. Estudios anteriores han enfatizado los efectos breves del FSC y
han explicado los procesos mediante los cuales estos efectos podrían mejorar los
beneficios para el productor, el consumidor y la comunidad [7,29–32].
Wang et al. [dieciséis] defendió que el FSC puede ser más sostenible al garantizar la
inocuidad de los alimentos, en particular la alta calidad de los alimentos, el uso de tecnología,
una mayor eficiencia de los recursos, la educación de los empleados y una mayor comprensión
de la demanda de los consumidores. Por ejemplo, los alimentos cosechados almacenados deben
distribuirse y venderse al por menor para la satisfacción final del consumidor; sin embargo, a
nivel mundial, más del 30 % de los alimentos se pierden o desperdician cada año debido a un FSC
deficiente [15,33]. A nivel mundial, alrededor del 14 % de los alimentos producidos se pierde en
las etapas de cosecha y venta al por menor, y alrededor del 17 % de la producción mundial total
de alimentos se desperdicia (11 % en los hogares, 5 % en el servicio de alimentos y 2 % en la
venta al por menor) [33]. Por lo tanto, se necesitan estrategias efectivas para reducir las pérdidas
y el desperdicio de alimentos para alimentar a una población en crecimiento sin aumentar las
huellas ambientales de la agricultura.15].
Según Mastos y Gotzamani [7], la gestión sostenible de la cadena de
suministro (SSCM) opera bajo las tres dimensiones de los objetivos de desarrollo
sostenible: sostenibilidad ambiental, económica y social. Para el desempeño
sostenible de la cadena de suministro, es necesario medir los parámetros
económicos, ambientales, operativos y sociales [34]. Las prácticas de SSCM
continúan influyendo en el desempeño de la cadena de suministro (SCP) en los
países emergentes, especialmente en Tailandia, Corea del Sur, India, Malasia,
Indonesia, China y Taiwán. La implementación de prácticas de SSCM podría ayudar
a las empresas a aumentar sus participaciones de mercado y sus ganancias.
Además de los beneficios financieros, las prácticas de SSCM también ayudan a las
empresas a cumplir con sus responsabilidades con la sociedad, el medio ambiente
y otras partes interesadas en el FSC [15,35].
Según Wang et al. (2017) y Mastos y Gotzamani [7], la garantía de calidad (QA)
es obligatoria para el desarrollo de la inocuidad de los alimentos en FSC. Para
implementar el aseguramiento de la calidad en los alimentos, son apropiados
estándares como la gestión de calidad total (TQM), la mejora continua y los
estándares ISO 9000. Los sistemas QA (QAS) mejorarían la satisfacción de las
expectativas implícitas y explícitas de los clientes y la competitividad de las
empresas de la industria alimentaria. La continua interacción de los agronegocios
con los mercados competitivos exige cada vez más la eficiencia y confiabilidad de
sus productos y servicios como aspectos cruciales de la competitividad. Las
empresas implementan el QAS, como la Organización Internacional de
Normalización 9000 (ISO), la Gestión de Calidad Total, el Análisis de Peligros y
Puntos Críticos de Control (HACCP) y los códigos de Buenas Prácticas de
Fabricación (GAP) para lograr una garantía de calidad efectiva (Wang et al. , 2017; [
15]). Esto se debe a que la calidad fomenta una mayor atracción de clientes y
menores costos operativos. Si bien los esquemas de control de calidad (QA)
acumulan gastos, también brindan beneficios y refuerzan la posición competitiva
de una empresa.
En Tailandia, la expansión de los supermercados y la venta minorista moderna comenzó en
la década de 1990 debido a las enormes inversiones extranjeras [15,36] y un aumento en los
ingresos per cápita y el desarrollo económico en las principales ciudades, como Bangkok, lo que
provocó un cambio en la dieta de los residentes. Las personas requieren más productos
alimenticios de alta calidad, lo que induce muchos cambios en los sistemas alimentarios y una
coordinación más estrecha entre los actores de las cadenas de suministro de alimentos [15,37].
Estos cambios sociales requieren innovaciones sociales y tecnológicas junto con la comprensión
de las preferencias de los consumidores, si las empresas alimentarias quieren seguir siendo
competitivas. Por lo tanto, tanto los factores internos como los externos son relevantes y podrían
influir significativamente en el desempeño de las empresas de alimentos. Por ejemplo, una
empresa de alimentos puede reducir los desechos al
JKM Kuwornu et al. Futuros Sostenibles 5 (2023) 100103

introduciendo estándares tecnológicos y de calidad alimentaria avanzados. tabla 1

Mientras tanto, de estudios previos, el fundamento de la evaluación de la calidad de Variables, descripción y expectativa a priori.
los alimentos es generalmente subjetivo, con varias características de los alimentos. Variable Descripción Esperado
– como los atributos nutricionales y de seguridad de los alimentos o su firmar

apariencia, olor, textura y sabor, que generalmente son juzgados por inspectores Dependiente
humanos [7,15]. Sin embargo, existen estudios limitados sobre los conocimientos Variables
cualitativos y cuantitativos sobre el impacto de los factores internos y externos en EP Desempeño Ambiental
el desempeño de las empresas, una de las partes interesadas clave en las cadenas FP Desempeño Financiero
SP Desempeño social
de suministro de alimentos [15]. Del mismo modo, las estrategias para mejorar el
FQA Aseguramiento de la calidad de los alimentos

desempeño ambiental, financiero y social y el aseguramiento de la calidad de los Variables independientes

alimentos están subrepresentadas en la literatura, mientras que el énfasis en tales FQA1 Inquietudes sobre las especificaciones de los productos Cumplimiento +
temas a menudo no se refleja en las pautas y políticas.15]. FQA2 de los objetivos de los criterios o estándares de calidad especificados +
Por otro lado, cuando las actividades de una empresa mejoran los medios de vida de
FQA3 Registros de productos retirados +
la comunidad y de los empleados individuales, se considera que ha cumplido con el FQA4 Efectos de la calidad sobre el aumento de la cuota de mercado y el +
dominio social de la SSCM [11,22,38]. El dominio económico del SSCM se ocupa de rendimiento de las ventas

mejorar los beneficios financieros de la empresa, como la participación en el mercado, la FQA5 Efecto de los comentarios de los clientes sobre la mejora de la calidad +
del producto.
reducción de costos y las ganancias acumuladas para la empresa.7,11,39]. Las prácticas
EM la gestion ambiental
de SSCM pueden ser internas o externas. Centrarse en cada uno o en ambos tiene un
galones por minuto Prácticas generales de gestión ambiental Producción +
impacto positivo en el desempeño de la empresa [11,dieciséis]. Las empresas de GFP de alimentos verdes +
alimentos se están enfocando en promover prácticas sostenibles de gestión de la cadena SORBER Embalaje Sostenible +
de suministro (SSCM) [40]. A través de SSCM, las empresas de alimentos se beneficiarían EPM Gestión de Protección Ambiental La +
SM gestión socialmente responsable Gestión +
al mantener la viabilidad económica (beneficio), sin implicaciones graves para el medio
SM1 de Seguridad Alimentaria +
ambiente (planta) y los sistemas sociales (personas) [41,42]. En efecto, las prácticas
SM2 Protección de los derechos de los empleados de +
ambientales y sociales de SSCM tienen un efecto positivo en el desempeño al reducir SM3 servicios sociales y filantropía +
costos significativos (reemplazo de proveedores que no cumplen) y asuntos operativos SMA El seguimiento y la evaluación de los miembros de la cadena de +
suministro
(retrasos en la entrega por mano de obra) relacionados con los proveedores [7,43]. En
SMA1 La participación en la gestión del proceso de +
este sentido, cobra relevancia la realización del triple bottom line (TBL), si bien no es
calificación y selección de proveedores
obligatorio [44], y las empresas de alimentos que adoptan el enfoque TBL podrían SMA2 Medidas estratégicas de desempeño con proveedores +
utilizarse como criterio para confirmar los esfuerzos sostenibles [34]. Varios estudios han SMA3 Preocupación por los factores organizativos de los proveedores +
investigado SSCM en varias industrias, particularmente en la industria manufacturera, SMA4 Preocupación por los factores ambientales en la decisión de +
selección de proveedores
con pocos estudios en el FSC [24]. Por ejemplo, Mitra y Datta [45] analizó la diversidad
SMA5 La adopción de procesos de evaluación del desempeño de los +
que influye en las cadenas de suministro sostenibles; y Glover [41] exploró el lado oscuro
proveedores
de las cadenas de suministro de productos lácteos sostenibles impulsadas por los SMA6 Dependencia de la opinión de la gerencia o de expertos y +
supermercados. das [46] examinó prácticas sostenibles en SCM y su impacto en el del desempeño y decisiones anteriores del proveedor

desempeño de la empresa (es decir, prácticas sociales y ambientales en el desempeño de SMA7 Monitoreo de proveedores individuales +
SCC La colaboración de los miembros de la cadena de +
SCM y SSCM). Fan et al. [23] analizó el efecto de las prácticas de SSCM en el desempeño
SCC1 suministro Adopción de la integración tecnológica Adopción +
de las empresas manufactureras vietnamitas. Asimismo, varios estudios han analizado la SCC2 de la integración logística Énfasis en una comunicación +
influencia de las prácticas de SSCM en el desempeño de una empresa a diferentes niveles SCC3 mejorada Preocupación por la calidad de la información +
en diferentes países [16,22]. Recientemente, Kitsis y Chen [44] analizó los motivos para SCC4 compartida a lo largo de la cadena de suministro +
conducir SSCM. En Tailandia, la mayoría de los estudios se han centrado en la gestión de
SCC5 Preocupación por la transparencia entre individuos +
la cadena de suministro ecológica [18,19], con pocos estudios sobre las prácticas de
SCC6 Desarrollo conjunto con socios en la cadena de +
SSCM en el FSC [20,21]. suministro
SCC7 Compromiso en la relación a largo plazo con los +
En términos de aseguramiento de la calidad, las prácticas de SSCM podrían influir en proveedores

la calidad de los alimentos debido a un acto de responsabilidad social y los aspectos de

gestión ambiental que requieren que la empresa anteponga el aseguramiento de la
2.2. Marco teórico
inocuidad de los alimentos al desempeño sostenible [15].
Una revisión de la literatura [15,47] de SSCM sugiere que pocos estudios consideran
Las teorías dominantes empleadas para explicar SSCM incluyen la teoría de la Vista
simultáneamente todos los aspectos de la sostenibilidad (perspectivas financieras,
Basada en Recursos (RBV), la teoría del Costo de Transacción, la teoría Institucional y la
sociales y ambientales). Si bien muchos investigadores han examinado el área de la
teoría de las Partes Interesadas.48]. Sin embargo, dado que este estudio investigó la
cadena de suministro de alimentos y su sostenibilidad, se han realizado pocas
influencia de las prácticas externas e internas en los indicadores de desempeño de SSCM,
investigaciones sobre los efectos de las prácticas internas y externas de SSCM en el
la teoría de la Vista basada en recursos y la teoría de las partes interesadas se utilizaron
desempeño sostenible y la garantía de la calidad de los alimentos. Además, los estudios
para respaldar este estudio. La teoría RBV se adoptó para explicar el efecto de las
anteriores se centraron en los aspectos de desempeño económico y ambiental, mientras
prácticas internas de la cadena de suministro en el desempeño de la cadena de
que la dimensión social y la integración de las tres dimensiones de la sostenibilidad no
suministro, mientras que la teoría de las partes interesadas se utilizó para explicar el
fueron examinadas [7,22]. Mientras tanto, dado que las empresas están asumiendo la
efecto de las prácticas externas de la cadena de suministro en el desempeño de la
responsabilidad de cumplir con los requisitos de calidad de los alimentos, encontrar
cadena de suministro. La Vista basada en recursos (RBV) se basa en la idea de que los
opciones para abordar las huellas ambientales mientras se logra el desempeño
recursos disponibles para una empresa afectan su éxito. Estos recursos permiten que la
financiero, el desempeño social y la garantía de la calidad de los alimentos es
empresa funcione y proporcionan una clara ventaja competitiva. La RBV sostiene que
fundamental para el sostenimiento de las cadenas de suministro de alimentos. Por lo
utilizar los recursos existentes de manera eficaz y eficiente mejora la capacidad de una
tanto, este documento examina el efecto de la adopción de prácticas internas y externas
empresa para aprovechar las posibilidades externas [49]. Por lo tanto, los recursos
de SSCM en el desempeño sostenible y el aseguramiento de la calidad de los alimentos
disponibles a disposición de una empresa aumentan la adopción de prácticas de gestión
de las empresas de alimentos en Tailandia.
ambiental (EM) y gestión de la responsabilidad social (SM), como la producción de
alimentos ecológicos, el envasado sostenible, la protección del medio ambiente

3
JKM Kuwornu et al.
Figura 1.Mapa del área de estudio en Bangkok, Tailandia.
Fuente: Adaptado de Peungnumsai et al. [52].
seguridad alimentaria, servicio social y filantropía, y protección de los derechos de los
empleados (consultetabla 1). Por lo tanto, se espera que las prácticas de gestión
ambiental y gestión de la responsabilidad social, que forman la construcción de la teoría
RBV en este estudio, afecten significativamente el desempeño sostenible de la cadena de
suministro. En contraste, la teoría de las partes interesadas propugnaba que las
actividades de las empresas afectan tanto a partes internas como externas.48]. La
obligación de una empresa de estar a la altura de las expectativas de sus grupos de
interés se conoce como responsabilidad social corporativa.50]. Al integrar la vasta red de
jugadores en su estrategia, las empresas pueden asegurar su supervivencia a largo plazo
y mantener su derecho a operar. Este estudio considera que las empresas no se enfocan
únicamente en sus procesos internos para mejorar su desempeño. Así, aseguran una
adecuada relación entre sus proveedores y otros stakeholders para mantener relaciones
a largo plazo con estos actores. Por lo tanto, las actividades externas como el monitoreo
y evaluación de los miembros de la cadena de suministro (SMA) y la colaboración de los
miembros de la cadena de suministro (SCC) (consultetabla 1para prácticas específicas en
cada uno) se consideran cruciales para mejorar el desempeño de la cadena de
suministro. En consecuencia, se espera que las prácticas de monitoreo y evaluación de
los miembros de la cadena de suministro (SMA) y de colaboración de los miembros de la
cadena de suministro (SCC) que forman el constructo de la teoría de las partes
interesadas en este estudio afecten significativamente el desempeño sostenible de la
cadena de suministro.
3. Material y método
3.1. Área de estudio
Este estudio se realizó en el área metropolitana de Bangkok, conocida como la
ciudad capital de Tailandia (Figura 1). Se encuentra en 13◦44′12.1812′'N y 100◦31′
23.4696′'E. Bangkok tiene una superficie total de aproximadamente 156.900
hectáreas (ha) y su población es de unos 5,59 millones de personas (8,5% de la
población total de Tailandia) [51]. Un aumento en la población, el desarrollo
económico, el estilo de vida y consumo y el sistema de transporte indujeron la
expansión del mercado de alimentos en Bangkok en comparación con otras
regiones de Tailandia.3]. Los ciudadanos de Bangkok son los que más contribuyen
al notable crecimiento del gasto en comidas fuera de casa, ya que las familias y las
personas de las zonas urbanas tienen largas jornadas de trabajo y tiempo limitado
para cocinar en casa. El aumento de los ingresos y la gran variedad de productos
disponibles en las zonas urbanas también les animan a comer fuera de casa con
frecuencia. En consecuencia, estos factores aumentan la demanda de productos
alimenticios de calidad con buen sabor, seguridad y confiabilidad.3].
4
Futuros Sostenibles 5 (2023) 100103
3.2. Tamaño de la muestra, técnica de muestreo y recopilación de datos
Los datos principales de este estudio se recopilaron de empresas tailandesas de
alimentos registradas en la metrópoli de Bangkok, Tailandia. Según el Instituto Nacional
de Alimentos-NFI [53], el número de empresas tailandesas de alimentos registradas en
Bangkok Metropolis, Tailandia, fue de 1.967. Adoptando la fórmula de Yamane [54], el
tamaño de la muestra se calculó de la siguiente manera:
1967
(
norte
norte = = ) =95.2≈95 empresas (1)
1 +norte(mi2) 1 + 1,967 0.12
dóndenortedenota la población total,midenota el margen de error de la muestra
de selección (0.10), ynortedenota el tamaño de la muestra.
Por lo tanto, el tamaño de la muestra de este estudio fue, al menos, de 95 empresas de
alimentos procesados en Bangkok, Tailandia.
Se utilizó una técnica de muestreo de varias etapas para recopilar datos de las
empresas de alimentos en la metrópolis de Bangkok, Tailandia, de junio a agosto de
2019. En primer lugar, se seleccionaron intencionalmente las empresas de alimentos
tailandesas adecuadas en la metrópolis de Bangkok. En segundo lugar, se empleó un
método estratificado para categorizar la población de las empresas de alimentos de 1976
en seis grupos según los ingresos anuales de 2017. En tercer lugar, se empleó el método
de muestreo proporcional para calcular el tamaño de la muestra de cada grupo (consulte
Tabla 3 para detalles). Posteriormente, se empleó una técnica aleatoria simple para la
recolección de datos. En total, se utilizó un tamaño de muestra de 126 empresas para
mejorar la precisión de los resultados del estudio, reduciendo así el margen de error a
0,0862 (nivel de confianza del 91,38%).
Para asegurar la calidad de las respuestas, cada encuestado fue
entrevistado durante aproximadamente una hora. Se usó el idioma tailandés
para facilitar la discusión, y luego se convirtió el resultado al inglés para el
informe final.
En este estudio, se utilizó un cuestionario estructurado para la recolección de datos.
En el cuestionario se utilizó una escala tipo Likert de siete puntos de la siguiente manera:
1=muy en desacuerdo, 2=moderadamente en desacuerdo, 3=ligeramente en desacuerdo,
4=neutral, 5=ligeramente de acuerdo, 6=moderadamente de acuerdo y 7=muy de
acuerdo. Se preguntó a los encuestados sobre las características demográficas (es decir,
los ingresos totales y el tipo de productos). Con base en el objetivo principal de este
estudio, primero se recopilaron datos sobre el desempeño de las empresas (es decir,
desempeño ambiental, desempeño financiero y desempeño social) y garantía de calidad.
Las prácticas de la SSCM se agruparon en prácticas internas y externas. En
este estudio, las prácticas internas de la SSCM incluyeron dos principales
JKM Kuwornu et al.
factores: gestión ambiental (incluidas las prácticas generales de gestión
ambiental, producción de alimentos ecológicos, embalaje sostenible y
gestión de la protección del medio ambiente) y gestión socialmente
responsable (incluida la gestión de la inocuidad de los alimentos, el servicio
social y la filantropía, y la protección de los derechos de los empleados).
Alternativamente, las prácticas externas de SSCM constaban de dos
secciones principales: monitoreo y evaluación de los miembros de la cadena
de suministro; y la colaboración de los miembros de la cadena de
suministro. El monitoreo y la evaluación de los miembros de la cadena de
suministro incluyeron la participación en la gestión del proceso de selección
y calificación de proveedores, medidas de desempeño estratégico con los
proveedores, preocupación por los factores organizacionales de los
proveedores, preocupación por los factores ambientales en las decisiones de
selección de proveedores, la adopción de procesos de evaluación del
desempeño de los proveedores,
3.3. Método de análisis
Se emplearon estadísticas descriptivas, incluida la frecuencia y el
porcentaje, para explorar los datos sobre las empresas de alimentos.
Para los análisis econométricos, primero, se utilizó la regresión
aparentemente no relacionada (SUR) para determinar el efecto de las
prácticas internas y externas de SSCM en el desempeño sostenible. El
SUR se utilizó para analizar las ecuaciones sobre el efecto de las
prácticas internas y externas de SSCM en los indicadores de
desempeño sostenible de las empresas de alimentos (es decir,
ambiental, financiero y social). SUR es un procedimiento de estimación
de sistemas compuesto por ecuaciones de regresión múltiple, con
variables dependientes y conjuntos muy diferentes de variables
independientes. Este enfoque tiene en cuenta las correlaciones
contemporáneas de errores entre ecuaciones. Segundo,
Primero, los valores del índice se calcularon como representativos de cada
grupo de preguntas como una variable. Por ejemplo, el desempeño sustentable se
midió usando constructos de desempeño financiero, ambiental y social. Siguiendo
a Zhu et al. [55], las medidas de desempeño financiero incluyeron seis variables
que se midieron utilizando una escala de Likert. Asimismo, el desempeño
financiero, el desempeño social y el aseguramiento de la calidad incluyeron ocho,
cuatro y cinco variables en una escala de Likert, respectivamente.
Para calcular el valor del índice, se calculó el puntaje total de cada grupo de
preguntas y se dividió por el número total de preguntas en cada grupo en
particular, como se muestra enecuación (2):
∑norte
i=∑ i=0Snorte
(2)
norte
dóndeidenota el valor del índice,Sdenota la puntuación de cada grupo
de preguntas, ynortedenota el número de preguntas en el grupo
(consultetabla 1para mas detalles).
Después de calcular todos los valores del índice para las variables, se utilizaron
para las regresiones (es decir, SUR y OLS).
tabla 1muestra las variables independientes, incluidas las prácticas internas de
SSCM y las prácticas externas de SSCM. Las prácticas internas de SSCM consisten
en dos factores clave: la gestión ambiental (EM) y la gestión de la responsabilidad
social (SM). Las prácticas externas de SSCM se definieron por dos factores
principales: monitoreo y evaluación de los miembros de la cadena de suministro
(SMA) y colaboración de los miembros de la cadena de suministro (SCC). Cada uno
de estos factores principales consta de varios subfactores (como se muestra en
tabla 1), y Tabla 1aen el Apéndice se presentan las pruebas de confiabilidad de
todas las escalas utilizadas en este estudio. Todos los constructos bajo desempeño
sustentable, prácticas internas y externas de SSCM y aseguramiento de la calidad
son internamente consistentes con los valores alfa de Cronbach que fueron
superiores a 8.0, lo que indica la confiabilidad o consistencia interna del conjunto
de escalas utilizadas en este estudio. En este estudio se empleó el paquete
Microsoft Excel y STATA versión 17 para el análisis de datos.
5
Futuros Sostenibles 5 (2023) 100103
3.3.1. Prácticas internas de la SSCM sobre desempeño sostenible
Primero, para examinar el efecto de las prácticas internas de SSCM en el desempeño
sostenible, se especifican tres ecuaciones de la siguiente manera.
El modelo empírico del efecto de las prácticas internas de SSCM en el
desempeño ambiental se especifica enecuación (3):
EP=α0+α1galones por minuto+α2GFP+α3SORBER+α4EPM+α5SM1+α6SM2
+ α7SM3+mi (3)
dóndeEPdenota desempeño ambiental,αidenota los parámetros a
estimar, ymidenota el término de error, y el resto de las variables son
como se definen entabla 1.
El modelo empírico del efecto de las prácticas internas de SSCM en el
desempeño financiero se especifica enecuación (4):
FP=β0+β1galones por minuto+β2GFP+β3SORBER+β4EPM+β5SM1+β6SM2
+ β7SM3+m (4)
dóndeFPdenota desempeño financiero,βidenota los parámetros a estimar, y
mdenota el término de error, y el resto de las variables son como se definen
entabla 1.
El modelo empírico del efecto de las prácticas internas de SSCM en el
desempeño social se da enecuación (5):
SP=γ0+γ1galones por minuto+γ2GFP+γ3SORBER+γ4EPM+γ5SM1+γ6SM2
+ γ7SM3+v (5)
dóndeSPdenota desempeño social,γidenota los parámetros a estimar, y
vdenota el término de error, y el resto de las variables son como se
definen entabla 1.
3.3.2. Las prácticas externas de la SSCM sobre el desempeño sostenible En segundo
lugar, para examinar el efecto de las prácticas externas de SSCM en el desempeño
sostenible, se especifica otro conjunto de tres ecuaciones de la siguiente manera.
El modelo empírico del efecto de las prácticas externas de SSCM en el
desempeño ambiental se especifica enecuación (6):
EP1=φ0+φ1SMA1+φ2SMA2+φ3SMA3+φ4SMA4+φ5SMA5+φ6SMA6+ φ7SMA7+
φ8SCC1+φ9SCC2+φ10SCC3+φ11SCC4+φ12SCC5+φ13SCC6+ φ14SCC7+k
(6)
dóndeEP1denota desempeño ambiental,φidenota los parámetros a
estimar, ykdenota el término de error, y el resto de las variables son
como se definen entabla 1.
El modelo empírico del efecto de las prácticas externas de SSCM en el
desempeño financiero se especifica enecuación (7):
FP1=ω0+ω1SMA1+ω2SMA2+ω3SMA3+ω4SMA4+ω5SMA5+ω6SMA6+
ω7SMA7+ω8SCC1+ω9SCC2+ω10SCC3+ω11SCC4+ω12SCC5+ω13SCC6+
ω14SCC7+norte
(7)
dóndeFP1denota desempeño financiero,ωnortedenota los parámetros a
estimar, ynortedenota el término de error, y el resto de las variables son
como se definen entabla 1.
El modelo empírico del efecto de las prácticas externas de SSCM en el
desempeño social se da enecuación (8):
SP1=yo0+yo1SMA1+yo2SMA2+yo3SMA3+yo4SMA4+yo5SMA5+yo6SMA6+yo7SMA7+ yo8SCC1+yo9
SCC2+yo10SCC3+yo11SCC4+yo12SCC5+yo13SCC6+yo14SCC7+metro
(8)
dóndeSP1denota desempeño social,yonortedenota los parámetros a estimar,
ymetrodenota el término de error, y el resto de las variables son como se
definen entabla 1.
JKM Kuwornu et al. Futuros Sostenibles 5 (2023) 100103

Tabla 2 Tabla 5
Información demográfica de las empresas categorizadas por año de Resultados del efecto de las prácticas internas de SSCM en el desempeño sostenible.
establecimiento.
No. Variables Coeficiente Estándar t- pag-valor

Año de establecimiento Frecuencia Porcentaje (%) Error Estadística

1925 – 1949 5 3,97% 1 Prácticas generales de 0.235 0.049 4.795 0.000***

1950 - 1974 22 17,46% ambiental
1975 - 1999 60 47,62% gestión
2000 - 2018 39 30,95% 2 producción de alimentos verdes 0.048 0.040 1.198 0.231
Total 126 100,00% 3 Embalaje Sostenible - 0.333 0.059 - 5.633 0.000***
4 Gestión de Protección 0.329 0.068 4.871 0.000***
Fuente: Encuesta de autores (2019). Ambiental
5 Gestión de la seguridad alimentaria 0.208 0.063 3.312 0.001***
6 Servicio Social y 0.023 0.043 0.530 0.596
Tabla 3 Filantropía
Información demográfica de las empresas categorizadas por ingresos totales en 7 Derecho de los empleados 0.049 0.072 0.678 0.498
Proteccion
2017.
8 Prácticas generales de 0.292 0.058 5.024 0.000***
Ingresos en 2017 (1000 THB) Frecuencia Porcentaje (%) ambiental
gestión
menos de 1,000 7 5,56%
9 producción de alimentos verdes 0.072 0.047 1.524 0.128
1,000 - 9,999 29 23,02%
10 Embalaje Sostenible - 0.397 0.070 - 5.634 0.000***
10,000 - 99,999 38 30,16%
11 Gestión de Protección 0.396 0.078 5.054 0.000***
100.000 - 999.999 25 19,84%
Ambiental
1,000,000 - 9,999,999 19 15,08%
12 Gestión de la seguridad alimentaria 0.259 0.072 3.602 0.000***
10,000,000 y más 8 6,35%
13 Servicio Social y 0.094 0.050 1.881 0.060*
Total 126 100,00%
Filantropía
Fuente: Encuesta de autores (2019). Nota: 1 THB= 0,0322 USD. 14 Derecho de los empleados 0.011 0.084 0.135 0.893
Proteccion
15 Prácticas generales de 0.205 0.040 5.125 0.000***
ambiental
Tabla 4
gestión
Información demográfica de las empresas categorizadas por el tipo principal de
dieciséis producción de alimentos verdes 0.049 0.033 1.503 0.133
productos.
17 Embalaje Sostenible - 0.295 0.048 - 6.086 0.000***
tipo de productos Frecuencia Porcentaje 18 Gestión de Protección 0.294 0.054 5.430 0.000***
Ambiental
Productos avícolas 32 25,40% 19 Gestión de la seguridad alimentaria 0.204 0.050 4.091 0.000***
Bocadillos 15 11,90% 20 Servicio Social y 0.069 0.035 2.001 0.046**
Mariscos procesados 15 11,90% Filantropía
Alimentos procesados 13 10,32% 21 Derecho de los empleados - 0.013 0.058 - 0.228 0.820
Mariscos 9 7,14% Proteccion
Alimentos frescos y procesados 7 5,56%
Embutidos 7 5,56% Nota: ***, ** y * indican significancia estadística al 1 %, 5 % y 10 %,
frutas enlatadas 6 4,76% respectivamente.
Aceite de cocina 5 3,97% R21= 0.7711,R2 2= 0.8460,R2 3= 0.8077,R2 4= 0.8077,R2 5= 0.7549,R2 6=
Fideos 5 3,97%
0.8504.
Frutas y verduras congeladas 3 2,38%
Productos de azúcar 3 2,38%
comida de panadería 2 1,59%
Comida enlatada 2 1,59%
2018 (30,95%). De 1950 a 1974 iniciaron sus negocios 22 empresas
Gallina, huevo 1 0.79%
Carne fresca y procesada 1 0.79%
(17,46%), mientras que entre 1925 y 1949 sólo se establecieron cinco
Total 126 100,00% (3,97%).
Basado en los ingresos totales de 126 empresas en 2017, este estudio dividió
Fuente: Encuesta de autores (2019).
el rango de ingresos en seis grupos (Tabla 3). Los datos mostraron que, en 2017, el
6,35 % de las empresas obtuvieron los mayores ingresos de más de 1 billón de
3.3.3. Las actuaciones sostenibles en el aseguramiento de la calidad
THB de ingresos netos, mientras que solo el 5,56 % tuvo menos de 1 millón de THB
El estudio también examinó el efecto del desempeño sostenible en el aseguramiento de la
de ingresos netos en 2017. La mayoría de las empresas (30,16 %) tenían un
calidad de los alimentos.ecuación (9)es el modelo empírico del efecto del desempeño sostenible
ingreso neto de entre 10 millones de baht tailandeses (THB) y menos de 100
en el aseguramiento de la calidad de los alimentos.
millones de THB, seguido por el 23,02% de las empresas que lograron ingresos
control de calidad=METRO0+METRO1EP+METRO2FP+METRO3SP+q (9) netos entre 1 millón de baht y 10 millones de baht.
Había 16 tipos diferentes de productos principales vendidos por cada empresa
dóndecontrol de calidaddenota garantía de calidad;PE, FP, ySPdenotan (Tabla 4). Aproximadamente el 25% de las empresas en este estudio participaron
desempeño ambiental, desempeño financiero y desempeño social, en productos avícolas. Los snacks y pescados y mariscos procesados
respectivamente;METROidenota los parámetros a estimar; yqdenota el compartieron el mismo valor del 11,9% del total de empresas. Otros productos
término de error. muestran valores más bajos de menos del 11%. Solo una (1) empresa se dedica a
huevos de gallina, carne fresca y procesada (0,79%).
4. Resultados y discusión Desde el año 2000, los tailandeses han consumido más productos avícolas
debido al precio asequible y la buena proteína, en comparación con otros tipos de
4.1. Características sociodemográficas de las empresas alimentarias carne, como cerdo, res y cabra. La carne de pollo, las comidas preparadas de aves
de corral y los nuggets de pollo son ejemplos de productos avícolas que siempre
Tabla 2muestra las características demográficas de las 126 empresas incluidas están disponibles en supermercados, tiendas de conveniencia, restaurantes de
en la muestra en Bangkok, Tailandia. Los resultados indicaron que casi la mitad de comida rápida y mercados húmedos. En particular, los restaurantes de comida
las empresas de este estudio iniciaron sus negocios durante el período 1975-1999 rápida ofrecen diferentes menús para comidas avícolas y amplían
(47,62%), seguidas de las empresas establecidas durante 2000- significativamente sus redes como líder en la cadena nacional [3,56]. Es el

6
JKM Kuwornu et al. Futuros Sostenibles 5 (2023) 100103

Tabla 6 Tabla 6(continuado)

Resultados del efecto de las prácticas externas de SSCM en el desempeño sostenible.
No. Variables Coeficiente Estándar t- pag-valor

No. Variables Coeficiente Estándar t- pag-valor Error Estadística

Error Estadística
48 Desarrollo conjunto con - 0.123 0.050 - 2.482 0.013**
22 el compromiso en - 0.012 0.029 - 0.397 0.692 socios en la cadena de

proceso de calificación y suministro

selección de proveedores 49 Compromiso en relación a 0.079 0.039 2.028 0.043**

gestión largo plazo con proveedores
23 Desempeño estratégico 0.176 0.036 4.906 0.000*** 50 El compromiso en 0.035 0.025 1.407 0.160
medidas con proveedores proceso de calificación y
24 Preocupación por 0.035 0.031 1.136 0.256 selección de proveedores
factores organizacionales de los gestión
proveedores 51 Desempeño estratégico 0.114 0.030 3.816 0.000***
25 Preocupación 0.008 0.042 0.189 0.850 medidas con proveedores
factores ambientales en la decisión 52 Preocupación por 0.040 0.026 1.553 0.121
de selección de proveedores La factores organizacionales de los

26 adopción de la evaluación del 0.032 0.041 0.796 0.427 proveedores

desempeño del proveedor 53 Preocupación 0.005 0.036 0.135 0.893

procesos factores ambientales en la decisión

27 dependencia de 0.125 0.040 3.147 0.002*** de selección de proveedores La

gerencia o experto 54 adopción de la evaluación del 0.037 0.035 1.064 0.288

opinión y previa desempeño del proveedor

desempeño y decisiones del procesos

proveedor 55 dependencia de 0.114 0.034 3.391 0.001***
28 Seguimiento de proveedor - 0.081 0.044 - 1.848 0.065* gerencia o experto
individual opinión y previa
29 Adopción de la 0.066 0.025 2.632 0.009*** desempeño y decisiones del
integración tecnológica proveedor
30 Adopción de la 0.046 0.035 1.336 0.182 56 Seguimiento de proveedor - 0.114 0.037 - 3.034 0,003***
integración logística individual
31 Énfasis de mejorado - 0.028 0.046 - 0,602 0.547 57 Adopción de la 0.046 0.021 2.194 0.029**
comunicación integración tecnológica
32 Preocupación por la calidad de la 0.048 0.044 1.099 0.272 58 Adopción de la 0.042 0.029 1.426 0.154
información compartida a lo largo de integración logística
la cadena de suministro 59 Énfasis de mejorado - 0.004 0.039 - 0.111 0.911
33 Preocupación 0.004 0.045 0.087 0.931 comunicación
transparencia entre 60 Preocupación por la calidad de la 0.052 0.037 1.425 0.155
individuos información compartida a lo largo de

34 Desarrollo conjunto con - 0.077 0.045 - 1.708 0.088* la cadena de suministro

socios en la cadena de 61 Preocupación 0.003 0.039 0.065 0.948

suministro transparencia entre
35 Compromiso en relación a 0.075 0.036 2.115 0.035** individuos
largo plazo con proveedores 62 Desarrollo conjunto con - 0.076 0.038 - 1.975 0.049**
36 El compromiso en 0.059 0.032 1.844 0.066* socios en la cadena de

proceso de calificación y suministro

selección de proveedores 63 Compromiso en la relación a 0.062 0.030 2.060 0.040**

gestión largo plazo con los proveedores
37 Desempeño estratégico 0.152 0.038 3.964 0.000***
Nota: ***, ** y * indican significancia estadística al 1 %, 5 % y 10 %,
medidas con proveedores
38 Preocupación por 0.056 0.033 1.713 0.087*
respectivamente.
factores organizacionales de los R21= 0.7711,R2 2= 0.8460,R2 3= 0.8077,R2 4= 0.8077,R2 5= 0.7549,R2 6=
proveedores 0.8504.
39 Preocupación 0.019 0.046 0.402 0.688
factores ambientales en la decisión
de selección de proveedores La
40 adopción de la evaluación del 0.048 0.045 1.068 0.286 los esfuerzos del gobierno para regular estrictamente el mercado nacional de
desempeño del proveedor alimentos y eliminar la importación de productos avícolas. Al emitir aprobaciones
procesos
de importación, aranceles altos y una tarifa de permiso de importación
41 dependencia de 0.174 0.044 4.005 0.000***
gerencia o experto discriminatoria para carne cruda congelada o enfriada, ha impedido con éxito que
opinión y previa el importador ingrese al mercado nacional y ha apoyado a los productores
desempeño y decisiones del avícolas locales en Tailandia [57].
proveedor
42 Seguimiento de proveedor - 0.193 0.049 - 3.970 0.000***
individual
4.2. Efecto de la adopción de prácticas sustentables en el desempeño de la empresa y
43 Adopción de la 0.057 0.027 2.097 0,036**
integración tecnológica aseguramiento de la calidad de los alimentos
44 Adopción de la 0.048 0.038 1.254 0.210
integración logística 4.2.1. Efecto de las prácticas internas y externas de SSCM en el desempeño
45 Énfasis de mejorado - 0.009 0.050 - 0.174 0.862
sostenible
comunicación
Tabla 5muestra el efecto de las prácticas internas de SSCM en el desempeño
46 Preocupación por la calidad de la 0.064 0.048 1.341 0.181
información compartida a lo largo de sostenible de las empresas de alimentos.ecuaciones (3)–(5)mostrar las relaciones
la cadena de suministro entre las prácticas internas de la cadena de suministro sostenible (SSCM) y el
47 Preocupación 0.022 0.050 0.440 0.660 desempeño ambiental, el desempeño financiero y el desempeño social,
transparencia entre
respectivamente.R21deecuación (3)de 0.7711 indica que SSCM interno
individuos
prácticas influenciaron aproximadamente el 77% de las variaciones en el medio ambiente.

desempeño mental. Similarmente,R2 2de la ecuación(4)yR23ecuación (5)muestra esa

7
JKM Kuwornu et al. Futuros Sostenibles 5 (2023) 100103

Las prácticas internas de la SSCM influyen en aproximadamente el 85% y el 81% de las obviamente, el factor más importante al que todas las empresas apuntan para aumentar
variaciones en el desempeño financiero y social, respectivamente (Tabla 5). [7]. Las empresas que adoptan prácticas de gestión ambiental pueden reducir los costos
Para el SSCM externo,R2 4deecuación (6)indica que SSCM externo de producción y operación durante los procesos. Por lo tanto, las empresas que integran
prácticas influyen en aproximadamente el 81% de las variaciones en los la responsabilidad ambiental y la estrategia económica pueden ser testigos de los efectos

actuación;R2 5deecuación (7)yR2 6ecuación (8)mostrar que SSCM externo de ahorro de recursos, la mejora de la imagen de marca y la relación entre las partes

prácticas influyen en aproximadamente el 75% y el 85% de las variaciones del interesadas, que son impulsores críticos de la expansión de los ingresos de las empresas.

desempeño financiero y social, respectivamente (Tabla 6). Destaca que la buena reputación e imagen de una empresa se relacionan positivamente

ecuación (3)se enfoca en la relación entre las prácticas internas de SSCM con temas de sustentabilidad y el desarrollo de eco-marca para facilitar el acceso al

y el desempeño ambiental. Los resultados revelaron que las siguientes mercado y una buena red de socios en la industria [7]. El uso de materiales y procesos

variables: prácticas generales de gestión ambiental, gestión de protección más ecológicos a nivel de empresa podría mejorar la eficiencia de la producción,

ambiental y gestión de seguridad alimentaria mostraron una relación minimizar la utilización de recursos y, en última instancia, reducir los costos de

positiva, mientras que las variables de empaque sustentable mostraron una producción [7]. Los resultados del estudio también mostraron que la gestión socialmente

relación negativa con el desempeño ambiental. En cuanto a la relación entre responsable condujo a una mejora en el desempeño financiero. Del mismo modo,

las prácticas internas de SSCM y el desempeño financiero enecuación (4), las investigaciones anteriores han revelado que las empresas que mejoran las condiciones

prácticas generales de gestión ambiental, gestión de protección ambiental, de seguridad del entorno de trabajo pueden reducir los accidentes, aumentar la

gestión de seguridad alimentaria y servicio social y filantropía tuvieron productividad, reducir las pérdidas dentro del sistema y mejorar la satisfacción de los

relaciones positivas con el desempeño financiero; por otro lado, el empaque empleados. Por lo tanto, para aumentar la eficiencia de la producción, se espera que las

sustentable tuvo una relación negativa con el desempeño financiero. empresas adopten prácticas de gestión socialmente responsables [7]. Además, los

ecuación (5)se utilizó para estudiar la relación entre las prácticas internas de resultados que revelaron que las variables clave bajo las prácticas de gestión ambiental y

SSCM y el desempeño social. Los resultados revelaron que la gestión gestión de responsabilidad social utilizadas para las prácticas internas de la empresa

ambiental, la gestión de la protección ambiental, la gestión de la inocuidad influyen en los indicadores de desempeño (financiero, ambiental, aseguramiento de la

de los alimentos y el servicio social y la filantropía tenían relaciones positivas calidad) y esto valida a los proponentes de la teoría de la Visión Basada en Recursos.

con el desempeño social, mientras que el empaque sostenible se

correlacionó negativamente con el desempeño social (Tabla 5).
El monitoreo y la evaluación de los miembros de la cadena de suministro y la

ecuaciones (6)–(8), respectivamente, muestran las relaciones entre las colaboración en la cadena de suministro se consideraron factores críticos que

prácticas externas de la cadena de suministro sostenible (SSCM) y el podrían mejorar el desempeño financiero de una empresa [7]. Al monitorear o

desempeño ambiental, el desempeño financiero y el desempeño social. trabajar con otros miembros de la cadena de suministro, una empresa puede

Los resultados deecuación (6)reveló que las siguientes variables: lograr una mayor eficiencia en la producción y menores emisiones de desechos,

medidas de desempeño estratégico con proveedores, dependencia de la como resultado de menos recursos consumidos y costos de producción reducidos.

opinión de expertos y desempeño y decisiones anteriores de proveedores, Por otro lado, los resultados del estudio también indicaron una conexión entre la

adopción de integración tecnológica y compromiso en una relación a largo colaboración en la cadena de suministro y el desempeño ambiental de la empresa

plazo con proveedores, tenían relaciones positivas con el desempeño [7,15,33]. Mastos y Gotzamani [7] reveló que es más probable que los clientes y las

ambiental. Por otro lado, el seguimiento de proveedores individuales y el empresas se preocupen por el origen, la seguridad, la calidad y la producción

desarrollo conjunto con socios en la cadena de suministro tenían relaciones sostenible de los alimentos, como la conservación de la biodiversidad y la presión

negativas con el desempeño ambiental. ambiental. Cada vez más clientes están dispuestos a pagar más por su demanda

Los resultados deecuación (7)reveló que las siguientes prácticas externas de SSCM de productos y servicios ecológicos. Por lo tanto, para la implementación de SSCM,

tenían una relación positiva con el desempeño financiero: participación en la gestión del las empresas deben realizar inversiones significativas para proporcionar al cliente

proceso de calificación y selección de proveedores, medidas de desempeño estratégico correcto el producto correcto en el lugar correcto para la venta y al precio

con los proveedores, preocupación por los factores organizacionales de los proveedores, correcto.

dependencia de la opinión de expertos y el desempeño y las decisiones anteriores del Las prácticas externas de SSCM influyen en el desempeño social de las empresas.

proveedor, adopción de tecnologías integración y compromiso en relaciones a largo Este estudio encontró que la adopción del monitoreo y la evaluación de los miembros de

plazo. Sin embargo, el seguimiento de los proveedores individuales y el desarrollo la cadena de suministro fue uno de los impulsores del desempeño social. Sancha et al. [

conjunto con los socios en la cadena de suministro afectó negativamente el desempeño 60] descubrió que monitorear y evaluar a los proveedores y minoristas influye

ambiental.ecuación (8) revela que las medidas estratégicas de desempeño con los positivamente en el desempeño social. Para los minoristas, las ventas de alimentos

proveedores, la dependencia de la opinión de expertos y el desempeño anterior de los caducados influyen en la reputación de la empresa, aunque ha tenido un buen

proveedores, la adopción de la integración tecnológica y la gestión de la inocuidad de los desempeño en el aseguramiento de la seguridad alimentaria. Por lo tanto, las empresas

alimentos tuvieron relaciones positivas con el desempeño social. Sin embargo, el de alimentos deben reducir el riesgo de tales actividades mediante la adopción de un

monitoreo de proveedores individuales y el desarrollo conjunto con socios en la cadena mecanismo de seguimiento y evaluación eficaz. Por ejemplo, una buena relación

de suministro tuvo relaciones negativas con el desempeño social (Tabla 6). proveedor-minorista podría beneficiar la garantía de la inocuidad de los alimentos. La
buena cooperación entre los proveedores de insumos, los productores de alimentos y los

A continuación se presenta una breve discusión de los resultados. Las minoristas fue esencial para generar confianza mutua y conciencia social, promover una

prácticas internas de SSCM están significativamente relacionadas con el gestión sostenible eficaz de su cadena de suministro y contribuir al desarrollo sostenible

desempeño ambiental de las empresas. Este estudio encontró que la gestión de la industria. Por lo tanto, la adopción de prácticas de gestión socialmente

ambiental y socialmente responsable jugó un papel vital en las empresas de responsables puede mejorar el desempeño social y la productividad [7].

alimentos. Las empresas de alimentos preocupadas por la responsabilidad social y Los resultados también revelaron una asociación entre las prácticas externas de SSCM y el

la gestión ambiental pudieron cumplir con sus objetivos de desarrollo ambiental desempeño ambiental. Asimismo, Sancha et al. [60] reveló que el monitoreo y la evaluación de

en comparación con otras empresas preocupadas por este tema. Estudios previos proveedores y minoristas afectan positivamente el desempeño ambiental. Varios miembros de la

encontraron que la ejecución de prácticas ambientales podría conducir a un mejor cadena de suministro mostraron un comportamiento poco ético en la gestión de la seguridad

desempeño ambiental [15,58]. Además, las prácticas internas socialmente alimentaria o no cumplieron con la ley. El abuso de aditivos perjudicó la calidad de las materias

responsables, particularmente en los empleados, aumentarían la conciencia al primas para el proveedor anterior, lo que contribuyó directamente a la seguridad de los

proteger el medio ambiente y mejorar el desempeño ambiental de la empresa [59 productos alimenticios. Las ventas de alimentos vencidos afectan la reputación de la empresa

]. para los minoristas, aunque han tenido un buen desempeño en el aseguramiento de la seguridad

Los resultados de este estudio también muestran la relación entre las alimentaria. Por lo tanto, las empresas de alimentos deben adoptar mecanismos efectivos de

prácticas internas de SSCM y el desempeño financiero. El desempeño financiero es monitoreo y evaluación para reducir tales riesgos. Además, el descubrimiento de que los
negocios internos

8
JKM Kuwornu et al.
Tabla 7
Efecto de las prácticas sostenibles de la cadena de suministro en el aseguramiento de la calidad de los alimentos.
Variables Coeficiente Error estándar
Desempeño Ambiental 0.1708 0.0725
Desempeño Financiero 0.2570 0.0757
Desempeño social 0.3010 0.0840
R-cuadrado 0.7042 Var dependiente media
R-cuadrado ajustado 0.6969 SD dependiente var
SE de regresión 0.3113 Criterio de información de Akaike
Resid suma al cuadrado 11.8208 criterio de schwarz
Probabilidad de registro - 29.7018 Criterio de Hannan-Quinn.
estadística F 96.7963 Estadística de Durbin-Watson
Prob (estadística F) 0.0000
Nota: *** y ** indican significación estadística al 1% y al 5%, respectivamente.
prácticas como el monitoreo y evaluación de los miembros de la cadena de suministro (SMA) y la
colaboración de los miembros de la cadena de suministro (SCC) tienen un impacto en las métricas
de desempeño (financieras, ambientales y de garantía de calidad) confirma la teoría de las partes
interesadas. Los hallazgos respaldan la idea de que los éxitos de las organizaciones se ven
fuertemente afectados por la forma en que incorporan las preocupaciones de los proveedores y
las partes interesadas en sus operaciones.
4.2.2. Efecto de actuaciones sostenibles en el aseguramiento de la calidad de los
alimentos Tabla 7muestra el efecto de las prácticas de gestión sostenible de la
cadena de suministro (SSCM) en el aseguramiento de la calidad de los alimentos1,
incluido el desempeño ambiental, el desempeño financiero y el desempeño social. Los
resultados indican que las prácticas de gestión sostenible de la cadena de suministro
influyeron en aproximadamente el 70 % de las variaciones en el aseguramiento de la
calidad de las empresas de alimentos. Las tres dimensiones de las prácticas de SSCM
(desempeño ambiental, financiero y social) influyeron positivamente en la garantía de
calidad de las empresas. Para todas las operaciones comerciales, SSCM expone
continuamente sus esfuerzos para obtener los resultados positivos de los objetivos de
desempeño ambiental y sostenible. Las prácticas ambientales podrían reducir los costos
en función de las mejoras técnicas y de calidad, lo que conduciría al logro de
desempeños ambientales y financieros mejorados [7]. De hecho, las empresas
alimentarias con una ventaja competitiva podrían mejorar su reputación social y lograr
un desarrollo sostenible proporcionando productos alimentarios de alta calidad.15].
Además, el buen desempeño social ayuda a las empresas a promover la calidad de los
alimentos mediante la adopción de diversas prácticas de gestión de la responsabilidad
social [15,34, 37]. Según Mastos y Gotzamani [7], las personas están preocupadas en
primer lugar por la seguridad alimentaria y las prácticas de producción, ya que
consumen alimentos directamente en sus cuerpos. Desde las perspectivas social y
ambiental de las cadenas de suministro, los aspectos ambientales (es decir, la
deforestación, el cambio climático, el consumo de combustibles fósiles, las emisiones de
CO2) y los aspectos sociales (es decir, salarios justos, beneficios para los empleados,
equidad de género y derechos humanos) también afectaron positivamente el desempeño
de SSCM. Además, la globalización, los avances tecnológicos, la contaminación de los
alimentos y la mejora de la infraestructura logística han aumentado las preocupaciones
de las personas sobre la sostenibilidad de FSC y SSCM.
Por lo tanto, las empresas de alimentos deben emprender prácticas de SSCM para lograr el
aseguramiento de la calidad. Pueden usar tecnología avanzada de producción limpia o materiales
de empaque ecológicos para garantizar la seguridad alimentaria y mejorar la calidad de los
productos alimenticios, aumentando la tasa de utilización de recursos y reduciendo la
contaminación, lo que conduce a un mejor desempeño ambiental.
5. Conclusiones
Este estudio examinó el efecto de la adopción de prácticas SSCM tanto
internas como externas en el desempeño sostenible y el efecto de
1Los indicadores de aseguramiento de la calidad de los alimentos son preocupaciones sobre la
especificación de los productos, los criterios o estándares de calidad específicos, el cumplimiento objetivo
de los criterios o estándares de calidad específicos y los registros de productos retirados.
Futuros Sostenibles 5 (2023) 100103
Desempeño ambiental, financiero y social en el aseguramiento de la calidad de los
alimentos de las empresas de alimentos en Tailandia. Se emplearon métodos de
pag-valor regresión aparentemente no relacionada (SUR) y regresión de mínimos cuadrados
ordinarios (OLS) para analizar los datos recopilados de 126 empresas de alimentos en
0.0200**
0.0009*** Bangkok, Tailandia. Los resultados indican que las prácticas internas y externas de SSCM
0.0005*** influyen positivamente en el desempeño ambiental, financiero y social de las empresas
5.8714 de alimentos. Además, los desempeños ambientales, financieros y sociales influyen
0.5654 positivamente en el aseguramiento de la calidad de las empresas de alimentos. Las
0.5349
empresas de alimentos preocupadas por la gestión ambiental, la gestión socialmente
0.6250
0.5715 responsable, el monitoreo y la evaluación de los miembros de la cadena de suministro y
1.8386 la colaboración de la cadena de suministro podrían cumplir sus objetivos de desarrollo
ambiental, en comparación con las empresas que estaban menos preocupadas por este
tema.
Los resultados mostraron que las empresas podrían mejorar su desempeño
ambiental y social fortaleciendo la gestión ambiental interna y la gestión de la
responsabilidad social. Las empresas de alimentos pueden fomentar el desempeño
ambiental en todo el negocio al trabajar en estrecha colaboración con otros miembros de
la cadena de suministro. Además, los desempeños ambientales y sociales mejoran el
desempeño financiero de las empresas. Además, este estudio reveló que las empresas
podrían mejorar su desempeño sostenible y aumentar la calidad de los alimentos
mediante la adopción de prácticas de SSCM para suministrar mejores productos
alimenticios que sean seguros y saludables para los clientes. Por lo tanto, las empresas
de alimentos deben desarrollar prácticas de SSCM para un desempeño sostenible y
mejorar la calidad de los alimentos.
Este estudio proporciona las siguientes recomendaciones de
política. En primer lugar, las empresas de alimentos deben reconocer
que el aseguramiento de la calidad de los alimentos y los factores que
afectan el aseguramiento de la calidad de los alimentos, incluidos los
desempeños financieros, sociales y ambientales, son cruciales para su
supervivencia y ventaja competitiva. El logro de los intereses
económicos debe ir acompañado de responsabilidades ambientales y
sociales, especialmente la responsabilidad de la seguridad alimentaria,
que es fundamental para su imagen y reputación corporativa. En
segundo lugar, las empresas de alimentos deben implementar
prácticas de SSCM para el desarrollo sostenible a fin de fortalecer la
gestión de la responsabilidad social y ambiental a largo plazo, lo que es
beneficioso para la garantía de calidad y el desarrollo. Finalmente,
Este estudio hace las siguientes contribuciones: primero, a través de la revisión de la
literatura sobre SSCM, a pesar de la creciente investigación sobre SSCM, existe una
escasez de evidencia empírica y reflexión teórica sobre las cadenas de suministro
sostenibles en los países en desarrollo. Por lo tanto, este estudio intenta investigar las
prácticas de SSCM en Tailandia, una economía emergente en el sudeste asiático. En
segundo lugar, los hallazgos del documento pueden mejorar el conocimiento de las
empresas sobre los impactos de SSCM en el desempeño empresarial para mejorar su
sostenibilidad y mejorar la ventaja competitiva. Los hallazgos pueden ser utilizados por
expertos de la industria alimentaria y pueden ayudarlos a implementar prácticas de
SSCM al examinar las prácticas adoptadas, las medidas de desempeño de sostenibilidad y
los factores clave de SSCM. Tercero, este estudio brinda recomendaciones para que los
formuladores de políticas mejoren las prácticas de sustentabilidad de las empresas de
alimentos. Además, este estudio proporciona una contribución empírica a la literatura
existente sobre la sostenibilidad de las cadenas de suministro de alimentos mediante el
uso de enfoques econométricos para analizar el efecto de las prácticas internas y
externas de gestión de la cadena de suministro en el desempeño ambiental, financiero y
social de las empresas de alimentos, y el efecto de los desempeños ambientales,
financieros y sociales en el aseguramiento de la calidad de los alimentos de las empresas.
Por último, el estudio reafirma la idoneidad de la visión basada en recursos y las teorías
de las partes interesadas en los estudios de gestión sostenible de la cadena de
suministro. Así, el estudio reveló que las prácticas internas sostenibles como el embalaje
sostenible, la gestión de la protección del medio ambiente, y la gestión de la inocuidad de
los alimentos tienen diversos impactos en el desempeño de las empresas, lo que refuerza
la teoría de la visión basada en los recursos. Asimismo, las prácticas externas de la
empresa, tales como medidas estratégicas de desempeño con proveedores, seguimiento
de proveedores individuales y adopción de integración tecnológica, se encontraron como
predictores significativos del desempeño. Este,
9
JKM Kuwornu et al. Futuros Sostenibles 5 (2023) 100103

Tabla 1a Organización de procesos de la cadena de suministro para la innovación sostenible en la

industria agroalimentaria, 5, 31-57.10.1108/S2045-060520160000005010.
Resumen de los resultados de la prueba de fiabilidad de los constructos.
[7] T. Mastos, K. Gotzamani, Gestión sostenible de la cadena de suministro en la industria alimentaria: un
Elementos norte N de de Cronbach modelo conceptual a partir de una revisión de la literatura y un estudio de caso, Foods 11 (2022)
Elementos Alfa 2295,https://doi.org/10.3390/foods11152295.
[8] Banco Mundial. (2015). La urbanización en Tailandia está dominada por el área urbana de
Prácticas internas SSCM Gestión 30 40 0.974 Bangkok. Obtenido de Grupo del Banco Mundial:https://www.worldbank.org,en,news,fea
ambiental Prácticas generales de 30 24 0.974 ture,2015,01,26,urbanization-in-thailand-is-domain-by-bangkok-urban-a rea.
gestión ambiental 30 7 0.913
gestión [9]M. Pagell, A. Shevchenko, Por qué la investigación en la gestión sostenible de la cadena de suministro
producción de alimentos verdes 30 4 0.980 no debería tener futuro, J. Supply Chain Manag. 50 (1) (2014) 44–55.
Embalaje Sostenible 30 6 0.820 [10]TA Chin, HH Tat, Z. Sulaiman, SNL Muhamad Zainon, Prácticas de gestión de la cadena de
Gestión de Protección Ambiental 30 7 0.950 suministro ecológica y rendimiento de la sostenibilidad, Adv. ciencia Letón. 21 (5) (2015)
Gestión socialmente responsable 30 dieciséis 0.917 1359-1362.
[11]N. Somsuk, T. Laosirihongthong, Priorización de los impulsores aplicables para la implementación de
Gestión de la seguridad alimentaria 30 7 0.886
la gestión de la cadena de suministro verde hacia la sostenibilidad en Tailandia, Int. J. Sostener.
Servicios Sociales y Filantropía Protección de 30 4 0.919
desarrollo Ecología Mundial. 24 (2) (2017) 175–191.
Derechos de Empleados Gestión Externa de SSCM 30 5 0.851
[12] Instituto Nacional de Alimentos-NFI. (2022). Descripción general de la industria alimentaria tailandesa en 2021. Perspectivas de
Monitoreo y seguimiento de miembros de la 30 14 0.930
la industria alimentaria 2022.
cadena de suministro 30 7 0.903 [13] Departamento de Agricultura de los Estados Unidos (2022).Ingredientes de procesamiento de
evaluación alimentos, Tailandia. Departamento de Agricultura de los Estados Unidos, Servicio Agrícola
Colaboración de los miembros de la cadena de 30 7 0.823 Exterior, Informe Número: TH2022-0024, 1–10.
suministro Desempeño de la empresa 30 18 0.961 [14] OIE. (2012). Visión general de la industria alimentaria.. Conocimiento principal de la industria de alimentos y
Desempeño ambiental 30 6 0.892 medicamentos,6-19.
Desempeño financiero 30 8 0.944 [15] D. Ortiz-Gonzalo, SBØrtenblad, MN Larsen, P. Suebpongsang, TB Bruun, Pérdida y desperdicio de
Desempeño social 30 4 0.960 alimentos y la modernización de las cadenas de valor de vegetales en Tailandia,
Seguro de calidad 30 5 0.958 recurso Conservar reciclar 174 (2021), 105714,https://doi.org/10.1016/j.
resconrec.2021.105714.
[16] J. Wang, J. Dai, Prácticas y rendimiento de gestión de la cadena de suministro sostenible,
Ind. Manag. Sistema de datos 118 (1) (2018) 2–21,https://doi.org/10.1108/
por lo tanto, valida al proponente de la teoría de los Stakeholders. A pesar de las
IMDS-12-2016-0540.
contribuciones teóricas y prácticas, este estudio no está exento de limitaciones, ya [17] Thaipublica. (2016). Negocios insostenibles: desigualdades, nuevas reglas y desafíos de
que utilizó datos obtenidos de una pequeña muestra de 126 empresas de los negocios tailandeses.Foro de negocios éticos y sostenibles de Tailandia. Obtenido
de Thaipublica:https://www.thaipublica.org,2016,03, negocio insostenible1.
alimentos (aunque estadísticamente representativas y apropiadas) en Bangkok,
Tailandia; por lo tanto, los resultados no pueden ser representativos de la [18]KY Tippayawong, T. Tiwaratreewit, A. Sopadang, Influencia positiva de las operaciones de la cadena de
industria alimentaria en general en Tailandia. Por lo tanto, los estudios futuros suministro verde en el desempeño financiero de las empresas electrónicas tailandesas, Procedia
Eng. 118 (2015) 683–690.
pueden usar muestras más grandes realizadas en otras ciudades o regiones de
[19]K. Visamitanan, N. Assarut, Impacto de las prácticas de gestión de la cadena de suministro verde en la
Tailandia para generalizar los resultados. Además, expandir el alcance del estudio participación de los empleados y el compromiso organizacional: papel mediador del desempeño de
a otros países del sudeste asiático, como Malasia, Indonesia y Vietnam, sería una la empresa, Glob. Autobús. Rev. (2021), 09721509211018569.
[20] Onputtha, S., Makerd, P. y Rojanapanich, P. (2018). El efecto de la gestión de la cadena de
excelente oportunidad para futuras investigaciones.
suministro verde en el desempeño ambiental en empresas de alimentos y bebidas en
Bangkok y el Área Metropolitana, Tailandia.
[21]A. Pipatprapa, HH Huang, CH Huang, Una nueva evaluación del desempeño ambiental de
Declaración de interés en competencia
la industria alimentaria de Tailandia utilizando técnicas de modelado de ecuaciones
estructurales y jerarquía analítica difusa, Sostenibilidad 8 (3) (2016) 246.
Los autores declaran que no tienen intereses financieros en competencia ni [22] J. Hong, Y. Zhang, M. Ding, Prácticas de gestión sostenible de la cadena de suministro,
relaciones personales conocidas que pudieran haber influido en el trabajo capacidades dinámicas de la cadena de suministro y rendimiento empresarial, J. Clean.
Pinchar. 172 (2018) 3508e3519,https://doi.org/10.1016/j.jclepro.2017.06.093.
informado en este documento. [23]AC Phan, HA Nguyen, PD Trieu, HT Nguyen, Y. Matsui, Impacto de las prácticas de gestión de
calidad de la cadena de suministro en el desempeño operativo: evidencia empírica de
Disponibilidad de datos empresas manufactureras en Vietnam, Supply Chain Manag. En t. J. 24 (6) (2019) 855–871.

[24]J. Hong, Z. Zhou, X. Li, KH Lau, Gestión de calidad de la cadena de suministro y desempeño firme en la
Los datos estarán disponibles a petición. industria alimentaria de China: el papel moderador de la corregulación social, Int. J. Logista.
Administrar 31 (1) (2020) 99–122.
[25] T. Perdana, BS Onggo, AH Sadeli, D. Chaerani, ALH Achmad, FR Hermiatin,
Y. Gong, Gestión de la cadena de suministro de alimentos en eventos de desastre: una revisión sistemática de
Apéndice la literatura, Int. J. Reducción del riesgo de desastres. 79 (2022), 103183,https://doi.org/10.1016/j.
ijdrr.2022.103183.
[26] Z. Zhang, J. Li, Z. Zhang, J. Li, Capítulo 10. Gestión baja en carbono impulsada por big-
Tabla 1a
data, en: Big Data Mining for Climate Change, 2020, Elsevier, 2020, págs. 287 –299,
https://doi.org/10.1016/B978-0-12-818703-6.00015-5. Big Data Mining para el Cambio
Referencias Climático.
[27] NM Patel, VA Deshpande, Gestión de la cadena de suministro para la industria de procesamiento de
alimentos: una revisión, Int. J.Innov. Res. Carolina del Sur. Ing. Tecnología 4 (12) (2015),https://doi.
[1] Naciones Unidas (2022).Perspectivas de la población mundial 2022Departamento de Asuntos
org/10.15680/IJIRSET.2015.0412079.
Económicos y Sociales de las Naciones Unidas, 1–52.
[28] T. Akyazi, A. Goti, A. Oyarbide, E. Alberdi, F. Bayon, Una guía para la industria alimentaria para cumplir
[2] Cagliano, R., Worley, CG y Caniato, FF (2016). El reto de la innovación sostenible en las cadenas de
con los futuros requisitos de habilidades que surgen con la industria 4.0, Alimentos 9 (4)
suministro agroalimentarias. Organización de los procesos de la cadena de suministro para la
(2020) 2–15,https://doi.org/10.3390/foods9040492.
innovación sostenible en la industria agroalimentaria, 5, 1-30.10.1108/S2045-0605
[29] Z. Kallas, MF Alba, K. Casellas, M. Berges, G. Degreef, JM Gil, El desarrollo de la cadena corta de
20160000005009.
suministro de alimentos para la miel producida localmente: Comprender las opiniones de los
[3] Grupo de consultoría de Yamada (YCG). (2018).Descripción general del mercado de alimentos de
consumidores y la disposición a pagar en Argentina, Br. Alimentos J. (2019),https://doi.org/
Tailandia. demanda y produccion de alimentos. Agricultura mundial hacia 2050. Foro de expertos
10.1108/BFJ-01-2019-0070.
de alto nivel: Cómo alimentar al mundo en 2050. YCG, Bangkok, Tailandia.https://www.yamada.
[30] PC Muth, LT Huyen, A. Markemann, AV Zárate, Clasificación de canales para cerdos locales vietnamitas
bkbasic.com/market_research/thailands-food-market-overview/. Consultado el 30 de septiembre de
Ban y su potencial para un sistema de retroalimentación de calidad en una cadena de suministro
2022.
de alimentos corta, Agric. agricola ciencia Procedimiento 5 (2015) 139–144,https://doi.org/ 10.1016/
[4] A. Molotoks, P. Smith, TP Dawson, Impactos del uso de la tierra, la población y el cambio
j.aaspro.2015.08.021.
climático en la seguridad alimentaria mundial, Energy Food Secur. (2020),https://doi.org/
[31]MC Stanciu, Análisis del comportamiento y motivación de los consumidores hacia cadenas cortas de suministro de
10.1002/fes3.261.
alimentos, Sci. Papilla. Ser. Administrar economía Ing. agricola desarrollo rural 18 (4)
[5] RD Raut, BB Gardas, VS Narwane, BE Narkhede, Mejora de las pérdidas de alimentos en la
(2018) 73–77.
cadena de suministro de frutas y verduras: una perspectiva del enfoque logístico de
[32] G. Vittersø,H. Torjusen, K. Laitala, B. Tocco, B. Biasini, P. Csillag, P. Wavresky, Cadenas cortas
terceros en frío, Oper. Res. Perspectiva. 6 (2019) 2214–7160,https://doi.org/10.1016/j.
de suministro de alimentos y sus contribuciones a la sostenibilidad: puntos de vista y
orp.2019.100117.
percepciones de los participantes de 12 casos europeos, Sostenibilidad 11 (17) ( 2019)
[6] León-Bravo, V., Caniato, FFA, Moretto, A. & Cagliano, R. (2016). Alcass: innovación
4800, https://doi.org/10.3390/su11174800.
para cadenas de suministro sostenibles para productos tradicionales y nuevos.

10
JKM Kuwornu et al.
[33] Las Naciones Unidas. (2022). Día internacional de concienciación sobre la reducción de la pérdida y el
desperdicio de alimentos 29 de septiembre. Las Naciones Unidas.https://www.un.org/en/
observances/end-food-waste-day(Consultado el 30 de septiembre de 2022).
[34] R. Baliga, R. Raut, S. Kamble, El efecto de los motivadores, el suministro y la gestión ajustada
en las prácticas y el rendimiento de la gestión de la cadena de suministro sostenible,
Benchmarking Int. J. 27 (1) (2019) 347–381,https://doi.org/10.1108/BIJ-01-2019-0004.
[35]J. Hong, Y. Zhang, M. Shi, El impacto de las prácticas de gestión de calidad de la cadena de
suministro y la transferencia de conocimientos en el desempeño organizacional: una
investigación empírica de China, Int. J. Logista. Res. aplicación 21 (3) (2018) 259–278.
[36] A. Dales, NM Coe, M. Hess, Mercados minoristas nacionales variados: negociación de la
transformación a través de la regulación en Malasia y Tailandia, Econ. Geogr. 95
(2019) 90–111,https://doi.org/10.1080/00130095.2018.1476060.
[37] LA German, AM Bonanno, LC Foster, L. Cotula, Negocios inclusivos en la agricultura:
evidencia de la evolución de las cadenas de valor agrícolas, World Dev. 134 (2020),
105018,https://doi.org/10.1016/j.worlddev.2020.105018.
[38]C. Sancha, C. Gimenez, V. Sierra, Lograr una cadena de suministro socialmente responsable a
través de la evaluación y la colaboración, J. Clean. Pinchar. 112 (3) (2015) 1934-1947.
[39]N. Somsuk, T. Laosirihongthong, A fuzzy-AHP para priorizar los factores habilitadores para la
gestión estratégica de las incubadoras de empresas universitarias: teoría de la visión basada en
recursos (RBV), Technol. Pronóstico. Soc. Chang. 85 (2014) 198–210.
[40] Y. Duan, JA Aloysius, Transparencia de la cadena de suministro y disposición a pagar por
productos reacondicionados, Int. J. Logista. Administrar 30 (3) (2019) 797–820,https://doi.
org/10.1108/IJLM-01-2019-0025.
[41] J. Glover, El lado oscuro de las cadenas de suministro sostenibles de productos lácteos, Int. J.Oper.
Pinchar. Administrar 40 (12) (2020) 1801–1827,https://doi.org/10.1108/IJOPM-05-2019-0394.
[42] T. Gruchmann, S. Seuring, K. Petljak, Evaluación del papel de las capacidades dinámicas en la
distribución local de alimentos: un estudio de elaboración de teorías, Supply Chain Manag. En t. J.
24 (6) (2019) 767–783,https://doi.org/10.1108/SCM-02-2019-0073.
[43] J. Miemczyk, D. Luzzini, Lograr la sostenibilidad del triple resultado final en las cadenas de suministro:
el papel de las prácticas ambientales, sociales y de evaluación de riesgos, Int. J.Oper. Pinchar.
Administrar 39 (2) (2019) 238–259,https://doi.org/10.1108/IJOPM-06-2017-0334.
[44] AM Kitsis, IJ Chen, ¿Importan los motivos? Examinando las relaciones entre los motivos, las
prácticas de SSCM y el desempeño de TBL, Supply Chain Manag. En t. J. 25 (3) (2019) 325–
341,https://doi.org/10.1108/SCM-05-2019-0218.
[45]S. Mitra, PP Datta, Adopción de prácticas de gestión de la cadena de suministro verde y su
impacto en el rendimiento: un estudio exploratorio de la empresa manufacturera india,
Int. J.Prod. Res. 52 (7) (2014) 2085-2107.
[46]D. Das, El impacto de las prácticas de gestión de la cadena de suministro sostenible en el
desempeño de la empresa: lecciones de organizaciones indias, J. Clean. Pinchar. 203 (2018)
179–196.
11
Futuros Sostenibles 5 (2023) 100103
[47] J. Prasara-A, SH Gheewala, T. Silalertruksa, P. Pongpat, W. Sawaengsak, Evaluación del
ciclo de vida ambiental y social para mejorar la sostenibilidad de los productos a base
de caña de azúcar en Tailandia, Clean Technol. Reinar. Política 21 (7) (2019) 1447–
1458,https://doi.org/10.1007/s10098-019-01715-y.
[48]A. Touboulic, H. Walker, Teorías en la gestión sostenible de la cadena de suministro: una revisión
estructurada de la literatura, Int. J. física. Distribuir Logista. Administrar 45 (1/2) (2015) 16–42.
[49] Piense en las perspectivas. (2022). RBV-¿Qué es una visión de la estrategia basada en recursos??.
Obtenido dehttps://thinkinsights.net/strategy/rbv-strategy/. El 13 de octubre de 2022.
[50]H. Park-Poaps, K. Rees, Fuerzas de las partes interesadas de la orientación de la gestión de la
cadena de suministro socialmente responsable, J. Bus. Ética 92 (2) (2010) 305–322.
[51] Instituto de Medio Ambiente de Tailandia (2021). Informe sobre información al consumidor para el
consumo y la producción sostenibles en la cadena de suministro de alimentos en Bangkok.
Instituto Ambiental de Tailandia, Nonthaburi, Tailandia. URL:https://www.tei.or. th/file/library/
English_Report_on_SCP_in_Food_51.pdf. Consultado el 30 de septiembre de 2022.
[52] A. Peungnumsai, A. Witayangkurn y M. Nagai, H. Miyazaki, Un análisis de zonificación de taxis utilizando datos de
sondeo a gran escala: un estudio de caso para el área metropolitana de Bangkok, Rev.
Sociored. Estrateg. 12 (2018) 21–45,https://doi.org/10.1007/s12626-018-0019- 4.
[53] Instituto Nacional de Alimentos-NFI. (2017). Visión general de la industria alimentaria.
Obtenido de National Food Intelligent:https://www.fic.nfi.or.th,foodindustry_
quarterlySituation detail.php?smid=1606.
[54]T. Yamane, Estadística: un análisis introductorio (segundo), Harper and Row, Nueva York,
1967. Libro.
[55]Q. Zhu, J. Sarkis, Y. Geng, Gestión de la cadena de suministro verde en China: presiones,
prácticas y desempeño, Int. J.Oper. Pinchar. Administrar 25 (5) (2005) 449–468.
[56] Instituto Nacional de Alimentos-NFI. (2018). Descripción general de la industria alimentaria tailandesa en 2017.Perspectivas de la
industria alimentaria 2018..
[57] Chanhirun, S. (2016). Valores de exportación de la industria alimentaria tailandesa en 2015.
Obtenido de TCIJ Thai;https://www.tcijthai.com,noticias,2016,10,actual,6468 . Consultado el 30 de
septiembre de 2022.
[58]P. Beske, A. Land, S. Seuring, Prácticas de gestión de la cadena de suministro sostenible y
capacidades dinámicas en la industria alimentaria: un análisis crítico de la literatura, Int. j
Pinchar. economía 152 (2014) 131–143.
[59]A. Kolk, La responsabilidad social de los negocios internacionales: de la ética y el
medio ambiente a la RSC y el desarrollo sostenible, J. World Bus. 51 (1) (2016)
23–34.
[60]C. Sancha, C. Gimenez, V. Sierra, Lograr una cadena de suministro socialmente responsable a través
de la evaluación y la colaboración, J. Clean. Pinchar. 112 (2016) 1934-1947.
Traducido del inglés al español - www.onlinedoctranslator.com

Servicios climáticos 30 (2023) 100342

Listas de contenidos disponibles enCienciaDirecta

Servicios Climáticos

revista Página de inicio:www.elsevier.com/locate/cliser

Pronóstico del nivel máximo anual de agua para el río Negro en Manaus usando
predicciones estacionales dinámicas

Amulya Chevuturia,b,C,1,*, Nicolás P. Klingamana,b,2, Steven J. Woolnougha,b,3,

Conrado M.Rudorffd,4, Caio AS Coelhomi,5, Jochen SchöngartF,6
aCentro Nacional de Ciencias Atmosféricas, Universidad de Reading, Reading, Reino Unido
b Departamento de Meteorología, Universidad de Reading, Reading, Reino Unido
CCentro de Ecología e Hidrología del Reino Unido, Crowmarsh Gifford, Wallingford, Reino Unido
dCentro Nacional de Monitoreo y Alerta Temprana de Desastres Naturales (CEMADEN), SP, Brasil
miCentro de Pronóstico del Tiempo y Estudios Climáticos (CPTEC), Instituto Nacional de Investigaciones Espaciales (INPE), Cachoeira Paulista, SP, Brasil
FCoordenaçao de Dinámica Ambiental (CODAM), Instituto Nacional de Pesquisas da Amazonia (INPA), Manaos, Brasil

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: La predicción temprana y hábil de los niveles máximos de agua del río Negro en Manaus es fundamental para las medidas de mitigación efectivas para salvaguardar vidas y medios de
Pronósticos estacionales subsistencia. Utilizando retrospectivas dinámicas de predicción estacional, de seis centros de predicción, investigamos extender el tiempo de anticipación de modelos estadísticos
Nivel de inundación
desarrollados previamente, que emiten pronósticos en marzo para Manaos. Los modelos estadísticos de pronóstico originales usaban la precipitación observada como el predictor principal.
Manaos
Avanzamos la capacidad de emitir pronósticos hábiles antes, en febrero. Desarrollamos pronósticos por conjuntos combinando datos predictores de observaciones y retrospectivas
Río Negro
estacionales. Comparamos esos pronósticos con los modelos estadísticos de pronóstico originales y los pronósticos utilizando la climatología observada o la persistencia de los predictores.

Los pronósticos de media por conjuntos, emitidos en febrero, usando la información retrospectiva del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF), rinda de

manera similar a los pronósticos originales emitidos en marzo y gane un mes de tiempo de anticipación. Los pronósticos por conjuntos basados en el ECMWF predicen hábilmente la

probabilidad de que los niveles del agua excedan el nivel de inundación severa de 29 m. El rendimiento del pronóstico se reduce y la dispersión del conjunto aumenta al aumentar el tiempo

de anticipación de febrero a enero. Concluimos que los pronósticos para los niveles máximos de agua de Manaus se pueden producir utilizando información combinada de observaciones y

pronósticos del ECMWF en tiempo real. El rendimiento del pronóstico se reduce y la dispersión del conjunto aumenta al aumentar el tiempo de anticipación de febrero a enero. Concluimos

que los pronósticos para los niveles máximos de agua de Manaus se pueden producir utilizando información combinada de observaciones y pronósticos del ECMWF en tiempo real. El

rendimiento del pronóstico se reduce y la dispersión del conjunto aumenta al aumentar el tiempo de anticipación de febrero a enero. Concluimos que los pronósticos para los niveles

máximos de agua de Manaus se pueden producir utilizando información combinada de observaciones y pronósticos del ECMWF en tiempo real.

Debido a la estacionalidad de las lluvias en la cuenca del Amazonas, los grandes

Implicaciones prácticas
La mayoría de las ciudades, asentamientos rurales y pueblos indígenas de
la Amazonía Central se establecen a lo largo del río principal y sus
afluentes. Los valles de los ríos han sido pobladas y utilizadas durante
siglos por poblaciones indígenas y tradicionales que realizan actividades de
subsistencia y comercio como la agricultura, la ganadería, la pesca y la
silvicultura que están intrínsecamente relacionadas con el ciclo hidrológico
anual. Por la cantidad y
ríos tienen temporadas regulares de aguas altas (alrededor de junio) y aguas
bajas (octubre/noviembre) con amplitudes anuales del nivel del agua de
aproximadamente 10 m en la región amazónica central. Durante las últimas tres
décadas, los científicos han observado una magnitud y frecuencia cada vez
mayores de inundaciones severas que ponen en peligro a miles de personas,
provocan graves problemas de salud, pérdidas de infraestructura, propiedades y
otros sectores socioeconómicos (Marengo et al., 2012; Gloor et al., 2013;
Barichivich et al., 2018). Durante los últimos diez años la Amazonía Central se ha
visto afectada por seis eventos de inundaciones severas (2012, 2013, 2014, 2015,
2017, 2019) alcanzando la

* Autor correspondiente.
Dirección de correo electrónico:amuche@ceh.ac.uk (A.
1
Chevuturi). ORCID: 0000-0003-2815-7221.
2
ORCID: 0000-0002-2927-9303.
3
ORCID: 0000-0003-0500-8514.
4
ORCID: 0000-0001-8453-1367.
5
ORCID: 0000-0002-9695-5113.
6
ORCID: 0000-0002-7696-9657.

https://doi.org/10.1016/j.cliser.2023.100342

Disponible en línea el 30 de enero de 2023

2405-8807/© 2023 El(los) autor(es). Publicado por Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BY (http://creativecommons.org/licenses/by/4.0/).
A. Chevuturi et al. Servicios climáticos 30 (2023) 100342

umbral crítico para declarar la situación de emergencia. Para prevenir y mitigar los
impactos severos en las poblaciones urbanas y rurales y en los sectores
socioeconómicos, se requieren pronósticos estacionales de eventos de inundaciones
severas con un tiempo de anticipación prolongado, que brinden una herramienta
confiable para la toma de decisiones para los formuladores de políticas públicas.
Basado en estudios previos, durante el IV CSSP (Climate Science for Service
Partnership) Brasil Annual Scientific Workshop 2019, un consorcio de
científicos del Reino Unido y Brasil, para desarrollar un sistema de
pronóstico hábil con un tiempo de anticipación suficientemente largo para
pronosticar el nivel máximo anual de agua para el Negro River en Manaus,
Brasil con el potencial de expandirlo en el futuro a otros lugares
estratégicos en la cuenca del Amazonas. Este proyecto denominado
PEACFLOW (Predicción de la evolución de la cuenca del Amazonas para
pronosticar el nivel del agua) está diseñado para respaldar el pronóstico
oficial de inundaciones realizado por el Servicio Geológico Brasileño (CPRM)
en Manaus a fines de marzo, brindando información esencial y adicional
para implementación efectiva de acciones de gestión del riesgo de
desastres. El nuevo método incluía el uso de varios predictores de meses
anteriores, como las precipitaciones, el nivel del agua de los ríos y las
condiciones de los océanos Pacífico y Atlántico. La regularidad del retraso
entre la precipitación de la cuenca y el nivel máximo del agua en Manaos
permitió el desarrollo de hábiles modelos estadísticos de pronóstico para
emitir pronósticos confiables con la misma habilidad que los modelos
operativos existentes en tiempos de anticipación más prolongados.
En este estudio, obtuvimos un mes adicional de tiempo de anticipación cuando
reemplazamos los datos de entrada observados con el pronóstico de conjunto
estacional dinámico del ECMWF (Centro Europeo para Pronósticos Meteorológicos
a Medio Plazo). Desarrollamos dos modelos operativos utilizando estos datos, que
proporcionan pronósticos probabilísticos a principios de enero y febrero. Los
pronósticos probabilísticos, utilizando información del ECMWF, muestran una
buena habilidad para la probabilidad de que el nivel del río supere el umbral de
El hidrograma del río Negro en Manaus que muestra la evolución del nivel del
agua a lo largo del año se muestra enFigura 1. Actualmente, el Servicio Geológico
Brasileño (CPRM) utiliza modelos de regresión lineal simple para emitir
pronósticos a fines de marzo, abril y mayo para el nivel máximo de agua en
Manaus, utilizando los niveles de agua actuales del respectivo mes de emisión
como predictor (Maciel et al., 2020; Maciel et al., 2022). Otro modelo de pronóstico
estacional para Manaus fue desarrollado en colaboración por el Instituto Nacional
de Pesquisas da Amazonia (INPA) y la Sociedad Max-Planck, usando regresiones
lineales múltiples del nivel máximo del agua contra los niveles de agua anteriores
de Manaus e índices que representan modos de variabilidad climática a gran
escala conectados con lluvia de la cuenca (Schöngart y Junk, 2007). El modelo INPA
emite pronósticos para la primera semana de marzo para los niveles máximos
anuales de agua para Manaos, utilizando anomalías de la temperatura superficial
del mar (TSM) de Niño3.4 para diciembre-febrero, el Índice de Oscilación del Sur
para noviembre-enero, la Oscilación Decadal del Pacífico para febrero , el nivel
mínimo de agua del año anterior y los 7el
Nivel de agua de marzo en Manaus (Schöngart y Junk, 2020).
Los modelos hidrológicos acoplados dinámicos complejos pueden emitir pronósticos
conjuntos de caudales fluviales diarios para América del Sur en un nivel de punto de cuadrícula (
Siqueira et al., 2020), y funcionan satisfactoriamente para los pronósticos del nivel del agua
cuando se comparan con datos de estaciones in situ y estimaciones de sensores remotos (
Siqueira et al., 2018). Los modelos hidrológico-hidrodinámicos basados en cuencas utilizan la
discretización de las redes fluviales para simular con éxito los niveles de agua en la cuenca del
Amazonas (Fan et al., 2021), incluso con datos limitados para las características del río y la
geometría (Paiva et al., 2011). Los pronósticos del nivel del agua pueden tener una habilidad
significativa para el flujo del río Amazonas, incluso para escalas de tiempo estacionales, al
asimilar datos de altimetría in situ y de radar (Paiva et al., 2013); se puede usar para mapear los
peligros de inundación, que se comparan bien con las estimaciones de CPRM para diferentes
períodos de retorno de inundaciones (Alves et al., 2022). Sin embargo, los modelos hidrológicos

nivel de inundación de emergencia de 29 m. Los métodos desarrollados en este utilizados sobre la cuenca del Amazonas tienen errores debido al forzamiento de la precipitación
proyecto también se pueden usar para desarrollar modelos de pronóstico para y los parámetros de llanura de inundación del río utilizados (de Paiva et al., 2013); la
los niveles de agua en otras regiones de la cuenca del Amazonas. Los modelos de incertidumbre de las condiciones iniciales del modelo degrada la capacidad de pronóstico del
proyecto PEACFLOW completamente automatizados se proporcionan en un caudal del río en escalas de tiempo estacionales (Paiva et al., 2012). Además, los modelos
repositorio de GitHub de acceso abierto (https://github.com/achevuturi/PEAC- hidrológicos suelen funcionar mejor a escala subestacional y regional (Towner et al., 2019). Por lo
FLOW_Manaus-flood-forecasting). Los modelos PEACFLOW se pueden utilizar para
tanto, junto con los pronósticos de inundaciones a gran escala de los
proporcionar pronósticos operativos. Utilizando los modelos PEACFLOW,
pronosticamos retrospectivamente los niveles máximos anuales de agua en
Manaus para 2020 y pronosticamos activamente para 2021 en tiempo real.
Nuestro pronóstico para el año 2021 muestra niveles máximos de agua que
superan los 29 m, lo que indica correctamente las condiciones de emergencia por
inundaciones para Manaus.

1. Introducción

El Amazonas es la cuenca fluvial más grande del mundo (Callède et al.,

2010) y una de las pocas redes restantes de grandes ríos de flujo libre (
Parrilla et al., 2019). El sistema del río Amazonas proporciona agua para do-
uso doméstico, riego, ganadería, generación hidroeléctrica n, a base de río
transporte y servicios ecosistémicos esenciales (Basura et al., 2014).
Las variaciones en los niveles de agua de los ríos (inundaciones y el Amazonas
sequías) en la cuenca pueden causar impactos ambientales y l y socio-
económicos regionales considerables (Marengo y Espinoza, 2016). La y partes del
cuenca amazónica del hombre carece de planes integrados de desastres gestión
por inundaciones y sequías (Dolman et al., 2018). Más frecuente e peligros de od en
intensa en las últimas dos décadas (p. ej.,Gloor et al., 2013; Barichivić et al., 2018)
hacen indispensable contar con un sistema de pronóstico temprano y ms para anual
acertado de los niveles máximos de agua de los ríos amazónicos, para prepárate para
prevenir inundaciones extremas.
El río Negro, como la mayoría de los niveles de inundación de vers, tiene mar-
la red amazónica durante mayo-julio y niveles bajos durante ber- Anillo de septiembre

noviembre (Schöngart y Junk, 2007; Chevuturi y otros Los ríos l., 2021). El Figura 1.Climatología hidrográfica (durante el período 1903-2021) con promedio diario
amazónicos presentan un evento hidrológico anual único de ciclo con un (línea continua negra) y desviación estándar (área sombreada en gris), y niveles de agua
inundación anual regular que dura de semanas a meses. El pulso . este regular máximos (línea discontinua negra) y mínimos (línea discontinua negra) (m) para el Negro
de inundación monomodal ofrece la oportunidad de anticipar el CT, meses en río en Manaus durante el ciclo anual junto con el umbral de emergencia de inundación
nivel máximo de agua del río de flujo libre. er sistema. El de 29 m (línea de puntos azul).

2
A. Chevuturi et al.
modelos, los pronósticos estadísticos a nivel de estación para el nivel máximo del agua
son operacionalmente útiles para la región amazónica (Maciel et al., 2020).
Las grandes cuencas de drenaje de los ríos amazónicos integran la variabilidad de las
precipitaciones a pequeña escala; la topografía del valle del río y los humedales atenúan
y retrasan el impacto de las lluvias en los niveles de agua del río (Basura et al., 2011). Esto
permite que los modelos estadísticos de pronóstico estacional predigan de manera
confiable la magnitud de los niveles máximos hidrológicos de agua (Schöngart y Junk,
2007) a partir de observaciones previas de precipitaciones en la cuenca (Richey et al.,
1989). Dado que las precipitaciones amazónicas y, posteriormente, el nivel del agua de
los ríos también están influenciados por modos de variabilidad océano-atmósfera
acoplados a gran escala (Towner et al., 2020), estos modos de variabilidad también
pueden ser predictores potenciales para los modelos de pronóstico del nivel del agua (
Schöngart y Junk, 2020).
Utilizando esta premisa,Chevuturi et al. (2021)desarrolló tres modelos
estadísticos de pronóstico para el nivel máximo anual del agua para el río Negro
en Manaus, que utilizan la precipitación antecedente observada, el nivel del agua
antecedente, los modos de variabilidad a gran escala representados por índices
climáticos y la tendencia lineal de los niveles históricos del agua como predictores.
Los modelos desarrollados porChevuturi et al. (2021)puede emitir pronósticos en
tres plazos: marzo (el plazo de ejecución operativo más temprano actual), febrero
y enero; y se compararon con los modelos del INPA (Schöngart y Junk, 2007;
Schöngart y Junk, 2020) y CPRM (Maciel et al., 2020; Maciel et al., 2022). Los
resultados muestran que estos pronósticos ganan un mes de tiempo de
anticipación frente a los modelos CPRM con un rendimiento de pronóstico similar (
Chevuturi et al., 2021).
Los pronósticos estacionales muestran un desempeño de medio a alto para las
anomalías de lluvia en la Amazonía durante el verano austral, como lo muestran los
coeficientes de correlación de anomalía estadísticamente significativos (0,6–0,8;Nobre et
al., 2006). El rendimiento de los pronósticos estacionales de precipitaciones sobre
América del Sur depende de una representación precisa de la variabilidad de la TSM de
los océanos circundantes (p. ej.,Montecinos et al., 2000). Los sistemas de predicción que
combinan modelos empíricos basados en la TSM y pronósticos estacionales de modelos
múltiples europeos muestran un buen desempeño para las precipitaciones de verano
austral en América del Sur (Coelho et al., 2006). Los pronósticos estacionales dinámicos
de precipitaciones sobre América del Sur del Centro Europeo de Pronósticos
Meteorológicos a Medio Plazo (ECMWF) superan los pronósticos de los sistemas de
predicción empírica que utilizan Niño3.4 SST como predictor (Gubler et al., 2020). Los
modelos de pronóstico actuales del nivel máximo del agua se basan en la relación lineal
entre los modos de variabilidad y los niveles del agua conectados a través de la lluvia,
pero los hallazgos deGubler et al. (2020); Siqueira et al. (2020)sugieren que las
predicciones dinámicas de lluvia estacional podrían usarse para pronosticar hábilmente
los niveles máximos de agua.
Investigamos extender el tiempo de entrega delChevuturi et al. (2021) modelos de
pronóstico del nivel máximo del agua, reemplazando las entradas observadas de lluvia y
SST a los modelos estadísticos con valores de pronóstico de modelos dinámicos de
pronóstico estacional. Los tiempos de anticipación más largos permiten advertencias
más tempranas y tiempo de preparación adicional para eventos de inundaciones de alto
impacto. Utilizando datos de pronósticos por conjuntos como entrada a los modelos
estadísticos, generamos pronósticos por conjuntos del nivel máximo del agua. Los
pronósticos por conjuntos brindan una variedad de resultados posibles y pueden
cuantificar la incertidumbre del pronóstico. Evaluamos la habilidad determinística y
probabilística de estos pronósticos de conjuntos de mayor tiempo de anticipación y
comparamos esa habilidad con los de los modelos originales basados en la observación
y con los modelos de referencia en los que los índices de TSM y de precipitación de
pronóstico dinámico se reemplazan con climatología o persistencia.
El documento está organizado de la siguiente manera: Sección2introduce los
datos (Sección2.1) y describe los métodos utilizados (Sección2.2); el rendimiento
estacional retrospectivo se analiza en la Sección3; Verificación de pronósticos
deterministas medios por conjuntos (Sección4.1), pronósticos probabilísticos
(Sección4.2) y pronósticos en tiempo real (Sección4.3) para el nivel máximo anual
de agua en Manaus se discute en la Sección4; Sección5concluye este estudio.
3
Servicios climáticos 30 (2023) 100342
2. Datos y Métodos
2.1. Datos
Chevuturi et al. (2021)desarrolló tres modelos estadísticos para los niveles máximos
de agua en Manaus, utilizando regresión lineal múltiple, que pueden emitir pronósticos a
mediados de marzo, febrero y enero. Estos modelos estadísticos utilizan combinaciones
de predictores, incluida la precipitación antecedente, el índice de oscilación multidecenal
del Atlántico (AMO) antecedente, el nivel mínimo de agua del año anterior (Lmin) y el año
del pronóstico (Año), que representa la tendencia lineal. Para los pronósticos emitidos en
marzo, noviembre-febrero (NDJF), la precipitación media, la AMO media del NDJF, Lmin y
Year se utilizan como datos de entrada. Para los pronósticos emitidos en febrero, se
utilizan como variables de entrada la precipitación media de noviembre a enero (NDJ) y la
AMO media de NDJ junto con el año. Para los pronósticos emitidos en enero, se utilizan
como predictores la precipitación media de noviembre a diciembre (ND), el año y Lmin.
Estos modelos se analizan con más detalle en la Sección2.2.
Para desarrollar los modelos estadísticos, se seleccionó 1903–2004 como el período
de entrenamiento, utilizando la lluvia del GPCC (Centro de Climatología de
Precipitaciones Globales) (Schneider et al., 2017); Los modelos se validaron entre 2005 y
2019 utilizando precipitaciones CHIRPS (Climate Hazards Group InfraRed Precipitation
with Station), debido a la falta de datos en tiempo real de GPCC (Chevuturi et al., 2021).
CHIRPS versión 2.0 (Funk et al., 2015), a 0,05◦resolución, está disponible desde 1981 hasta
el presente.
Utilizamos el nivel de agua diario del río Negro (etapa) en la estación del
puerto de Manaus (ID: 14990000), medido por Capitania dos Portos (Autoridad
Portuaria) desde septiembre de 1902 (Maciel et al., 2020), para calcular los niveles
máximos y mínimos anuales de agua para Manaus. La ubicación de Manaos (3.14◦
S, 60.03◦W) y las cuencas de los ríos Negro, Solimões y Madeira se muestran en
Figura 2. La lluvia antecedente observada en la cuenca aguas arriba de Manaus es
una importante fuente de predictibilidad para los niveles de agua.Chevuturi et al.
(2021)Precipitación media de área utilizada sobre la región enmascarada (Figura 2)
dentro de las tres cuencas como predictor de los modelos de pronóstico
originales. La máscara para cada mes anterior se crea a partir de puntos de
cuadrícula con valores de correlación estadísticamente significativos al nivel del
5% entre el nivel máximo anual de agua y la precipitación CHIRPS (áreas
sombreadas en gris enFigura 2). Las tres cuencas se consideran como la captación
aguas arriba del río Negro, ya que sus niveles de agua están influenciados por los
niveles de agua en los ríos Solimões y Madeira debido a efectos de remanso (
Meade et al., 1991; Schöngart y Junk, 2020).
Para extender el tiempo de anticipación para el modelo de pronóstico original del
nivel máximo anual del agua, combinamos la precipitación retrospectiva observada y
estacional y AMO como entrada al modelo de pronóstico. Para evaluar este enfoque,
utilizamos predicciones retrospectivas estacionales de seis centros de predicción: Centro
Euromediterráneo sobre el Cambio Climático (CMCC), Deutscher Wetterdienst (DWD),
Centro Europeo para Pronósticos Meteorológicos a Medio Plazo (ECMWF), Météo-France
(METFR), National Centros para la Predicción Ambiental (NCEP) y la Oficina Meteorológica
del Reino Unido (UKMO). Para obtener más información sobre los conjuntos
retrospectivos, consultetabla 1. Utilizamos el sesgo corregido (consulte la Sección2.2)
precipitación total mensual y variables de temperatura de la superficie del mar (TSM)
para 1callede enero (Jan_Start) y 1callede las inicializaciones de febrero (Feb_Start) (es decir,
las fechas en que se "produjeron" los pronósticos retrospectivos;tabla 1) para cada
pronóstico retrospectivo para el período común de 1994 a 2016, disponible en 1.0◦
resolucion espacial. También probamos un período de tiempo más largo a partir de los pronósticos
retrospectivos del ECMWF, disponibles desde 1981 hasta 2016.
2.2. Método
Usamos la lluvia observada por CHIRPS y otras variables observadas (AMO,
Lmin y Year) y calculamos los pronósticos anuales del nivel máximo de agua para
1994–2019, usando los tres modelos originales deChevuturi et al. (2021). Nos
referimos a las previsiones de los modelos originales como CHIRPS-ORI-Mar,
CHIRPS-ORI-Feb y CHIRPS-ORI-Jan, en función de su respectivo mes de emisión (
Tabla 2). Comparación completa entre los modelos operativos de CPRM (Maciel et
al., 2020) y los modelos originales que utilizan CHIRPS se proporcionan en
Chevuturi et al. (2021). Los resultados
A. Chevuturi et al. Servicios climáticos 30 (2023) 100342

Figura 2.(a) Elevación (sombreado; km), (b) drenaje de ríos (contornos azules) y máscaras de lluvia (sombreadas) para (c) enero y (d) febrero (más detalles enChevuturi et al., 2021)
identificado utilizando valores de correlación estadísticamente significativos al nivel del 5% entre la precipitación media mensual del punto de cuadrícula CHIRPS y el nivel máximo anual
de agua observado para el río Negro en Manaus (círculo rojo; 3.14◦S, 60.03◦W), junto con cuencas hidrográficas (regiones rodeadas por líneas negras). La cuenca del río Negro es la
cuenca más septentrional; la cuenca del río Solimões es la cuenca central; y la cuenca del río Madeira es la cuenca más al sur.

mostró que los modelos originales basados en CHIRPS son moderadamente mejores que el La precipitación observada y retrospectiva y el índice AMO, junto con Lmin y Year
pronóstico CPRM para el mismo mes de emisión, y muestran un rendimiento estadísticamente observados, como entrada en el modelo CHIRPS-ORI-Mar, podemos emitir
similar a los pronósticos CPRM con un mes de antelación. Por lo tanto, utilizamos los modelos pronósticos a principios de febrero. Además, al combinar la precipitación JF
originales basados en CHIRPS como punto de referencia en este trabajo, retrospectiva estacional corregida por el sesgo y el índice AMO, del 1callede enero
en lugar de modelos CPRM. (Jan_Start) inicializaciones, y precipitación ND observada e índice AMO,
Extendemos el tiempo de anticipación de S-ORI-Mar mod el, que utiliza junto con observado Lm enero. en y año, podemos emitir pronósticos por conjunto de
CHIRP NDJF-mean rain, NDJF-mean AMO, Y mi
ar y Lmin a predictores de s. Por Por lo tanto, para cada s que sepronósticos estacionales tempranos, producimos dos
reemplazando enero y febrero o otoño y la entradar solo febrero lluvia observada- pueda emitir en febrero, pronósticos para enero y enero para cada año (Tabla 2).
de SST con pronósticos estacionales de nivel de st entrada, nosotros pro producir el máximo consulte el nuevo pronóstico Estamos usando su nombre retrospectivo y tiempo de emisión
agua hindca con dos o un mes de retraso en los mi
antes, respeto ivamente para calcular (CMCC-feb, DWD-feb, ECMWF-febrero, METFR-febrero, NCEP-febrero, UKMO-
pronósticos, usamos el mismo mod CHIRPS-ORI- eyo
ecuación y parámetros como Feb, CMCC-Ene, DWD- Ene, ECMWF-Ene, METFR-Ene, NCEP-Ene, ea Pronóstico
Mar . Para la entrada de precipitación, w CHIRPS yo uso lo mismo máscara utilizada para UKMO-ene). Producimos del nivel del agua de cada pronóstico retrospectivo del
precipitación (Figura 2), recuadrado al de 1.0◦. La smi
asonal hindca st rejilla común miembro de cada pronóstico conjunto, para obtener un conjunto del nivel del agua
precipitación retrospectiva estacional en la poner es el mes muy malo estacional para cada año de 1994-2016. Para ECMWF-Feb y ECMWF-Ene, s durante un
precipitación proyectada promediada sobre la mi enFigura 2 e
regiones . el estacional también producimos pronóstico período más largo de 1981 a 2016 (consulte la Sección
entrada AMO retrospectiva enmascarada es SST r
envejecido sobre el océano Atlántico 4.3).
anomalías av (0◦–70◦N y 75◦W–5E◦). Combinando todos los pronósticos por conjuntos para el nivel máximo del
Los hindcasts tienen errores en el magnitud y variabilidad para emitidos en febrero (CM agua CC-feb, DWD-feb, ECMWF-feb, METFR-feb,
lluvia (Figuras 3, 4) y SST (no se muestra), como se esperaba. Por lo tanto, corregimos el NCEP-febrero, UKMO-febrero), generamos un pronóstico de superconjunto de modelos
sesgo de la precipitación y la entrada retrospectiva de AMO, utilizando el estandarizado- múltiples (MM-febrero) que se puede emitir en febrero. Este superconjunto
técnica de reconstrucción (Pan y Dool, 1998). Esta técnica obliga es una colección de todos los miembros del conjunto de los seis pronósticos. Similarmente,
el hindcast para tener el mismo medio y d desviación estándar ción como la ob- combinamos todo el conjunto pronósticos emitidos en enero (CMCC-Jan, DWD-
raciones. Primero estandarizamos la media y dcast por removi ng el retrospectivo Jan, ECMWF-Jan, METF R-Jan, NCEP-Jan, UKMO-Jan), para generar un
la desviación estándar de hin. La corrección ted hindcast es rd
reconstruido por supersentido multimodelo pronóstico mble (MM-Jan) que se puede emitir en
aplicando las anomalías retrospectivas medias desviación a th e estandarizado Enero.
y estándar observadas. Comparamos las ormance de los 14 nuevos máximos del nivel del agua
Combinamos los mares corregidos por lluvia brumosa
retrospectiva onal Fe previsiones de rendimiento, g observaciones combinadas y estacionales hindal
sesgo y el índice AMO de febrero, del 1calle de febrero (feb. _Inicio) iniciali- producidas con moldes, con lastres pronósticos estadísticos, que solo usamos
estaciones, con la lluvia NDJ observada y el índice AMO . Combinando observaciones de origen. Más,también analizamos si los nuevos pronósticos

4
A. Chevuturi et al. Servicios climáticos 30 (2023) 100342

tabla 1 probabilidad de que el nivel del río supere el nivel de referencia de 29 m, en el que
Detalles de todas las predicciones retrospectivas estacionales utilizadas en este estudio. Tenga en el gobierno brasileño declara una emergencia, durante la próxima temporada
cuenta que, a pesar de que se producen en modo retardado, los datos de los sistemas METFR, anual de inundaciones. Para evaluar la habilidad categórica del pronóstico
NCEP y UKMO se proporcionan como si todos los miembros se hubieran inicializado el 1calleDel probabilístico utilizamos métricas de habilidad: Accuracy o Hit rate (ACC; Wilks,
mes.
2011), puntaje de habilidad de Heidke (HSS;Heidke, 1926), puntaje de habilidad de
Sistema Conjunto Inicialización Tiempo Brier discreto (BSS;Weigel et al., 2007), puntuación de habilidad de probabilidad
Medida
Tamaño
clasificada discreta, (RPSS;Weigel et al., 2007), Área bajo la curva característica
CMCC estacional 40 40 miembros comienzan en el 1993-2016 operativa relativa (ROC;Masón, 1982). ACC y HSS se calculan para cada miembro
predicción de conjunto 1calle
del conjunto y luego se promedian sobre el conjunto.
sistema v3 (SPS3;
Sanna et al., 2017)
3. Desempeño de pronósticos retrospectivos de precipitación y AMO
DWD clima alemán 30 30 miembros comienzan en el 1993-2016
Sistema de Pronóstico v2.0 1calle

(GCFS2.0;Fröhlich Usamos el 1callede febrero (Feb_Start) pronósticos retrospectivos estacionales de seis

et al., 2020) centros de predicción (CMCC, DWD, ECMWF, METFR, NCEP, UKMO), para precipitaciones y
ECMWF estacional 25 25 miembros comienzan en el 1981-2016
TSM de febrero (mes adelantado 0) y 1callede pronósticos retrospectivos de enero
sistema de pronóstico v5 1calle

(MAR5;Johnson (Jan_Start) para enero (mes adelantado 0) y febrero (mes adelantado 1) lluvia y TSM.
et al., 2019) Antes de analizar la verificación de los pronósticos anuales del nivel máximo del agua,
METFR CNRM estacional 25 1 comienza en el 1calle,12 1993-2016 analizamos el desempeño de las predicciones retrospectivas de la precipitación
sistema de pronóstico v6.4 comienzan el último jueves
estacional y la TSM para 1994–2016.
(CNRM-CM6;Baté del mes anterior, 12
y Déqué, 2016) comienzan el
El rendimiento de las precipitaciones para el mes de anticipación 0 para ambas
penúltimo jueves del inicializaciones, medido por el punto de cuadrícula CC sabio entre CHIRPS y la
mes anterior precipitación media mensual retrospectiva, es estadísticamente similar entre la mayoría
Pronóstico acoplado NCEP 28 (ene), 24 4 miembros comienzan cada 5 1993-2016 de los modelos investigados en las partes del norte del área de captación (Fig. 3). Las
modelo de sistema v2 (Feb) días
correlaciones son más altas y cubren la mayor parte de la cuenca para ECMWF, y las más
(CFSv2;Saha et al.,
2014) débiles y cubren la menor parte de la cuenca para METFR. Como era de esperar, los
UKMO global estacional 28 7 miembros en el 1calle,9el, 1993 (febrero) - pronósticos retrospectivos muestran un rendimiento reducido en plazos de entrega más
sistema de pronóstico v5 17ely 25elde cada 2016 largos, es decir, para el mes de anticipación 1, febrero desde Jan_Start (Fig. 3gl), en
(GloSea5; mes comparación con plazos de entrega más cortos, es decir, para el mes de entrega 0, enero
MacLachlan et al.,
desde Jan_Start (Fig. 3af). Como las correlaciones entre la precipitación retrospectiva de
2015)
punto de cuadrícula y los niveles máximos de agua observados muestran relaciones más
débiles que las correlaciones de la precipitación observada con los niveles máximos de
superar los pronósticos de referencia producidos con los mismos modelos agua (no se muestra), no utilizamos las máscaras de lluvia de las predicciones
estadísticos con pronósticos climatológicos y de persistencia de lluvia y AMO como retrospectivas estacionales. En su lugar, utilizamos la máscara de lluvia CHIRPS
entrada. Para hacer esto, reemplazamos los datos retrospectivos en los modelos recuadriculada para calcular el índice de lluvia retrospectivo de entrada. Este método nos
anteriores con: (i) lluvia climatológica CHIRPS de 1994-2010 e índice AMO de permite representar la relación del mundo real entre la lluvia y el nivel del agua, y no la
febrero y enero (CHIRPS-CLIM-febrero, CHIRPS-CLIM-ene); (ii) la persistencia (probable) relación sesgada en los modelos.
estacional de las precipitaciones CHIRPS y el índice AMO de febrero y enero Los sesgos de precipitaciones retrospectivas están bien establecidos para el mes de
(CHIRPS-SEAS-feb, CHIRPS-SEAS-Jan); y (iii) precipitación CHIRPS de persistencia anticipación 0 en la mayor parte de América del Sur (Figura 4af,4señor). Dentro de la
mensual e índice AMO de febrero y enero (CHIRPS-MON-Feb, CHIRPS-MON-Jan). región de captación, existen fuertes sesgos de lluvia positivos sobre los Andes, en los seis
Para la persistencia estacional, reemplazamos las precipitaciones de febrero y las pronósticos retrospectivos, que muy probablemente están asociados con errores en la
observaciones de AMO con la media NDJ anterior, para emitir pronósticos para simulación de la precipitación orográfica. CMCC, NCEP y UKMO muestran un sesgo seco
febrero; y reemplazamos la precipitación JF y AMO con la media ND anterior, para sobre el área de captación, mientras que ECMWF muestra un sesgo húmedo y DWD y
emitir pronósticos para enero. Para la persistencia mensual, reemplazamos las METFR tienen sesgos mixtos húmedos y secos en diferentes partes del área de captación.
precipitaciones de febrero y las observaciones de AMO con el enero anterior, para Estos sesgos en los pronósticos retrospectivos crecen con el tiempo de anticipación (
emitir pronósticos para febrero; y reemplazamos la lluvia de enero y AMO con el Figura 4gl).
diciembre anterior, para emitir pronósticos para enero. Por favor miraTabla 2para Usando combinaciones de observaciones de TSM y pronósticos retrospectivos,
ver la lista completa de pronósticos comparados. calculamos el índice AMO para todos los miembros del conjunto para el tiempo de
anticipación de enero y febrero (Figura 5). Para los pronósticos emitidos en febrero,
Validamos los pronósticos medios por conjuntos utilizando métricas de rendimiento combinamos el índice NDJ AMO observado junto con los datos retrospectivos Feb_Start
deterministas (coeficiente de correlación, CC; error cuadrático medio, RMSE) durante el para el índice AMO de febrero (mes adelantado 0). Para los pronósticos emitidos en
período común 1994-2016 (Tabla 2). Para comparar el rendimiento de los modelos de enero, combinamos el índice ND AMO observado junto con los datos retrospectivos
manera justa, calculamos las distribuciones de las métricas de rendimiento del modelo Jan_Start para el índice AMO JF (meses adelantados 0 y 1). Estos índices AMO, de los seis
(CC y RMSE), utilizando un enfoque de arranque, generando aleatoriamente 10000 conjuntos retrospectivos, para ambos plazos de entrega, muestran una variabilidad
muestras, a partir de los años de validación, con reemplazo, y mostramos los 5el–95el interanual similar a la observada (Figura 5). El índice AMO retrospectivo inicializado en el
percentiles de las distribuciones generadas. Para evaluar la importancia de la mejora en 1callede enero muestra una extensión de conjunto mayor que el índice de pronósticos
el rendimiento del modelo en comparación con el pronóstico climatológico de referencia, retrospectivos inicializado el 1callede febrero, lo que se espera debido al aumento del
calculamos el diferencial con el tiempo de entrega. El sesgo en el índice AMO pronosticado también
porcentaje de las distribuciones de un modelo que cae fuera del 95el aumenta con el tiempo de anticipación.
percentil de distribución CC y 5elpercentil de la distribución RMSE del pronóstico
generado utilizando la entrada climatológica de los meses respectivos (CC Score y 4. Verificación del pronóstico del nivel máximo de agua
RMSE Score). Así, comparamos todos los modelos que emiten pronósticos en
febrero contra CHIRPS-CLIM-Feb y todos los modelos que emiten pronósticos en Validamos los siete pronósticos (uno para cada uno de los seis modelos, más
enero contra CHIRPS-CLIM-Jan. Para el modelo CHIRPS-ORI-Mar también usamos el conjunto multimodelo de estos seis modelos) para el nivel máximo anual del
CHIRPS-CLIM-Feb como referencia. agua para el río Negro en Manaus, calculado utilizando datos retrospectivos para
También validamos los pronósticos del nivel del agua por conjuntos para el dos fechas de inicio: febrero y enero. Por lo tanto, tenemos 14 pronósticos que
usan datos retrospectivos: CMCC-febrero, DWD-febrero, ECMWF-febrero,

5
A. Chevuturi et al. Servicios climáticos 30 (2023) 100342

Tabla 2
Descripción de predictores de entrada para modelos estadísticos de pronóstico para el nivel máximo anual de agua para Manaus. Los pronósticos estadísticos se emiten usando
originalesChevuturi et al. (2021)modelos (ORI) en marzo (CHIRPS-ORI-Mar), febrero (CHIRPS-ORI-Feb) y enero (CHIRPS-ORI-Jan). Los pronósticos de este estudio se calculan utilizando la
persistencia estacional observada (SEAS), la persistencia mensual (MON) y la climatología (CLIM) y pronósticos retrospectivos estacionales (CMCC, DWD, ECMWF, METFR, NCEP, UKMO y
MM) para febrero y enero. Las columnas CC y RMSE muestran las métricas para los pronósticos deterministas y promedio por conjuntos. Las columnas Puntuación CC y Puntuación
RMSE muestran el porcentaje de muestras de arranque para cada métrica que está fuera de los 5el–95elpercentil de las distribuciones de CHIRPS-CLIM-Feb (para modelos de marzo y
febrero) y CHIRPS-CLIM-Jan (para modelos de enero).

Pronóstico Predictores de entrada CC RMSE CC RMSE

Modelo Puntaje Puntaje

Lluvia_Nov Lluvia_Dic Lluvia_Ene Lluvia_Feb AMA_Nov AMA_Dic AMA_Ene AMA_Feb Año Lmín

CHIRPS- OBS OBS OBS OBS OBS OBS OBS OBS OBS OBS 0,92 0.52 51.59 21.86
O YO-
Mar
CHIRPS- OBS OBS OBS - OBS OBS OBS - OBS - 0.86 0.53 4.82 13.38
ORI-febrero

CHIRPS- OBS OBS OBS MARES OBS OBS OBS MARES OBS OBS 0.86 0.59 5.56 4.89
MARES-
Feb
CHIRPS- OBS OBS OBS LUN OBS OBS OBS LUN OBS OBS 0.87 0.58 8.98 7.67
LUN-
Feb
CHIRPS- OBS OBS OBS CLIMA OBS OBS OBS CLIMA OBS OBS 0.86 0.59 5.00 5.00
CLIM-
Feb
CMCC- OBS OBS OBS CMCC OBS OBS OBS CMCC OBS OBS 0.88 0,56 13.69 6.64
Feb
DWD-febrero OBS OBS OBS DWD OBS OBS OBS DWD OBS OBS 0.87 0.57 8.37 5.82
ECMWF- OBS OBS OBS ECMWF OBS OBS OBS ECMWF OBS OBS 0,92 0.51 43.84 20.54
Feb
METFR- OBS OBS OBS METFR OBS OBS OBS METFR OBS OBS 0.88 0,56 11.90 9.06
Feb
NCEP-febrero OBS OBS OBS NCEP OBS OBS OBS NCEP OBS OBS 0.88 0,55 12.29 9.08
UKMO- OBS OBS OBS UKMO OBS OBS OBS UKMO OBS OBS 0.88 0,56 10.82 8.13
Feb

MM-feb. CMCC-febrero, DWD-febrero, ECMWF-febrero, METFR-febrero, NCEP-febrero, UKMO-febrero 0.90 0.54 20.85 10.26
CHIRPS- OBS OBS - - - - - - OBS OBS 0.79 0,63 3.48 8.20
ORI-ene
CHIRPS- OBS OBS MARES MARES OBS OBS MARES MARES OBS OBS 0.83 0,62 12.19 9.42
MARES-
Ene
CHIRPS- OBS OBS LUN LUN OBS OBS LUN LUN OBS OBS 0.85 0.59 28.84 15.38
LUN-
Ene
CHIRPS- OBS OBS CLIMA CLIMA OBS OBS CLIMA CLIMA OBS OBS 0.80 0,65 5.00 5.00
CLIM-
Ene
CMCC- OBS OBS CMCC CMCC OBS OBS CMCC CMCC OBS OBS 0.79 0,64 5.60 8.17
Ene
DWD-ene OBS OBS DWD DWD OBS OBS DWD DWD OBS OBS 0.82 0,62 9.11 9.73
ECMWF- OBS OBS ECMWF ECMWF OBS OBS ECMWF ECMWF OBS OBS 0.84 0.59 21.58 18.78
Ene
METFR- OBS OBS METFR METFR OBS OBS METFR METFR OBS OBS 0.79 0,64 10.48 9.54
Ene
NCEP-ene OBS OBS NCEP NCEP OBS OBS NCEP NCEP OBS OBS 0.81 0,62 7.90 10.92
UKMO- OBS OBS UKMO UKMO OBS OBS UKMO UKMO OBS OBS 0.78 0,65 2.22 5.41
Ene
MM-ene CMCC-enero, DWD-enero, ECMWF-enero, METFR-enero, NCEP-enero, UKMO-enero 0.83 0,60 11.56 13.75

METFR-febrero, NCEP-febrero, UKMO-febrero, MM-febrero, CMCC-ene, DWD-ene, 4.1. Pronóstico determinista

ECMWF-ene, METFR-ene, NCEP-ene, UKMO-ene, MM-ene (Figura 7). Estos 14
pronósticos tienen un conjunto calculado a partir de los miembros del conjunto
retrospectivo. Primero comparamos el desempeño de los pronósticos de media
por conjuntos (Sección4.1) contra los tres pronósticos estadísticos originales
desarrollados porChevuturi et al. (2021), que puede emitir pronósticos en enero
(CHIRPS-ORI-Jan), febrero (CHIRPS-ORI-Feb) y marzo (CHIRPS-ORI-Mar), y
pronósticos desarrollados utilizando climatología observada (CHIRPS-CLIM-Feb,
CHIRPS-CLIM- enero), persistencia estacional (CHIRPS-SEAS-Feb, CHIRPS-SEAS-Jan)
y persistencia mensual (CHIRPS-MON-Feb, CHIRPS-MON-Jan) como entrada para
lluvia y AMO (Figura 6). A continuación, verificamos el desempeño de los
pronósticos probabilísticos proporcionados por cada uno de los 14 pronósticos
basados en conjuntos contra el nivel máximo anual del agua observado (Sección
4.2). Consulte la sección2.2para obtener más detalles sobre los pronósticos
discutidos aquí.
La variabilidad del nivel máximo anual del agua en Manaus, entre 1994 y 2015,
generalmente está bien representada por los modelos estadísticos originales (Figura 6a)
e incluso los pronósticos que utilizan la persistencia observada y la climatología como
entrada para la precipitación y AMO (Figura 6bd). Los pronósticos de la media del
conjunto, utilizando datos retrospectivos estacionales, también representan
adecuadamente la variabilidad del nivel máximo anual del agua (Figura 7). Para los años
2000, 2002, 2010 y 2013 observamos sesgos negativos igualmente fuertes en todos los
pronósticos. Como enChevuturi et al. (2021), los pronósticos muestran un desempeño
reducido para CC y RMSE con mayor tiempo de espera (marzo-febrero-enero;Tabla 2).
Además, observamos las distribuciones de CC y RMSE para una comparación justa de
todos los pronósticos (Figura 8ab).
Los pronósticos de línea base con persistencia estacional y mensual y
climatología emitidos en febrero tienen desempeño similar (CC;Figura 8a) como

6
A. Chevuturi et al. Servicios climáticos 30 (2023) 100342

Fig. 3.Coeficientes de correlación (sombreados) de las anomalías de precipitación mensual entre CHIRPS y retrospectivas de (a) CMCC, (b) DWD, (c) ECMWF, (d) METFR, (e) NCEP y (f)
UKMO para las inicializaciones de Jan_Start en el mes principal 0 (enero) entre 1994 y 2016. (gl) igual que (af) pero para las inicializaciones Jan_Start en el mes adelantado 1 (febrero). (mr)
igual que (af) pero para las inicializaciones Feb_Start en el mes adelantado 0 (febrero). Las correlaciones estadísticamente significativas al nivel del 5% se muestran con punteado. Las
regiones delimitadas por líneas azules muestran el área de captación combinada de los ríos Negro, Solimões y Madiera.

Figura 4.Igual queFig. 3pero para el sesgo de lluvia (mm día−1).

CHIRPS-ORI-Fe b pero mostrar más grande er ros ( RMSE;Figura 8b) , y tener que el para nos emitieron ecasts ing pe resistencia y cl imatología, a excepción de
rendimiento reducido mance en comparación con c HIRPS - ORI-Mar (Tabla ce mi 2), a s ex- ECMWF-feb. y MM-feb. (Figura 8 ) . ECMWF-feb. supera a CHIRPS-
esperado. Vemos similar rendimiento muy reducido orman en la línea base f orecas es- O SI eb, un d muestra símil por rendimiento como C HIRPS-ORI-Mar (alta
demandado en enero y, excepto apto para CHIRPS - LUN - Jan, que sh ay si Milar confiar dencia) . Esto sugiere que sombrero w podemos ganar uno mes de plazo de entrega
rendimiento (h alto co confianza) como th e CHI RPS-ORI-feb. Decimos alto peine entrando observaciones y ECM WF estacional f por orecasts, para el mismo
confianza, cuando al menos el 95% del pronóstico cae dentro de los 5el–95el actuación (Tabla 2;Figura 8).
rangos de percentiles de CC y RMSE de otro pronóstico al comparar Las previsiones emitidas en enero, utilizando retrospectivas estacionales, también han
pronósticos símil rendimientoormance como el CHIRRIDO S-ORI-Jan, exce pt para ECMWF-Ene y
La previsión ed en febrero usando cierva estacional yesos, tener
s, emisión MM-J un. Fo r enero, el ECMWPronósticos F-Ene superar CHIRPS-
desempeño similar ance un s CHIRPS-ORI-F eb y no son significativos hormiga b mejor ORI-J un, pero realizar símil temprano a CHI RPS-LUN-Ene (alto

7
A. Chevuturi et al. Servicios climáticos 30 (2023) 100342

Figura 5.Pronósticos estadísticos y observados (línea continua negra) para el índice AMO durante el período 1994–2016 utilizando (a) datos retrospectivos estacionales de CMCC emitidos en febrero
(conjunto, diagrama de caja magenta; media del conjunto, estrella magenta y línea de puntos) y enero (conjunto, diagrama de caja cian; media del conjunto, estrella cian y línea de puntos). (bf) es igual
que (a) pero para (b) DWD, (c) ECMWF, (d) METFR, (e) NCEP y (f) UKMO. Tenga en cuenta que los bigotes del gráfico de caja representan el rango mínimo y máximo del conjunto.

Fi gramo. 6.Nivel de agua observado (línea continua (a) spronósticos estadísticos del nivel del agua utilizando datos observados
usado en marzo (CHIRPS-ORI-Mar; línea punteada posterior),
negra) y febrero (CHIRPS-ORI-febrero; línea punteada roja)anoaiss ry (CHIRPS-ORI-Jan; línea punteada azul) durante 1994–2016. IRPS- (bd) son iguales que (a) pero para pronósticos emitidos en
y J febrero y enero usando (b) climatología de persistencia (C HSEAS-Feb, CHIRPS-SEAS-Ene), (c) observaciones persistentes mensualesCE (CHI RPS-LUN-Feb, CHIRPS-MON-Ene), y (d)
estacional (CHIRPS-CLIM-febrero, CHIRPS-CLIM-ene) de opara lluvia y AMO.

confianza). Sin embargo, el ECMWF-Ene pronostica es un es similar a CHIRPSdmi Jan pronostica, estas perce etapas caen al 20% de la distribución de CC y RMSE.
ORI-Feb (confianza moderada). Moderadamente c onfince en comparación ciones estando fuera de los 5th–95el rango percentil de CHIRPS-CLIM-Jan. mucho mejor
entre el desempeño del pronóstico se considera cuando solo 75% de los dis- CHIRPS-MON-Jan realiza slig que ECMWF-Jan. Sin embargo, los pronósticos del
tribuciones para CC y RMSE superposición entre t él para refundiciones er, el ma basado en ECMWF nivel máximo del agua son significativamente
Para ECMWF-Feb encontramos que el 50% deC distribución y 20% del mejor que el nivel del agua pronósticos pronóstico sts utilizando la climatología como entrada. Todas las
la distribución C RMSE está fuera del 5el– CHIRPS-95el rango percentil de basados en retrospectivas realizar demás m son similares o peores que las de ella,
CLIM-Feb, como con CHIRPS-ORI-Mar ( T capazmi2). Para el ECMWF- pronósticos basados en climatología ts. Furt pronósticos medios de múltiples modelos (MM-

8
A. Chevuturi et al. Servicios climáticos 30 (2023) 100342

Figura 7.Igual queFigura 5pero para el nivel máximo anual de agua (m) en Manaus.

Feb y MM-Ene) no muestran ninguna mejora con respecto a sus respectivas que sería correcto debido al azar (HSS≈0,65). ECMWF-Feb también muestra un mejor
contrapartes del ECMWF (ECMWF-Feb y ECMWF-Ene) y ofrecen poco valor sobre la rendimiento del pronóstico probabilístico en relación con el pronóstico climatológico de
climatología o la persistencia para pronosticar los niveles de agua. referencia para las dos categorías (RPSS>0); el pronóstico puede discriminar claramente
entre los dos resultados alternativos (ROC> 0.9). Esto sugiere que los pronósticos
probabilísticos de ECMWF-Feb tienen un claro potencial para uso operativo. Los
4.2. Pronóstico probabilístico pronósticos probabilísticos del ECMWF-enero tienen menor habilidad que los pronósticos
probabilísticos del ECMWF-febrero, como se esperaba, asociado con la pérdida de nitidez
Para verificar los 14 pronósticos probabilísticos del nivel máximo del agua en en los pronósticos por conjuntos del ECMWF-enero en relación con el ECMWF-febrero (
Manaus emitidos en enero y febrero, comparamos las probabilidades derivadas Figura 7C). Sin embargo, la habilidad probabilística para enero aún es moderada y puede
del conjunto de pronósticos contra el nivel máximo anual del agua observado para tener algún uso para advertencias anteriores de eventos de inundación.
1994–2016. Los pronósticos por conjuntos emitidos en enero tienen una
dispersión por conjuntos mucho mayor que los pronósticos emitidos en febrero ( Para pronósticos de terciles de nivel máximo de agua, los pronósticos del
Figura 7), como se esperaba. Para las previsiones de enero, incluimos plomo ECMWF tienen mayor habilidad en el tercil inferior y superior que en el medio
mes 0 y 1, mientras que para las previsiones de febrero, solo incluimos plomo tercil (no mostrado), lo que sugiere que los pronósticos predicen
mes 0. Vemos un aumento similar en los pronósticos de AMO de anuncio w con tiempo de espera para Las condiciones mucho mejores que casi condiciones normales. Esta habilidad mejoró
spre del conjunto (Figura 5). nulas pueden deberse a una mayor l para el tercil superior y el tercil inferior
Los pronósticos por conjuntos de todos los modelos incluyen los observaciónmáximo alimentado precipitación prevista, en escalas de tiempo sobre la cuenca del Amazonas (Klingamán de
valores del nivel del agua para la mayoría de los años, con algunos por
complementos ( ejemplo, 1998, 2001, subestacionales. et al., 2021). Mejor pronósticos por conjuntos del ECMWF sobre
excepto 2002, 2010, 2013;Figura 7). Medimos objetivamente t para un el p habilidad robabilistica desempeño América del Sur no solo producepronósticos kilful del nivel del agua usando
pronóstico de dos categorías (por encima y por debajo del umbral) mi 29 nivel de agua modelos estadísticos como en el actual estudio, pero también se han utilizado para
usando ACC, HSS, RPSS y ROC (Sección 2.2). En cuanto al conjunto proporcionar skilo Pronósticos completos de caudales ts usando hidrológico-hidrodinámico
Pronósticos medios, el fo probabilístico basado en ECMWF recapts (ECMWF-feb. modelos (Siqueira et al., 2020).
y ECMWF-Jan) también son mejores en ambos plazos de entrega. Además, el multi-
Pronósticos de superconjunto del modelo (MM-Feb y MM no son - Ene ) no son significativos
mucho mejores que los pronósticos basados en el ECMWF. 4.3. Pronóstico en tiempo real
Dado que los pronósticos del nivel del agua basados en el WF-F eb y ECMWF-
ECMWF (ECM de enero) superan claramente a los otros uate basados para
ecasts, evaluamos Para probar aún más nuestro método der previsión operativa en tiempo real
en pronósticos retrospectivos, los pronósticos del ECMWF continúan todos pag periodo disponible aplicación, utilizamos el ECMWF operativo pronósticos estacionales proporcionados por el
ce
para el fu (1981-2016). Durante 1981–2016, el conjunto de desempeño m etrics Para el disponible para 2017-2021. pronósticos La única diferencia entre los pronósticos
pronosticó la media del ECMWF-Feb (CC = 0.91, RMSE = 0,45 m) y estacionales (2017-2021) y retrospectivos (1981-2016) es el d los
Pronósticos ECMWF-Ene (CC = 0.83, RMSE = 0.59 m) re principal similar a tamaño del conjunto: 51 vs 25 miembros re pronósticos. No podemos probar esto para todos
los del período 1993-2016 (Tabla 2). modelos ya que algunos centros de predicción no hacen pronósticos disponibles para
También evaluamos la habilidad probabilística de la E CMWF pronostica más el período completo 2017-2021. Calculamos emitir pronósticos retrospectivos de los
1981-2016 (Figura 8C). La curaduría del conjunto ECMWF- orecast tiene 90% ac- el nivel máximo anual de agua en el mes de anales para enero de 2017–2020 y
Feb (ACC≈0,90) en el pronóstico de la categoría (un nivel de
arriba y por debajo de 29 m febrero, usando datos combinados de observaciones y pronósticos del ECMWF.
agua), con un 65 % de precisión después de corregir paraesos pronósticos Comparamos estos datos retrospectivos pronósticos con observaciones y

9
A. Chevuturi et al. Servicios climáticos 30 (2023) 100342

Figura 8.(a) Comparación de pronósticos

estadísticos para el nivel máximo anual de agua
para Manaus durante el período de validación de
1994–2016. Los pronósticos que se muestran se
basan en la precipitación observada y se emiten
de enero a marzo (ORI; negro), se emiten en
febrero y enero según la climatología (CLIM; gris
claro), la persistencia mensual (MON; gris) o la
persistencia estacional (SEAS; gris oscuro) ) y en
base a retrospectivas estacionales (colores). Las
métricas que se muestran son el coeficiente de
correlación (CC) y el 5el–95elrango percentil de su
distribución bootstrap. (b) igual que (a) pero para
el error cuadrático medio (RMSE) y
el 5el–95elrango percentil de su distribución bootstrap.
Para los pronósticos basados en retrospectivas, CC y
RMSE se calculan para la media del conjunto. (c)
Puntajes de habilidad categóricos (Exactitud, ACC;
Puntaje de habilidad de Heidke, HSS; Puntaje de
habilidad de probabilidad clasificada, RPSS; Puntaje de
característica operativa relativa; ROC) para pronósticos
probabilísticos basados en ECMWF emitidos en
febrero (círculo rojo) y enero (estrella roja) para
1981-2016, calculado para las categorías por encima y
por debajo de 29 m. (d) Pronósticos retrospectivos
basados en el ECMWF para 2017-2021 emitidos en
enero (media del conjunto, estrella cian; conjunto,
diagramas de caja cian) y febrero (media del conjunto,
estrella magenta; conjunto, diagramas de caja
magenta), y comparados con las observaciones (línea
negra continua ) y pronóstico CHIRPS-ORI-Mar original
(línea de puntos negra). Tenga en cuenta que los
bigotes del gráfico de caja representan el rango
mínimo y máximo del conjunto.

Previsiones CHIRPS-ORI-Mar (Figura 8d). La e ECMWF- sí y ECMWF-feb. norte agua maxima r nivel para Manaos son proporcionados por institutos
dispersión del conjunto de pronósticos incluye el raciones para
r la mayoría de los años, CPRM (maciel brasileños t al., 2020; Maciel et al., 2022) e INPA (Schöngart
ob solo los valores de 2017 y 2021 fuera del nivel e CEPPM - fecon distribución b. Para Basura, 2007; Carolina del Sur y höngart y Junk, 2020).
máximo de agua de 2017, tanto ECMWF-Feb como S-ORI-Ma r sobrestimar el Chevuturi y Alabama. (2021)Desarrolló modelos estadísticos de pronóstico
CHIRP; el ECMWF-Jan e las observaciones. El conjunto m cada uno
norte es mucho más cercano a máximo anual para el nivel del agua m del río Negro en Manaus, basados en
diferencial emitido en enero y, por lo tanto, es másparami yesos Ja vea mucho más grande rai de captación nfall (el predictor predominante), teleces a gran escala, la
probable que incluyan una mayor incertidumbre tumi la o EEBrvaciones, pero también conexión individual tendencia lineal a largo plazo del nivel del agua y antevels. Estos
en el pronóstico. Para 2 estimar la inundación 021, todos el e pronósticos sub- agua cedente le pronósticos, que solo utilizan las observaciones como un
extrema (30,02 m), los miembros de wi para solo algunos mi conjunto extremo entrada, mostró o rendimiento operacionalmente viable, en la fecha actual más
ECMWF-Jan se acercan wmi tenga en cuenta que al ob servaciones. Sin embargo, lea operacional temprana de marzo, al mejorar la habilidad de los operadores
ECMWF-Feb y ECMWF-J (más de 29 m) para 2021 una predicción exniveles de inundaciones extremas modelos
con 90 respectivamente. Para todos los demás % y 73% pag
respeto de la robabilidad en este estudio , investigamos extender el tiempo de entrega del original
años, ECMWF- Salida de febrero rforms ECMWF-ene, modo estadístico l, emitido en marzo, mediante la incorporación de una estacionalidad dinámica,

con una dispersión mucho menor y, por lo tanto, lo Wer forec rápido incertidumbre. Nuestro pronóstico informar para desarrollar una previsión útil y hábil desde el punto de vista operativo.
análisis de tLas previsiones basadas en el ECMWF indican que el ECMWF de-febrero y Proyecciones para el nivel máximo anual de agua en Manaus. Generamos previsión
Los pronósticos por conjuntos ECMWF-Jan pueden proporcionar información útil y hábil en tiempo real. yesos, que combinan observaciones y pronósticos estacionales de seis
operación prueba final forec lístico apts. centro de predicción es como entrada al modelo original. Las nuevas previsiones pueden
se emitirá ópera cionalmente en dos plazos de entrega: febrero y enero. Realizamos
5. Suma metroario y Conclusio s norte comparar el ne pronósticos contra los modelos estadísticos originales y calculamos
previsiones generales utilizando la persistencia y la climatología de las precipitaciones pluviales y

Flú ding en la r ríos de th miAmazonas el río Negro que e

cuenca, como AMO observati posteriores durante el período 1994-2016. Nuestros resultados son suma-
fluye th hombre tosco aus, puede b e devastador ting a th sus alrededores marized a continuación:

(Mareng o et al., 2 013; Marén ir y E espinosa, 2 016). Por lo tanto, los

t crítico avanzar la predicción ción de hola gh agua niveles de Amazonía • De todos los hindc pronósticos basados en ast emitidos en febrero, solo los ECMWFsts
ríos, t o proporcionar metro efecto mineral ve y oído mentiroso ngs de inmersiones y medios pronóstico basado funcionan mejor que el porcentaje de confianza estadístico original
sásteres, por más correo electrónico ca efectiva ción a s proteger l de subsistencia inminentes previsión (75 de febrero). El rendimiento mejorado de ECMWF
(Schöng art y jun k, 2007; Mamá Ciel et al., 2020). operaciónpronósticos racionales de

10
A. Chevuturi et al.
Las precipitaciones estacionales y los pronósticos de TSM conducen a pronósticos mejorados
del nivel máximo del agua basados en el ECMWF.
• El superconjunto de modelos múltiples no ofrece un rendimiento
estacional adicional útil sobre los modelos individuales o los pronósticos
climatológicos y de persistencia.
• Los pronósticos basados en el ECMWF de media de conjuntos, emitidos en febrero,
tienen un desempeño similar al pronóstico estadístico original emitido en marzo
(95% de confianza). Por lo tanto, ganamos efectivamente un mes de tiempo de
anticipación: el modelo estadístico original de marzo emite pronósticos a mediados
de marzo; Los pronósticos basados en el ECMWF pueden emitirse a mediados de
febrero, ya que los pronósticos estacionales actualmente están disponibles
públicamente el 13eldía de cada mes.
• Al tiempo de anticipación de enero, los pronósticos basados en el ECMWF de media
de conjunto funcionan de manera similar a los pronósticos estadísticos originales
emitidos en febrero (75 % de confianza) y a los pronósticos que usan persistencia
mensual (95 % de confianza).
• El desempeño del pronóstico se deteriora con el aumento del tiempo de anticipación
(de febrero a enero). La dispersión del conjunto de los pronósticos emitidos en enero
es mucho mayor que la de los pronósticos emitidos en febrero, lo que significa
mayor incertidumbre y menor habilidad para los pronósticos emitidos en enero.
• Los pronósticos por conjuntos basados en el ECMWF emitidos en febrero muestran
potencial para el uso operativo, ya que pronostican con precisión las categorías
correctas de nivel de agua por encima y por debajo de los 29 m (condiciones de
emergencia), incluso después de corregir la probabilidad de pronósticos correctos
debido al azar. Además, estos pronósticos son mejores que el pronóstico
climatológico de referencia para discriminar entre los dos resultados alternativos
(por encima o por debajo de 29 m).
• Los pronósticos para Manaus, emitidos en febrero, utilizando pronósticos estacionales del
ECMWF en tiempo real, muestran un desempeño adecuado. Por lo tanto, concluimos que los
datos de pronóstico estacional del ECMWF se pueden combinar con los datos observados
para pronosticar operativamente el nivel máximo del agua en Manaus, un mes antes de los
pronósticos estadísticos originales emitidos a mediados de marzo.
Es posible que estudios adicionales puedan extender nuestro trabajo a otras regiones de la
cuenca del Amazonas. Nuestros resultados también sugieren que una mayor investigación podría
combinar datos de pronóstico de lluvia a un rango más corto (p. ej., pronósticos estacionales)
cuando el desempeño del modelo es mayor, con datos de lluvia persistente/climatológica a un
rango más largo cuando el desempeño del modelo es menor, para desarrollar pronósticos en
tiempos de anticipación más prolongados. El uso de pronósticos subestacionales también podría
generar pronósticos con actualizaciones más frecuentes que los pronósticos actualizados
mensualmente producidos aquí.
Declaración de contribución de autoría CRediT
Amulya Chevuturi:Investigación, software, curación de datos, visualización,
redacción: borrador original.Nicolás P. Klingaman:Conceptualización,
Investigación, Supervisión, Redacción - revisión y edición.Steven J. Woolnough:
Conceptualización, Investigación, Supervisión, Redacción - revisión y edición.
Conrado M. Rudorff:Conceptualización, Investigación, Redacción - revisión y
edición.Caio como Coelho:Conceptualización, Investigación, Redacción - revisión y
edición.Jochen Schöngart:Conceptualización, Investigación, Curación de datos,
Redacción - revisión y edición.
Declaración de interés en competencia
Los autores declaran que no tienen intereses financieros en competencia ni
relaciones personales conocidas que pudieran haber influido en el trabajo
informado en este documento.
Agradecimientos
Este estudio fue apoyado por Newton Fund a través de Met Office
Climate Science for Service Partnership Brazil (CSSP Brazil) Predicing
the Evolution of the Amazon Catchment to Forecast the Level Of
11
Servicios climáticos 30 (2023) 100342
Proyecto de agua (PEACFLOW). NPK y SJW recibieron el apoyo del programa
ACREW del Centro Nacional de Ciencias Atmosféricas (NCAS) y el Fondo de
Investigación de Desafíos Globales (GCRF). CASC agradece al CNPq, proceso
305206/2019–2, y a la Fundação de Amparo á Pesquisa do Estado de São
Paulo (FAPESP), proceso 2015/50687–8 (Proyecto CLIMAX) por el apoyo
recibido.
La Agencia Brasileña de Agua (ANA; www.snirh.gov.br/hidroweb/publico/
medicoes_historicas_abas.jsf) proporciona datos diarios sobre el nivel del agua del
río Negro en Manaos. La fuente de CHIRPS es https://data.chc. ucsb.edu/products/
CHIRPS-2.0/global_daily/netcdf/p05/. Los datos de AMO observados provienen de
https://psl.noaa.gov/data/correlation/amon.us. datos.largos. La fuente de los
pronósticos originales existentes para el nivel máximo anual del agua en Manaos
esChevuturi et al. (2021). Los pronósticos estacionales de diferentes centros de
predicción están disponibles en https://cds.climate.copernicus.eu/cdsapp#!/
dataset/seasonal-monthly-single-levels?tab=form. El código para pronosticar el
nivel máximo anual de agua para el río Negro en Manaus está disponible en el
módulo "Using_Seasonal-Forecasts" de https://github.com/achevuturi/
PEACFLOW_Manaus-flood-forecasting.
Referencias
Alves, MEP, Fan, FM, Paiva, RCDd, Siqueira, VA, Fleischmann, AS, Brêda, JP,
Laipelt, L., Araújo, AA, 2022. Evaluación de la capacidad de los modelos hidrológico-
hidrodinámicos a gran escala para mapear el peligro de inundación en el sur de Brasil.
RBRH 27. Barichivich, J., Gloor, E., Peylin, P., Brienen, RJ, Schöngart, J., Espinoza, JC,
Pattnayak, KC, 2018. Intensificación reciente de las inundaciones extremas en el Amazonas impulsadas por el
fortalecimiento de la circulación de Walker. ciencia Adv. 4, eaat8785.
Batté, L., Déqué, M., 2016. Corrección aleatoria de errores del modelo en ARPEGE-Climate v6.
1 componente de CNRM-CM: aplicaciones para pronósticos estacionales. Desarrollo del modelo
geocientífico 9, 2055-2076.
Callède, J., Cochonneau, G., Vieira Alves, F., Guyot, JL, Santos Guimaraes, V., De
Oliveira, E., 2010. El aporte hídrico del río amazonas al océano atlántico. Revue des
sciences de l'eau 23.
Chevuturi, A., Klingaman, NP, Rudorff, Conrado M., Coelho, CAS, Schöngart, ., 2021.
Pronóstico del nivel máximo anual de agua para el río Negro en Manaus.
Resiliencia climática Sostenibilidad 1–17.https://doi.org/10.1002/cli2.18.
Coelho, C., Stephenson, D., Balmaseda, M., Doblas-Reyes, F., Van Oldenborgh, G., 2006.
Hacia un sistema integrado de pronóstico estacional para América del Sur. J. Clim. 19,
3704–3721.
Dolman, DI, Brown, IF, Anderson, LO, Warner, JF, Marchezini, V., Santos, GLP,
2018. Repensar las evaluaciones de impacto socioeconómico de los desastres: la inundación
de 2015 en Rio Branco, Amazonia brasileña. En t. J. Reducción del riesgo de desastres 31,
212–219. Fan, FM, Siqueira, VA, Fleischmann, AS, Brêda, JPF, Paiva, RCDd, Pontes, PR
M., Collischonn, W., 2021. Sobre la discretización de redes fluviales para modelos
hidrológico-hidrodinámicos a gran escala. RBRH 26.
Fröhlich, K., Dobrynin, M., Isensee, K., Gessner, C., Paxian, A., Pohlmann, H., Haak, H.,
Brune, S., Früh, B., Baehr, J., 2020. El sistema alemán de pronóstico del clima: GCFS.
Revista de avances en el modelado de sistemas terrestres, e2020MS002101.
Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., Husak, G.,
Rowland, J., Harrison, L., Hoell, A., et al., 2015. El clima amenaza la precipitación infrarroja
con estaciones: un nuevo récord ambiental para monitorear extremos. ciencia Datos 2, 1–
21.
Gloor, M., Brienen, RJ, Galbraith, D., Feldpausch, TR, Schöngart, J., Guyot, JL,
Espinoza, JC, Lloyd, J., Phillips, OL, 2013. Intensificación del ciclo hidrológico
amazónico en las últimas dos décadas. Geofísico. Res. Letón. 40, 1729–1733. Grill,
G., Lehner, B., Thieme, M., Geenen, B., Tickner, D., Antonelli, F., Babu, S.,
Borrelli, P., Cheng, L., Crochetiere, H., et al., 2019. Mapeo de los ríos de flujo libre del
mundo. Naturaleza 569, 215–221.
Gubler, S., Sedlmeier, K., Bhend, J., Avalos, G., Coelho, C., Escajadillo, Y., Jacques-
Coper, M., Martinez, R., Schwierz, C., De Skansi, M., et al., 2020. Evaluación del
desempeño del pronóstico estacional ECMWF SEAS5 en América del Sur. Pronóstico del
tiempo 35, 561–584.
Heidke, P., 1926. Berechnung des Erfolges und der Güte der Windstärkevorhersagen im
Sturmwarnungsdienst. Geogr. Ana. 8, 301–349.
Johnson, SJ, Stockdale, TN, Ferranti, L., Balmaseda, MA, Molteni, F., Magnusson, L.,
Tietsche, S., Decremer, D., Weisheimer, A., Balsamo, G., et al., 2019. SEAS5: el nuevo sistema
de pronóstico estacional del ECMWF. Geosci. Desarrollo del modelo 12, 1087–1117. Junk, WJ,
Piedade, MTF, Lourival, R., Wittmann, F., Kandus, P., Lacerda, LD,
Bozelli, RL, et al., 2014. Humedales brasileños: su definición, delimitación y clasificación
para la investigación, la gestión sostenible y la protección. Conservación acuática:
ecosistemas marinos de agua dulce 24, 5–22.
Junk, WJ, Piedade, MTF, Schöngart, J., Cohn-Haft, M., Adeney, JM, Wittmann, F.,
2011. Una clasificación de los principales humedales naturales de las tierras bajas amazónicas.
Humedales 31, 623–640.
Klingaman, NP, Young, M., Chevuturi, A., Guimaraes, B., Guo, L., Woolnough, SJ,
Coelho, CA, Kubota, PY, Holloway, CE, 2021. Rendimiento de la predicción subestacional para las
precipitaciones del verano austral en América del Sur. Pronóstico del tiempo 36, 147–169.
A. Chevuturi et al.
Maciel, JSC, Alves, LGS, Corra, BGDS, De Carvalho, IMR, Oliveira, MA, 2020.
Pronóstico de inundaciones en Manaus, Amazonas, Brasil. WIT Trans. Entorno construido:
Sistemas de agua urbana e inundaciones III 194, 63–72.https://doi.org/10.2495/
FRIAR200061. Maciel, JSC, Alves, LGS, De Oliveira, DG, Corrêa, BGS, De Carvalho, IMR, 2022.
Analizando el aviso de inundación del río Negro en Manaus. En t. J. Medio Ambiente. Impactos 5,
51–64.
MacLachlan, C., Arribas, A., Peterson, KA, Maidens, A., Fereday, D., Scaife, A.,
Gordon, M., Vellinga, M., Williams, A., Comer, R., et al., 2015. Sistema mundial de pronóstico
estacional versión 5 (GloSea5): un sistema de pronóstico estacional de alta resolución.
Meteorito QJR. Soc. 141, 1072–1084.
Marengo, JA, Borma, LS, Rodríguez, DA, Pinho, P., Soares, WR, Alves, LM, 2013.
Extremos recientes de sequía e inundaciones en la Amazonía: vulnerabilidades y
adaptación humana. Diario americano de. Clima Cambiar.
Marengo, JA, Espinoza, JC, 2016. Sequías estacionales extremas e inundaciones en la Amazonía:
causas, tendencias e impactos. En t. J. Climatol. 36, 1033-1050.
Marengo, JA, Tomasella, J., Soares, WR, Alves, LM, Nobre, CA, 2012. Extremo
eventos climáticos en la cuenca amazónica. teoría aplicación Climatol. 107, 73–85. Mason, I., 1982.
Un modelo para la evaluación de los pronósticos del tiempo. agosto Meteorito. Mag 30,
291–303.
Meade, RH, Rayol, JM, Da Conceicão, SC, Natividade, JR, 1991. Efectos de remanso
en la cuenca del río Amazonas de Brasil. Reinar. Geol. ciencia del agua 18, 105–114.
Montecinos, A., Díaz, A., Aceituno, P., 2000. Diagnóstico estacional y predictibilidad de
lluvia en la zona subtropical de América del Sur con base en la TSM del Pacífico tropical. J. Clim.
13, 746–758.
Nobre, P., Marengo, J., Cavalcanti, IFdA, Obregón, G., Barros, V., Camilloni, I.,
Campos, N., Ferreira, AG, 2006. Previsibilidad estacional a decenal y predicción del
clima sudamericano. J. Clim. 19, 5988–6004.
Paiva, R., Collischonn, W., Bonnet, MP, De Gonçalves, L., 2012. Sobre las fuentes de
incertidumbre de la predicción hidrológica en la Amazonía. Hidrol. Sistema Tierra ciencia
dieciséis. Paiva, RC, Collischonn, W., Tucci, CE, 2011. Hidrología e hidrodinámica a gran escala
modelado utilizando datos limitados y un enfoque basado en gis. J. Hydrol. 406, 170–181. de
Paiva, RCD, Buarque, DC, Collischonn, W., Bonnet, MP, Frappart, F., Calmant, S.,
Bulhões Mendes, CA, 2013. Modelado hidrológico e hidrodinámico a gran escala de la
cuenca del río Amazonas. Recurso de agua. Res. 49, 1226-1243.
Paiva, Rd, Collischonn, W., Bonnet, MP, De Goncalves, L., Calmant, S., Getirana, A.,
Santos da Silva, J., 2013. Asimilación de datos de altimetría in situ y de radar en un modelo
hidrológico-hidrodinámico a gran escala para el pronóstico de caudales en la Amazonía. Hidrología y
Ciencias del Sistema Terrestre 17, 2929–2946.
12
Servicios climáticos 30 (2023) 100342
Pan, J., van den Dool, H., 1998. Pronósticos de probabilidad de rango extendido basados en
salida del modelo dinámico. Clima y pronóstico 13, 983–996.
Richey, JE, Nobre, C., Deser, C., 1989. Descarga del río Amazonas y variabilidad climática:
1903 a 1985. Ciencia 246, 101–103.
Saha, S., Moorthi, S., Wu, X., Wang, J., Nadiga, S., Tripp, P., Behringer, D., Hou, YT,
et al., 2014. El sistema de pronóstico del clima NCEP versión 2. Journal of climate 27,
2185–2208.
Sanna, A., Borrelli, A., Athanasiadis, P., Materia, S., Storto, A., Navarra, A., Tibaldi, S.,
Gualdi, S., 2017. El sistema de pronóstico del clima del NCEP versión 2. Centro Euro-
Mediterraneo sui Cambiamenti Climatici (Nota técnica del CMCC) RP0285. https://
www.cmcc.it/publications/rp0285-cmcc-sps3-the-cmcc-seasonal-prediction-system-3.
Schneider, U., Finger, P., Meyer-Christoffer, A., Rustemeier, E., Ziese, M., Becker, A.,
2017. Evaluación del ciclo hidrológico sobre la tierra usando la climatología de precipitación
recién corregida del Centro de Climatología de Precipitación Global (GPCC). Ambiente 8, 52.
Schöngart, J., Junk, WJ, 2007. Pronóstico del pulso de inundación en la Amazonía central por
ENSO-índices. J. Hydrol. 335, 124–132.
Schöngart, J., Junk, WJ, 2020. Clima e hidrologia nas várzeas da Amazônia Central, en:
Várzeas Amazônicas: Desafíos para um Manejo Sustentável. Editorial INPA. https://
repositorio.inpa.gov.br/handle/1/36480.
Siqueira, VA, Fan, FM, De Paiva, RCD, Ramos, MH, Collischonn, W., 2020.
Habilidad potencial de los pronósticos de flujo de flujo de conjunto de mediano alcance a escala continental para
la predicción de inundaciones en América del Sur. J. Hydrol. 590, 125430.
Siqueira, VA, Paiva, RC, Fleischmann, AS, Fan, FM, Ruhoff, AL, Pontes, PR,
Paris, A., Calmant, S., Collischonn, W., 2018. Hacia el modelado hidrológico-hidrodinámico
continental en América del Sur. Hidrol. Sistema Tierra ciencia 22, 4815–4842.
Towner, J., Cloke, HL, Lavado, W., Santini, W., Bazo, J., Coughlan de Pérez, E.,
Stephens, EM, 2020. Atribución de las inundaciones del Amazonas a los modos de variabilidad
climática: una revisión. Aplicaciones meteorológicas 27, e1949.
Towner, J., Cloke, HL, Zsoter, E., Flamig, Z., Hoch, JM, Bazo, J., Coughlan de Perez, E.,
Stephens, EM, 2019. Evaluación del rendimiento de los modelos hidrológicos globales para capturar
los caudales máximos de los ríos en la cuenca del Amazonas. Hidrol. Sistema Tierra ciencia 23, 3057–
3080.
Weigel, AP, Liniger, MA, Appenzeller, C., 2007. El discreto Brier y clasificado
puntajes de habilidad de probabilidad. Lun. Tiempo Rev. 135, 118–124.
Wilks, DS, 2011. Métodos estadísticos en las ciencias atmosféricas, volumen 100.
prensa académica.
Traducido del inglés al español - www.onlinedoctranslator.com

Prueba previa del diario

Predicción de la temperatura del aire interior y el confort térmico en entornos laborales mediante
pronósticos meteorológicos, sensores interiores y redes neuronales artificiales

Markus Sulzer, Andreas Christen, Andreas Matzarakis

IIP: S0360-1323(23)00104-X

DOI: https://doi.org/10.1016/j.buildenv.2023.110077

Referencia: BAE 110077

Aparecer en: Edificación y Medio Ambiente

Fecha de recepción: 30 de agosto de 2022

Fecha de revisión: 22 de diciembre de 2022

Fecha de aceptación: 4 de febrero de 2023

Cite este artículo como: Sulzer M, Christen A, Matzarakis A, Predicción de la temperatura del aire interior y el confort
térmico en entornos laborales utilizando pronósticos meteorológicos, sensores interiores y redes neuronales
artificiales,Edificación y Medio Ambiente(2023), doi:https://doi.org/10.1016/j.buildenv.2023.110077.

Este es un archivo PDF de un artículo que experimentó mejoras después de la aceptación, como la adición de una portada
y metadatos, y el formato para mejorar la legibilidad, pero aún no es la versión definitiva registrada. Esta versión se
someterá a correcciones, composición tipográfica y revisión adicionales antes de que se publique en su forma final, pero
proporcionamos esta versión para dar visibilidad temprana al artículo. Tenga en cuenta que, durante el proceso de
producción, se pueden descubrir errores que podrían afectar el contenido, y todos los avisos legales que se aplican a la
revista pertenecen.

© 2023 Publicado por Elsevier Ltd.

 Aprendizaje automáticocompara todos los datos interiores anteriores medidos por cada
MoBiMet con el ICONconcurrent (pasado) de DWDpronóstico del tiempo al aire libre de la
celda de cuadrícula más cercana. La inteligencia artificial intentapredecir el comportamiento
interior en función de las condiciones exteriores.

Servidor MoBiMet

rio
ia
ld
09:0
0

de
12:0
0
15:0

ia
0
18:0

ev
0

pr
ba
ue
Pr

Termómetro de globo
Se colocan más de 100 sistemas
Sensor de intensidad de luz
MoBiMet endiferentes lugares de
Sensor de termopila infrarrojo sin contacto
trabajoy remitir sus datos de forma
continua.

Tablero único
computadora Un MoBiMetmide variables climáticas con
Termómetro, múltiples sensores para recopilar datos durante
pantalla de papel electrónico
higrómetro al menos un año en un lugar de trabajo.
 Disponible en línea enwww.cienciadirecta.com

Edificación y Medio Ambiente

página de inicio de la revista: http://www.elsevier.com/locate/buildenv

1 Predicción de la temperatura del aire interior y el confort térmico en

2 Configuraciones ocupacionales utilizando pronósticos meteorológicos, sensores interiores,

3 y redes neuronales artificiales

a
eb
4 marcus sulzera,*, Andreas Christena, Andreas Matzarakisa,b ru
-p
5 aCátedra de Meteorología Ambiental, Departamento de Ciencias Ambientales y de la Tierra, Facultad de Ciencias Ambientales y Naturales

6 Recursos, Universidad de Friburgo, D-79085 Friburgo, Alemania

Pr

7 bCentro de Investigación de Biometeorología Humana, Servicio Meteorológico Alemán, Stefan-Meier-Str. 4, D-79104 Friburgo, Alemania
na

8 Abstracto
ur

9 Presentamos un enfoque para generar pronósticos de temperatura interior específicos de la ubicación (Ti) y confort térmico y emisión
Jo

10 advertencias de calor interior para entornos laborales. Los pronósticos para interiores se generan utilizando pronósticos meteorológicos para exteriores estándar

11 productos y una red neuronal artificial (ANN) entrenada en el sitio utilizando mediciones locales en interiores de un sensor de bajo costo

12 sistema de medicionTiy temperatura interior fisiológicamente equivalente (PETi). Los resultados son cada hora en interiores.Tiy PETi

13 pronósticos Se probaron simultáneamente diferentes productos de pronóstico basados en ANN que utilizan diferentes predictores en 121 lugares de trabajo en

14 edificios agrícolas, industriales, de almacenamiento y de oficinas utilizando datos para un ciclo anual completo. Un pronóstico se consideró hábil

15 cuando elTiy PETiel pronóstico fue <2 K de las mediciones reales. El modelo de mejor desempeño usó los predictores de tiempo de

* Autor correspondiente. Tel.: +49-761-203-6822. Dirección de correo

electrónico: markus.sulzer@meteo.uni-freiburg.de.
 2 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 año, semana y día; posición solar; y variables de pronóstico del tiempo al aire libre para entrenar y ejecutar una ANN para predecirTio mascotai. Él

2 tuvo un error de pronóstico absoluto medio anual promedio de 0.87 K paraTiy 0,99 K para PETidurante las próximas 24 horas, con Pearson

3 coeficientes de correlación de 0,98 y 0,97, respectivamente. En general, el 91% deTiprevisiones y el 88% del PETilos pronósticos fueron hábiles.

4 Los pronósticos interiores mostraron mayores errores en el verano que en el invierno. Concluimos que la combinación de datos interiores con

5 Los pronósticos meteorológicos que utilizan ANN podrían implementarse ampliamente para proporcionar pronósticos meteorológicos interiores específicos de la ubicación para

6 mejorar y localizar los sistemas de alerta de calor y salud.

8 Palabras clave: estrés por calor; pronóstico de la temperatura del aire interior; previsión de confort térmico interior; temperatura equivalente fisiológica; artificial

9 red neuronal; red de sensores de bajo costo; Sistema de advertencia de calor interior.

10

ba
11 1. Introducción r ue
-p
12 El calor puede afectar negativamente a la salud y la productividad humanas [1–3] y, por lo tanto, a la economía [4]. lugares de trabajo
re

13 El exterior y el interior de los edificios pueden estar expuestos al calor causado por factores ambientales naturales y artificiales [5].
P

14 El calor generalmente resulta en una reducción de la eficiencia del trabajo [6]. En casos extremos, los trabajadores pueden sufrir golpes de calor, calor
al

15 agotamiento u otras condiciones médicas causadas o potenciadas por el calor [7]. Además, el calor excesivo en
rn

dieciséis lugares de trabajo aumenta significativamente la mortalidad y la morbilidad relacionadas con las lesiones [6]. Otras consecuencias económicas

17
Jo

pueden ser perturbaciones en el proceso de producción [8] y reducción de la capacidad de trabajo causada por la disminución del trabajo de los trabajadores

18 tolerancia y aumento de los períodos de descanso y recuperación [5].

19 Debido al cambio climático, los períodos elevados de estrés por calor y las olas de calor están aumentando en todo el mundo [9]. Para

20 ejemplo, las olas de calor serán más prolongadas, intensas y frecuentes en Europa [10]. Después del calor extremo de Europa

21 ola en 2003, que causó 70.000 muertes adicionales [11], la mayoría de los países europeos desarrollaron calor-salud

22 sistemas de alerta (HHWS) [12]. Los HHWS tienen como objetivo minimizar los impactos negativos en la salud humana durante el calor

23 episodios advirtiendo a la población y desencadenando precauciones y preparación [13]. Algunos países también utilizan

24 índices de confort térmico en sus HHWSs [12]. Los índices de confort térmico generalmente describen el calor humano

25 percepción basada en múltiples variables meteorológicas [14]. Una métrica común de confort térmico es la
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 3

1 temperatura fisiológicamente equivalente (PET) en grados Celsius (°C), que se basa en la energía humana

2 equilibrio y se puede aplicar a lugares exteriores e interiores [15–17]. El cálculo de PET requiere cuatro

3 variables meteorológicas que afectan el intercambio de calor entre el cuerpo humano y su entorno: temperatura del aire

4 (Ta), velocidad media del viento (v), temperatura radiante media (Tseñor), y la presión de vapor (ρv) [18].

5 En promedio, las personas en Europa Central pasan el 85 % de su tiempo en edificios (interiores) [19].Tay valores PET

6 medida al aire libre puede diferir significativamente de la temperatura del aire interior (Ti) y fisiológicamente equivalente

7 temperatura (PETi) y entre diferentes ubicaciones interiores en la misma ciudad o edificio [19,20].Timediciones

8 en 25 salas de Londres (Inglaterra) demostró que al aire libreTalas mediciones fueron inadecuadas para evaluar el interior

ba
exposición al calor [21]. Hay situaciones con estrés por calor exterior pero no interior y donde las condiciones de calor interior

10 exceder las condiciones de calor al aire libre (por ejemplo, durante la noche).

11 ue
Por lo tanto, los HHWS deben considerar las condiciones interiores. Para predecir la exposición al calor en lugares interiores, los HHWS
pr
12 utilizar modelos de simulación de construcción muy simplificados [22]. Por ejemplo, el Servicio Meteorológico Alemán (DWD)
-

13 utiliza un modelo para un solo edificio estandarizado para predecir la temperatura del aire interior durante la noche [13]. Sin embargo,
Pr

14 factores de construcción de edificios, tales como materiales, diseño de paredes y techos, sombreado, ventilación, ubicación del edificio,

15
rio

ocupación, calor adicional y fuentes de enfriamiento, pueden causar diferencias significativas en las condiciones de exposición entre

dieciséis edificios en la misma zona [20].

ia

17 Los sensores ambientales de bajo costo se pueden usar para recopilar los datos necesarios para calcular el PET y, por lo tanto, el
D

18 confort térmico de los humanos en interiores [20,23,24]. Uso de datos de mediciones meteorológicas en interiores para el modelo de interiores

19 el entrenamiento o la parametrización pueden mejorarTiy pronósticos de HHWS en interiores (iHHWS) [21,25]. Mientras que el PET es uno

20 de los índices de confort térmico más utilizados [15–17], no se ha utilizado previamente en HHWS o iHHWS.

21 Las redes neuronales artificiales (ANN) se han aplicado en diferentes campos de las ciencias ambientales [26,27],

22 incluida la meteorología ambiental [28–30]. Por ejemplo, las RNA se han utilizado para predecir islas de calor urbanas.

23 intensidades [31,32], calidad del aire interior [33] yTisin información termodinámica sobre los materiales de construcción

24 [34–45]. ANN que predicenTise puede utilizar para reducir el uso de energía del edificio al tiempo que proporciona comodidad térmica para

25 los ocupantes [46]. Sin embargo, hasta el momento, los modelos de predicción de ANN para interiores carecen de la capacidad de ser utilizados en un
 4 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 manera generalizada para otros edificios [46]. Ozbalta et al. usó una ANN para predecir la media diariaTide un solo

2 habitación en la Universidad de Ege en Izmir, Turquía, según el día del año y los medios diarios para meteorología

3 VariablesTa, humedad relativa (RH), y al aire librevproporcionada por el Servicio Meteorológico Estatal de Turquía en

4 Esmirna [36]. Thomas y Soleimani-Mohseni (2007) predijeronTien dos edificios en la parte sur de

5 Suecia utilizando los valores de corrienteTi, potencia del radiador, hora del día y variables meteorológicas exteriores

6 Tay la temperatura del aire solar como variables de entrada para los modelos ANN del primer edificio y varios diferentes

7 variables interiores para el segundo edificio [37]. May Tzuc et al. utilizó diferentes métodos de inteligencia artificial para

8 modeloTipara una habitación individual en un edificio de la Universidad de Yucatán (UADY) en Mérida, México [44]. Su

de
9 los datos de entrada del modelo fueron un año de promedios por hora para variables meteorológicasTa,RH,vy la irradiancia global

10 (GRAMO) grabado en el techo del edificio; datos del sensor de ocupación que representan recuentos de ocupantes para la habitación y

11 pr
edificio; y las horas de trabajo [44]. En su situación, una red neuronal de perceptrón multicapa con una oculta
e-
12 capa mostró el mejor rendimiento para el modeladoTi[44]. Kémajou et al. y Mba et al. utilizó ANN para pronosticar
Pr

13 TiyRHen una habitación individual en Douala, Camerún [35,40]. Su promedio por horaTimodelos de predicción utilizadosTaen

14 un tiempo objetivo dado y un promedio por horaTidesde hasta seis horas antes de esa hora objetivo [35] o promedio por horaTi
a
st

15 yTadesde hasta doce horas antes de esa hora objetivo [40]. Afroz et al. utilizó una ANN con un no lineal
vi

dieciséis autorregresivo y un método de entrada externo (exógeno) para predecirTien una habitación individual en Australia con
Re

17 resolución de cinco minutos [41]. Todos estos estudios utilizaron una ANN para predecirTien una habitación individual e intentó

18 para encontrar el mejor modelo para esa habitación [34–36,40–44]. Datos de observación meteorológica al aire libre para el tiempo objetivo

19 y/o los intervalos de tiempo anteriores se utilizan como datos de entrada para que los modelos ANN prediganTi[34,35,37,40–44].

20 Por lo tanto, los modelos ANN operan en un modo retrospectivo o pronostican solo el siguiente intervalo de tiempo, no

21 calcular pronósticos “reales” para los ambientes interiores en un futuro cercano (hasta 24 horas). Además, anteriores

22 TiLos datos [35,40,41] y/u otros datos del interior de los edificios [37,44] son utilizados como datos de entrada por los modelos ANN para

23 prediciendoTi. Mientras que previamente modeladoTilos datos se pueden usar como datos de entrada, las predicciones empeoran con el tiempo

24 periodos en los que se midieronTino se utilizan datos [40]. Por lo tanto, los modelos presentados en estudios previos

25 solo funciona de manera confiable cuando los datos de observación en interiores actuales están disponibles.
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 5

1 Este artículo tiene como objetivo desarrollar un enfoque que permita a corto plazo, ubicación específicaTiy PETiprevisiones para

2 Muchos entornos ocupacionales interiores y semiexteriores representativos de los lugares de trabajo en una región entera con un

3 resolución horaria. Los pronósticos se producen para el día siguiente usando una combinación de clima exterior oficial

4 pronósticos y una ANN capacitada en el sitio utilizando mediciones anteriores en interiores y pronósticos en exteriores. Los datos de destino

5 se midieron utilizando sensores de bajo costo instalados en 121 lugares de trabajo durante un ciclo anual completo. Los datos de muestra

6 eran datos no meteorológicos (p. ej., la época del año y el día) y pronósticos meteorológicos de un

7 modelo que estima las condiciones interiores para las próximas 24 horas o medido por una estación meteorológica automatizada (AWS)

8 para probar los pronósticos en un modo retrospectivo. Los objetivos eran producir pronósticos individuales para cada lugar de trabajo basados en

ia
9 en datos medidos en interiores para entrenamiento y pruebas, pero no como entrada del modelo y para investigar dónde (sector, ubicación,

ev
10 y piso) y cuándo (día/noche y verano/invierno) se pueden hacer pronósticos individuales hábiles. Los 121 observados

11 pr
Los lugares de trabajo y sus correspondientes modelos de interior permiten una comparación entre los lugares de trabajo dentro del mismo

12 edificio o empresa y entre lugares de trabajo en diferentes empresas, sectores o entornos geográficos en el
a
eb

13 región. Las directrices de Verein Deutscher Ingenieure ISO 7726 indican que se necesita una precisión de ±2 K para
ru

14 Tseñorpara evaluar el confort térmico en interiores y ±5 K para el estrés térmico en exteriores [47]. Por lo tanto, desdeTseñores un
P

15 variable de entrada en el cálculo de PET, PETilos pronósticos se consideraban hábiles cuando su error absoluto era <2
nl

dieciséis K. Para una mejor comparación,Tilos pronósticos también se consideraron hábiles cuando su error absoluto era <2 K.
u
Jo

17 2. Materiales y métodos

18 2.1 Fuentes de datos

19 Se midió la temperatura del aire interior y se calculó el confort térmico humano interior en 121

20 lugares de trabajo de forma continua durante todo un año en Francia, Suiza y Alemania, ubicados en el Alto Rin

21 Valle y las montañas adyacentes de los Vosgos y la Selva Negra (de 130 m a 1045 m snm). Mientras que la mayoría observó

22 los lugares de trabajo eran oficinas (62), también incluían graneros u otros lugares de trabajo agrícolas en espacios semiexteriores.

23 ubicaciones (20); producción, laboratorios o talleres junto a maquinaria (pesada) que genera calor residual (25);
 6 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 y trasteros, logística o almacenes (11). Muchos lugares de trabajo tenían sistemas de calefacción y todos excepto cuatro

2 no tenia aire acondicionado. Muchos lugares de trabajo tenían ventanas que los ocupantes podían abrir. Algunos edificios fueron

3 equipado con múltiples sistemas de sensores en diferentes pisos o en diferentes habitaciones con diferente exposición al sol.

4 Cincuenta y cuatro lugares de trabajo equipados con sensores estaban en Friburgo, Alemania, y sus alrededores (máximo

5 ~15 km del centro de la ciudad de Friburgo).

6 Cada uno de los 121 lugares de trabajo estaba equipado con un sistema de sensores de bajo costo hecho a la medida, “Mobile

7 Biometeorological System” (MoBiMet), que se operó continuamente durante más de 1 año [20]. El MoBiMet

8 comprende múltiples sensores ambientales conectados a una computadora de placa única Raspberry Pi Zero WH

9 (Raspberry Pi [Trading] Limited, Cambridge, Reino Unido) en una carcasa impresa en 3D [20]. Los MoBiMet midieronTa

e
rd
10 (ºC),ρv(hPa), yTseñor(°C) en todos los lugares de trabajo yv(EM-1) en lugares de trabajo semiexteriores cada cinco minutos [20].

11 En los lugares de trabajo interiores,vno se tuvo en cuenta en el cálculo del confort térmico humano debido a su
-p
12
re
valores bajos [48,49] y se fijó en un valor supuesto de 0,1 ms−1, correspondiente a las condiciones interiores típicas y

13 el entorno de referencia de PET informado en otros estudios [50-52]. En los lugares de trabajo semiexteriores,vtambién se estableció
lP

14 a 0,1 ms−1cuando se mide como 0,0 ms−1por el MoBiMet. El MoBiMet usó un globo negro hecho a la medida
a

15 termómetro para determinarTseñor[20]. El PET se calculó directamente en el dispositivo desde el MoBiMet

st

mediciones meteorológicas paraTa,ρv,Tseñory, cuando esté disponible,vutilizando el código de Walther y Goestchel

vi

dieciséis
Re

17 [53]. Los datos se transfirieron en tiempo real a una base de datos mediante Wi-Fi o LoRaWAN (Long Range Wide Area

18 Red) [20]. Por defecto, MoBiMet calculó la PET para una persona estandarizada (hombre, 35 años, 1,75

19 m, y 75 kg) [54] con ropa de referencia de 0,9 clo y metabolismo de trabajo de 80 W, correspondiente a luz

20 actividad en un traje de negocios [14,17,18,52].

21 Antes de la instalación, los sensores de bajo costo utilizados en los sistemas MoBiMet se calibraron con los sensores de última generación.

22 sensores de grado de investigación de última generación [20]. Todo el sistema MoBiMet se comparó con el sensor de costo medio Kestrel 5400

23 Heat Stress Tracker (Nielsen-Kellerman Co., Boothwyn, PA, EE. UU.) en una oficina durante dos semanas en agosto de 2021.

24 Mostró errores aceptables, dado el pequeño tamaño y bajo costo de los materiales utilizados en el MoBiMet [20]. El

25 errores absolutos medios (MAEs) paraTa,ρv,Tseñor, y PET en comparación con el Kestrel como referencia fueron 0,19 K, 0,19
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 7

1 hPa, 0,52 K y 0,34 K, respectivamente [20]. Durante la exposición a la radiación solar directa,Ta,Tseñory PET

2 los valores fueron subestimados por el MoBiMet en comparación con el Kestrel. ElTay PET determinado por el

3 Los MoBiMet se denominaron temperatura del aire interior observada (Tyo,o) y fisiológicamente equivalente (PETyo,o). Mayoría

4 los lugares de trabajo observados habían estado equipados con MoBiMets desde la primavera de 2021 o principios del verano de 2021.

5 Los promedios horarios de los disponiblesTyo,oy PETyo,odatos fueron utilizados en este estudio. En algún semi-exterior

6 lugares de trabajo, el sensor de humedad se reemplazó con un HTU21D-F (Adafruit Industries, Nueva York, NY, EE. UU.)

7 sensor en la primavera de 2022 debido a problemas de rendimiento en entornos de alta humedad y posteriormente se utilizó

8 para calcular PETyo,o. Debido a la transmisión de datos técnicos o problemas de conexión a la red, no todos los lugares de trabajo

a
9 los datos estuvieron disponibles continuamente durante todo el período de medición. Detalles de cada sitio y su disponibilidad de datos

eb
10 se proporcionan en la Tabla A1 en el Apéndice. En promedio, la disponibilidad de datos mediana fue del 89 % para todos los sensores.

11 ru
A continuación, “datos genéricos” para modelarTiy PETise refiere a la altitud solar horaria y al azimut en cada
-p
12 ubicación, el día de la semana y una función seno y coseno del ciclo diario y anual. Los datos de AWS fueron tomados
re

13 de una estación climática urbana convencional situada al aire libre en la azotea de un edificio de gran altura a la altura de
lP

14 51 m sobre el nivel del suelo en Friburgo (Estación FRCHEM; 48°00'04'' N; 7°50'55'' E).Tiy PETifueron modelados

15 usando promedios horarios para las variables meteorológicasTa(ºC) yρv(hPa; CS215A Temperatura y Humedad
rio

dieciséis Investigacion; Campbell Scientific Inc., Logan, UT, EE. UU.), presión media a nivel del mar (MSLP; hPa; BAROCAP; Vaisala,
ia

17 Vantaa, Finlandia),GRAMO(W m−2; piranómetro CMP21; Kipp & Zonen, Delft, Países Bajos) y onda larga
D

18 radiación descendente (AGRAMO; W m−2; pirgeómetro CG1; Kipp & Zonen, Delft, Países Bajos) medido a 2

19 m sobre el nivel del techo, yv(EM-1; anemómetro de copa; Lambrecht Meteo GmbH, Göttingen, Alemania) a medida

20 10 m sobre el nivel del techo.

21 El marco de modelado icosaédrico no hidrostático (ICON) fue desarrollado por el Instituto Max Plank

22 para Meteorología y el DWD para proporcionar un sistema de modelado adecuado para el modelado climático y numérico

23 predicciones meteorológicas [55]. ICON-D2 es un sistema de modelo regional, utilizado para el clima numérico operativo

24 pronósticos desde febrero de 2021 y cubre el área de Alemania y sus países vecinos [56,57]. El icono-

25 El dominio D2 cubrió toda el área de estudio, con un tamaño de malla de rejilla horizontal fina de 0.02°, correspondiente a un
 8 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 resolución horizontal de ~2 km [56]. ICON-D2 supera el pronóstico meteorológico numérico operativo anterior

2 sistema por precisión y eficiencia computacional [57].Tiy PETimodelado con pronósticos operativos utilizados

3 Datos de pronóstico del tiempo ICON-D2 en la cuadrícula regular de latitud y longitud del DWD (Fig. 1).

rio
ia
ld
de
ia
ev
pr
b a
ue

5
Pr

6 Fig. 1. Estructura del flujo de datos utilizado para el modelo de pronóstico interior entrenado con sensores interiores de bajo costo.

7 Los pronósticos ICON-D2 se ejecutan ocho veces al día, con un rango de pronóstico de 48 h [56]. Los datos de previsión utilizados

8 en este estudio se tomaron desde las 00:00 (UTC) corridas cada día. Previsiones de condiciones exteriores para las próximas 24 h

9 se utilizaron para entrenar el modelo y evaluar su desempeño. Se utilizaron nueve variables para obtener el mismo

10 Variables meteorológicas proporcionadas por la AWS:T_2M(la temperatura a 2 m sobre el suelo; K),RELHUM_2M

11 (HR a 2 m sobre el suelo; %),SPM(presión superficial reducida a msl; Pensilvania),U_10M(viento zonal a 10 m arriba

12 suelo; EM−1),V_10M(viento meridional a 10 m sobre el suelo; EM−1),ASWDIR_S(superficie solar directa

 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 9

1 radiación [promedio desde el inicio del modelo]; W m−2),ASWDIFD_S(superficie hacia abajo radiación solar difusa [promedio desde el

2 inicio del modelo]; W m−2),ATHB_S(flujo neto de radiación de onda larga en la superficie [promedio desde el inicio del modelo]; W m−2),

3 yT_SO(0) (la temperatura de la superficie del suelo; K) [56]. Los datos de pronóstico más cercanos a la ubicación de cada lugar de

4 trabajo se extrajeron de los archivos ICON-D2 GRIB2 usando el comando “grib_get” de los “ecCodes”

5 desarrollado por el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo [58].T_2MyRELHUM_2Meran

6 usado para calcularρva través de la presión de vapor saturado (ρv, s; hPa) utilizando la ecuación de Clausius-Clapeyron [59]. Los

7 componentes del vector de vientoU_10MyV_10Mse convirtieron a la velocidad media del viento vectorial horizontalv. Las

8 variables ICON-D2 seleccionadas se generaron como promedios y se transformaron en promedios por hora antes de su

al
posterior procesamiento. Los promedios horarios deASWDIR_SyASWDIFD_Sse sumaron para obtenerGRAMO.AGRAMOse calculó

on
10 como la diferencia entreATHB_Sy la emisión de onda larga de la Tierra (LW↑; W m−2), calculado a partir deT_SO(0) según la ley

i
11 es
de Stefan-Boltzmann [60], suponiendo que la Tierra es un cuerpo negro. el modeladoTiy PETiEn adelante, los datos se

12
f
denominan temperatura del aire interior modelada (Tsoy) y temperatura fisiológicamente equivalente (PETsoy)
ro

13
p
e-

14 2.2 RNA
Pr
io

15 La ANN se construyó con el paquete de python Keras usando TensorFlow [61]. El modelo comprendía una entrada
r
ia

dieciséis capa, una capa oculta y una capa de salida (Fig. 2). Solo se utilizó una única capa oculta en los modelos ANN. Este
D

17 enfoque es comparable a los modelos propuestos en estudios similares [34,35,40,42,44]. PorqueTiy PETipoder

18 difieren significativamente entre ubicaciones geográficas, sectores ocupacionales y habitaciones en el mismo edificio [20],

19 entrenar una sola ANN común para todas las ubicaciones interiores sería inapropiado. En cambio, específico de la ubicación,

20 ANN individuales fueron entrenados paraTiy PETien cada lugar de trabajo. Por lo tanto, cada lugar de trabajo tenía dos modelos,

21 uno paraTiy uno para PETi. Todos los modelos fueron entrenados y evaluados utilizando datos recopilados entre el 1 de agosto de

22 2021 y 31 de julio de 2022.

23
 10 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

rio
ia
1
ld
de
2 Figura 2. Estructura de la RNA.
ia

3 La capa oculta usó una función de activación sigmoidea y la capa de salida una función de activación lineal,
ev

4 comparable a similarenfoques [41,44]. La capa oculta constaba de 16 neuronas y utilizó un tamaño de lote de
pr

5 ocho. Otros modelos que predecían el ambiente interior usaban de 4 a 30 neuronas [35,38,40,42,44]. La ANN usó el
b a

6 optimizador “adam” [62] con una tasa de aprendizaje por defecto de 0,001.
ue

7 Además de los datos meteorológicos medios horarios para cada tiempo real (t), medias horarias det−1 h,t−3
Pr

8 h,t−6 h,t−12 h, yt−24 h deTa,GRAMO, yAGRAMOse agregaron a los conjuntos de datos de ejemplo de AWS e ICON-D2. Su

9 la inclusión probó si los "datos pasados" adicionales podrían mejorar los modelos ANN basados solo en AWS instantáneo

10 o datos exteriores ICON-D2, posiblemente representando el tiempo de retraso entre las temperaturas máximas interiores y exteriores

11 [21].

12 Antes de construir los modelos ANN individuales para cada lugar de trabajo, sus datos disponibles se dividieron en

13 conjuntos de datos de entrenamiento, validación y prueba. El conjunto de datos de prueba comprendía los datos de la última semana de cada mes y

14 no se usó para construir el modelo ANN sino para evaluar su desempeño después. Los datos restantes fueron

15 aleatoriamente y divididos en conjuntos de datos de validación (20%) y entrenamiento (80%) [61,63]. Antes de entrenar, todos
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 11

1 los datos se normalizaron a una distribución centrada alrededor de 0 con una desviación estándar (DE) de 1 [63]. La RNA

2 fue entrenado para un máximo de 1000 épocas. Cuando la pérdida de validación del modelo no disminuyó durante 15 épocas, el

3 El proceso de aprendizaje se detuvo temprano y se restauraron los mejores pesos para evitar el sobreajuste. La función de pérdida

4 utilizado fue MAE.

5 2.3 Productos de previsión

6 Los diferentes productos de pronóstico se muestran en la Tabla 1. Producto 0 (ICON_Fuera) previstoTade acuerdo a

7 el punto de cuadrícula ICON-D2 más cercano sin más cambios. Por lo tanto, utilizó condiciones al aire libre (Ti=Ta), y

rio
8 La TEP se calculó directamente a partir de los datos del ICON-D2 exterior utilizando el software RayMan Pro [64]. Antes

ia
9 calculo de mascotas,vde ICON-D2 se transformó en la velocidad del viento a una altura de 1,1 m sobre el suelo

10 nivel (v1.1) según Matzarakis et al. usando la siguiente ecuación [65]:

ld
de
11
ia

0.12∗ 0+0.18
12 1,1=  ℎ(1.1/ℎ) (1)
ev

13
pr

14 Dóndevhes la velocidad del viento en la altura de h (m) sobre el nivel del suelo yz0es la longitud de rugosidad (m), conjunto
b a

15 a 1,5 m para todas las estaciones. Las variables meteorológicas de los datos del ICON-D2Ta,ρv,v1.1, yGRAMOsirvieron para calcular
ue

PET con el software RayMan Pro con el factor de vista del cielo configurado al 100 %. El factor termofisiológico y
Pr

dieciséis

17 los valores estandarizados de personas fueron los mismos que en el cálculo de PET realizado por MoBiMet (consulte la Sección

18 2.1).

19 Producto 1 (Tarifa plana) era un “modelo plano” que usaba los promedios anuales paraTyo,oy PETyo,omedido en cada

20 lugar de trabajo durante el período de formación y no supone variabilidad temporal.Tyo,oy PETyo,ose conocen como

21 “observación interior” en la Tabla 1. Producto 1 (Tarifa plana) se usó como línea de base para determinar si el otro,

22 modelos más sofisticados proporcionaron predicciones mejoradas. Consideramos las diferencias entre los otros

23 modelos y Producto 1 como sus mejoras reales. Producto 1 (Tarifa plana) fue considerado el interior más simple
 12 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 modelo con valores constantes que se suponía que funcionaría razonablemente bien durante el período de calentamiento pero no

2 durante el tiempo caluroso.

3 Los productos 2 a 5 se desarrollaron utilizando ANN. Producto 2 (ANN_Genérico) usó solo datos genéricos para entrenar a los

4 ANN y predecirTsoyy PETsoy. Además de los datos genéricos, el Producto 3 (ANN_AWS) usó los datos de AWS,

5 que solo están disponibles para el pasado, por lo que no puede proporcionar pronósticos reales. Sin embargo, ejecutamos este modelo en un

6 modo retrospectivo, utilizando los datos anteriores de AWS para aislar el error de pronóstico meteorológico del error de nuestra ANN. En

7 Además, dado que se utilizaron datos de una sola estación AWS en la ciudad de Friburgo, el Producto 3 (ANN_AWS) fue solo

8 probado para lugares de trabajo en la ciudad de Friburgo y sus alrededores (norte=54) porque los datos de AWS se convierten

al
menos representativa a medida que aumenta la distancia geográfica a la estación meteorológica.

on
10 Además de los datos genéricos., Producto 4 (ANN_ICON) modelo de entrenamiento y prueba utilizado ICON-D2 tiempo

i
11 pronósticos Producto 5 (ANN_Mixto) usó un modelo de predicción entrenado con los datos de AWS y probado con ICON-
es
12
f
Datos D2 para la ubicación de AWS. Por lo tanto, nuevamente solo estuvo disponible para Friburgo y sus alrededores.
ro

13 Se necesitarían datos adicionales de AWS para probar los Productos 3 (ANN_AWS) y 5 (ANN_Mixto) en los lugares de trabajo
p
e-

14 fuera del área de Friburgo. La Tabla 1 resume los diferentes productos de pronóstico utilizados en este estudio. Productos 3–5
Pr

15 fueron entrenados y probados con los datos de AWS y/o ICON-D2 con y sin los "datos pasados" adicionales. Mesa
io

dieciséis 2 enumera las variables de entrada utilizadas para los modelos ANN.
r
ia

17
D
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 13

1 Tabla 1. Productos probados de pronóstico de temperatura del aire interior y confort térmico. "Pronóstico posible" indica si el modelo proporciona

2 un pronóstico futuro real (sí) o solo puede ejecutarse en un modo retrospectivo (no). "Flexibilidad geográfica" indica si el entrenamiento del modelo fue

3 geográficamente flexible (sí) o era específico para las ubicaciones reales de los datos de la estación meteorológica al aire libre (no).

Producto
Pronóstico Geográfico
Modelo RNA usada Conjunto de datos de entrenamiento Conjunto de datos de prueba
posible flexibilidad
0 ICON_Fuera No Ninguno Ninguno Sí Sí
Valor medio de interior
1 Tarifa plana No Ninguno Sí Sí
observación

Datos genéricos + interior

2 ANN_Genérico Sí Datos genéricos Sí Sí
observación

AWS + datos genéricos +

3 ANN_AWS Sí AWS + datos genéricos No No
observación interior

Tiempo ICON-D2

rio
Pronóstico del tiempo ICON-D2
4 ANN_ICON Sí pronóstico + datos genéricos Sí Sí
+ datos genéricos
+ observación interior

ia
AWS + datos genéricos + Pronóstico del tiempo ICON-D2
5 ANN_Mixto Sí Sí No

4
observación interior
ld + datos genéricos
de
n
ió
ac
ar
ep
Pr
 14 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 Tabla 2. Variables de entrada del modelo ANN utilizadas para predecirTiy/o PETi. Los datos de AWS se midieron en una estación climática urbana convencional en

2 Friburgo (estación FRCHEM; 48°00'04'' N; 7°50'55'' E). Los datos del pronóstico del tiempo ICON-D2 se tomaron del modelo operativo de DWD para

3 el punto de cuadrícula más cercano a cada lugar de trabajo. Producto 5 (ANN_Mixto) las variables de entrada no se muestran ya que utiliza las mismas entradas que Product

4 3 (ANN_AWS) para formación y Producto 4 (ANN_ICON) para la previsión.

Producto 2 Producto 3 Producto 4

variable de entrada
(ANN_Genérico) (ANN_AWS) (ANN_ICON)
Medido en un AWS urbano usando
Temperatura del aireTa(ºC) No utilizado una temperatura y humedad CS215A variable ICONO-D2T_2M
Investigacion

Medido en un AWS urbano usando

Calculado a partir de variables ICON-D2
Presión de vaporρv(hPa) No utilizado una temperatura y humedad CS215A
Datos meteorológicos

T_2MyRELHUM_2M
Investigacion

rio
Presión media a nivel del mar Medido en un AWS urbano utilizando un
No utilizado variable ICONO-D2SPM
(MSLP; hPa) sensor BAROCAP

ia
Radiación global (GRAMO; W Medido en un AWS urbano utilizando un Calculado a partir de variables ICON-D2
No utilizado
m²) Piranómetro CMP21 ASWDIR_SyASWDIFD_S
Downwelling de onda larga
No utilizado ld
Medido en un AWS urbano utilizando un Calculado a partir de variables ICON-D2
de
radiación (AGRAMO;W·m²) Pirgeómetro CG1 ATHB_SyT_SO(0) Calculado a
Medido en un AWS urbano utilizando un partir de variables ICON-D2
Velocidad del viento (v; EM-1) No utilizado
U_10MyV_10M
ia

anemómetro de copa

Calculado para cada hora y lugar de trabajo utilizando la función "get_altitude" de "pysolar" de Python
ev

Altitud solar
biblioteca
datos genéricos

Calculado para cada hora y lugar de trabajo utilizando la función "get_azimuth" de "pysolar" de Python
pr

Acimut solar
biblioteca

Hora del día Función seno y coseno de la hora del día

a

Función seno y coseno del día del año

b

Época del año

Número del día de la semana (0–6)

ue

Día laborable

Tade la variable ICON-D2 T_2M

Temperatura del aire antes de Tamedido en un AWS antes det:Ta
Pr

Antes det:Ta(t−1 hora),Ta(t−3 horas),T

el tiempo objetivo (t) No utilizado (t−1 hora),Ta(t−3 horas),Ta(t−6 horas),Ta
a( t−6 horas),Ta(t−12 h), yTa
Ta(t-xh; ºC) (t−12 h), yTa(t−24 horas)
(t−24 horas)

GRAMOcalculado a partir de
"datos pasados"

Radiación global antes de GRAMOmedido en un AWS antes det:GRAMO variables ICON-D2ASWDIR_Sy

el tiempo objetivo (t) No utilizado (t−1 hora),GRAMO(t−3 horas),GRAMO(t−6 horas), ASWDIFD_SAntes det:GRAMO(t−1 hora),GRAMO (t−3

GRAMO(t-xh; W·m²) GRAMO(t−12 h), yGRAMO(t−24 horas) horas),GRAMO(t−6 horas),GRAMO(t−12 h), yGRAMO

(t−24 horas)

Downwelling de onda larga AGRAMOcalculado a partir de variables

AGRAMOmedido en un AWS antes det: AGRAMO(t−1
radiación antes de la ICON-D2ATHB_SyT_SO(0) antes det:AGRAMO
No utilizado hora),AGRAMO(t−3 horas),AGRAMO(t−6 horas),
tiempo objetivo (t) (t−1 hora),AGRAMO(t−3 horas),AGRAMO
AGRAMO(t−12 h), yAGRAMO(t−24 horas)
AGRAMO(t-xh; W·m²) (t−6 horas),AGRAMO(t−12 h), yAGRAMO(t−24 horas)

5
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 15

1 Para cada lugar de trabajo, se realizó un análisis de importancia de característica de regresión de bosque aleatorio para todas las muestras.

2 variables utilizadas como entrada en el Producto 4 (ANN_ICON) con y sin “datos pasados” para obtener información sobre

3 cuáles son los más o menos relevantes para la previsiónTio mascotai[66]. Estos puntajes brindan información sobre el conjunto de datos.

4 para comprender mejor los datos o seleccionar variables de muestra [66,67]. La importancia de la función de regresión de bosque aleatorio es

5 una técnica que proporciona puntuaciones de importancia de características [66,68].

6 2.4 Evaluación

7 2.4.1 Evaluación deTiy PETiprevisiones

rio
8 Coeficiente de correlación de Pearson (R) y MAE se utilizaron para evaluar el rendimiento del modelo con los siguientes

ia
9 ecuaciones [69,70]:

10 ld
de
11  = (̅  , −?̅? , )(  , −?̅? , )
(2)
ia

√(  , −?̅? , )2⋅√(  , −?̅? , )2
ev

12
pr

13 = |̅  , −   , | (3)

b a

14
ue

15 Aquí,Vsoyes el modeladoTio mascotaivalor, yVyo,oes lo observadoTio mascotaivalor medido/calculado por

Pr

dieciséis los sistemas MoBiMet. La barra superior denota el promedio de todos los puntos de datos de la variable debajo de la barra superior.

17 El desempeño del pronóstico se visualizó mediante la creación de diagramas de Taylor de resultados de datos de prueba, comúnmente utilizados para evaluar

18 modelos de pronóstico meteorológico, para comparar los diferentes productos de pronóstico [69]. Los diagramas de Taylor se pueden utilizar para

19 evaluar y resumir el rendimiento de los datos modelados en comparación con los datos observados [69].

20 2.4.2 Evaluación del rendimiento de la advertencia de calor en interiores

21 El desempeño de los diferentes modelos en la emisión de avisos de calor interior para los próximos días fue evaluado por

22 convirtiendo el continuoTiy PETidatos a variables binarias usando umbrales [70]. Los umbrales deTi
 dieciséis Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 los niveles de advertencia 1–3 fueron ≥26 °C, ≥30 °C y ≥35 °C, respectivamente, elegidos porque 26 °C, 30 °C y 35 °C son los

2 umbrales para evaluaciones de estrés por calor de seguridad ocupacional en lugares de trabajo cerrados de acuerdo con la Ley Federal Alemana

3 Instituto de Seguridad y Salud en el Trabajo [71]. EnTi>30°C, el empleador está obligado a proporcionar calor

4 medidas mitigadoras. EnTi>35°C, ya no se permite trabajar sin medidas técnicas u organizativas

5 o equipo de seguridad personal, como duchas de aire, fases de enfriamiento o ropa de protección contra el calor [71].

6 Los umbrales para el PETilos niveles de advertencia 1 y 2 se eligieron como ≥29 °C y ≥35 °C, respectivamente, según

7 estrés por calor moderado y severo [52,72]. Se elaboró una tabla de contingencia con cuatro celdas, una para cada posible

8 combinación de pronósticos binarios y resultados de observación: (a) “golpe” – el pronóstico y la observación alcanzaron el

rio
9 límite; (b) “falsa alarma”: el pronóstico alcanzó el umbral, pero la observación no; (c) “señorita” –

10

ia
la observación alcanzó el umbral, pero el pronóstico no; (d) “rechazo correcto” – pronóstico y observación

11
ld
no alcanzó el umbral [70]. El puntaje de habilidad real (TSS) para "advertencias de calor" se usó para evaluar la
de
12 pronósticos, que se calculó utilizando la siguiente fórmula [70]:
ia

13
ev

14 = ( ) − ( ) (4)

pr

+  + 

15
b a
ue

dieciséis 3. Resultados
Pr

17 3.1 Comparación de los diferentes productos

18 En la Fig. 3, los diferentes productos de pronóstico se comparan con las observaciones en interiores utilizando los datos de prueba disponibles.

19 de Friburgo y sus alrededores (norte=54 lugares de trabajo). Comparando pronóstico Producto 0 (ICON_Fuera) a

20 los datos de observación en interiores muestran que, como era de esperar, los pronósticos del tiempo en exteriores no son adecuados para predecirTi

21 o mascotai[21]. tenían una correlación deR~0,5 y MAE >10 K paraTsoyy PETsoydurante todo el año y todo

22 lugares de trabajo en Friburgo y sus alrededores. Producto 0 (ICON_Fuera) SD fue mucho mayor que el

23 SD de la observación interior. Además, Producto 1 (Tarifa plana), usando los promedios de los observadosTiy PETivalores
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 17

1 durante el período de entrenamiento, no podía predecir cada horaTio mascotaivalores en el conjunto de datos de prueba con la precisión suficiente para

2 cumplir con los requisitos. En promedio, en todos los lugares de trabajo en Friburgo y sus alrededores, el Producto 1

3 (Tarifa plana) MAE fue 2.64 K paraTsoyy 3.00 K para PETsoy.

4 Los productos basados en ANN tuvieron una mediaRde 0,92–0,96. Producto 2 (ANN_Genérico) se desempeñó un poco peor

5 que los Productos 3 a 5 basados en ANN que usan datos de AWS o ICON. Productos basados en ANN 3–5 usando AWS o/y

6 Los datos de pronóstico del tiempo de ICON sin "datos pasados" adicionales mostraron casi los mismos MAE (1.00–1.06 K paraTsoy

7 y 1,11–1,17 K para PETsoy). Los MAEs paraTsoyy PETsoycon Producto 3 (ANN_AWS), que funciona en un

8 retrospectiva, fueron <0,1 K más bajos que los del Producto 4 (ANN_ICON).Por lo tanto, el pronóstico del tiempo ICON-D2

rio
9 errores tuvieron poco impacto en los pronósticos interiores por Producto 4 (ANN_ICON). Los MAE para los Productos 3–5 usando

10

ia
los "datos pasados" adicionales disminuyeron en 0.08–0.09 K paraTsoyy PETsoy. Los productos 3–5 teníanRs de 0,95–0,96 para

11 Tsoyy 0,95 para PETsoy.

ld
de
12
ia
ev
pr
b a
ue
Pr

13

14 Fig. 3. Diagramas de Taylor [69] comparando el (a)Tiy (b) PETivalores de diferentes productos de pronóstico utilizando los datos de todos los lugares de trabajo en el

15 Zona de Friburgo (Alemania) (norte=54) en función de los datos de observación en interiores disponibles del conjunto de datos de prueba.

dieciséis Desde Producto 4 (ANN_ICON) podría producir pronósticos en todos los lugares de trabajo equipados con MoBiMet mientras

17 Producto 3 (ANN_AWS) solo estaba disponible para lugares de trabajo cerca de AWS, nos enfocamos principalmente en el Producto 4
 18 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 (ANN_ICON) en análisis posteriores y evaluarlo por su habilidad para producir interiores específicos del contexto.

2 predicciones de temperatura y pronósticos y advertencias de calor.

3 El uso de "datos pasados" adicionales en las ANN proporcionó ligeras mejoras. Producto 4 (ANN_ICON)Res paraTi

4 y PETieran casi iguales con "datos pasados" que sin ellos. Los MAE promedio en todos los lugares de trabajo paraTsoyy

5 MASCOTAsoydisminuyó en 0.1 K con "datos pasados". Sin embargo, para los lugares de trabajo individuales, el uso de los datos anteriores podría disminuir

6 el MAE hasta 0,40 K paraTsoyy 0,42 K para PETsoy. En el 68% de los lugares de trabajo observados, el Producto 4

7 (ANN_ICON) MAE disminuyó con "datos pasados" adicionales. La Tabla 3 resume el desempeño del pronóstico

8 productos disponibles en todos los puestos de trabajo equipados con MoBiMets, presentando el MAE yRparaTsoyy PETsoy

al
y la fracción de veces que (|Tsoy−Tyo,o|) <2K y (|PETsoy−MASCOTAyo,o|) <2 K. Todos los productos de pronóstico mostraron peores

on
10 resultados para PETique porTi. Sólo el 13% de los datos de prueba paraTsoyy 8% para PETsoymostró un error de pronóstico <2 K

i
11 para Producto 0 (ICON_Fuera). Producto 2 (ANN_Genérico) estuvo dentro de los requisitos el 76% del tiempo paraTsoy
es
12
f
y 72% para PETsoy. El error de pronóstico para el Producto 4 (ANN_ICON) con “datos pasados” fue el 91% de los disponibles
ro

13 datos de prueba <2 K paraTsoyy 88% para PETsoy. Estos son 1% y 2% más altos que para el Producto 4 (ANN_ICON) sin
p
e-

14 “datos pasados”, respectivamente. Para el 69% de los datos de prueba, el error de pronóstico para el Producto 4 (ANN_ICON) con “pasado
Pr

15 data” fue <1 K.

r io

dieciséis Tabla 3. MAE (en K) y coeficiente de correlación de Pearson (R) paraTsoyy PETsoyy la fracción de los datos de pronóstico de prueba que cumplen con el
ia

17 (|Tsoy−Tyo,o|) <2K y (|PETsoy−MASCOTAyo,o|) <2 K requisitos para los diferentes productos de previsión disponibles en todos los centros de trabajo.
D

Tsoy MASCOTAsoy

MAE R (|Tsoy−Tyo,o|) <2K MAE R (|MASCOTAsoy−MASCOTAyo,o|) <2K

Producto 0 (ICON_Exterior) 9.70 0.51 13% 12,76 0,51 8%

Producto 1 (Tarifa plana) 2.79 0.75 52% 3,21 0,71 45%
Producto 2 (ANN_Genérico) 1.45 0,93 76% 1,67 0,92 72%
Producto 4 (ANN_ICON) sin “datos pasados” 0,92 0.97 90% 1.04 0.97 86%
Producto 4 (ANN_ICON) con “datos pasados” 0.87 0.98 91% 0.99 0.97 88%
18
19 Producto 4 (ANN_ICON) con “datos pasados” tuvo el mejor MAE,R, y fracción de tiempo para los datos de pronóstico dentro

20 los requisitos paraTsoyy PETsoy. Porque Producto 4 (ANN_ICON) con "datos pasados" adicionales realizados
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 19

1 ligeramente mejor que el Producto 4 (ANN_ICON) sin “datos pasados” adicionales, el primero se usó en casi todos

2 análisis posteriores y se denomina Producto 4 (ANN_ICON) en adelante para una mejor legibilidad.

3 3.2 Importancia de diferentes predictores

4 Un análisis de importancia de una muestra aleatoria de bosques mostró que, en la mayoría de los lugares de trabajo equipados con MoBiMets,Ti

5 y PETipodría explicarse principalmente por predictorTade los datos de pronóstico del tiempo ICON-D2 o del informe anual

6 curso (Fig. 4). Para algunos lugares de trabajo,ρvtambién fue un predictor importante que explica la PETi. Además, el

7 “datos pasados” paraTade los datos de pronóstico del tiempo ICON-D2 fue un predictor importante paraTiy PETien algún

rio
8 lugares de trabajo, especialmentet−1 h deTa.

ia
9

ld
de
ia
ev
pr
b a
ue
Pr
 20 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

(a) (b)

rio
ia
ld
de
ia
ev

(C) (d)
pr

1 Fig. 4. Diagramas de caja de la importancia de la muestra aleatoria de bosques para (a, c)Tyo,oy (b, d) PETyo,ode acuerdo con los predictores meteorológicos utilizados de

2
a

el ICON-D2 y los datos genéricos sin (a, b) y con (c, d) "datos anteriores" adicionales basados en todos los datos disponibles desde el 1 de agosto de 2021 hasta
b

3
ue

31 de julio de 2022.
Pr

4 3.3 Rendimiento de advertencia de calor en interiores

5 Producto 4 (ANN_ICON) se muestra el rendimiento de las advertencias de calor en interiores en todos los lugares de trabajo paraTien la Tabla 4a

6 y PETien la Tabla 4b. Los TSS de los pronósticos horarios para los tres diferentesTilos niveles de alerta fueron 81% (≥26ºC),

7 73% (≥30ºC), y 66% (≥35°C). TSS para los dos PETilos niveles de alerta fueron 72% (≥29ºC) y 55% (≥35ºC).

8 ElTiel nivel de advertencia 1 tuvo el TSS más alto. La mascotaiEl nivel de advertencia >35°C tuvo el TSS más bajo. Sin embargo, <1%

9 delTio mascotailos valores en el conjunto de datos de prueba se registran >35°C.

 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 21

1 Producto 4 (ANN_ICON) TSS para los diferentesTiy PETiniveles de advertencia en el conjunto de datos de prueba que comprende

2 todos los lugares de trabajo mejoraron entre un 1 % y un 4 % con respecto a sin los "datos anteriores" adicionales, excepto el PETi>35°C

3 nivel de advertencia, donde el modelo sin "datos pasados" tenía un TSS un 2% más alto.

4 Tabla 4. Tabla de contingencia para promedio horario múltiple (a)Tiy (b) PETiumbrales durante el período de prueba para los 121 lugares de trabajo.

5 Las estadísticas se calcularon a partir de todos los datos disponibles desde el 1 de agosto de 2021 hasta el 31 de julio de 2022 (norte=192,860).

(a)
Tinivel de advertencia 1 Tinivel de advertencia 2 Tinivel de advertencia 3
Observación Observación Observación
Tyo,o≥ 26°C Tyo,o<26°C Tyo,o≥ 30°C Tyo,o<30°C Tyo,o≥ 35°C Tyo,o<35°C
FALSO FALSO FALSO

ia
Tsoy≥ 26°C T≥
soy30°C Tsoy≥ 35°C
golpear: golpear: golpear:
alarma: alarma: alarma:
20325 4614 869
Pronóstico

2982 1193 324

ev
correcto correcto correcto:
Tsoy<26°C
extrañar:
Tsoy<30°C
extrañar:
Tsoy<35°C
extrañar:
rechazo: rechazo: rechazo
4143 1583 438
165.410 185.470 191,229
tasa de aciertos:

83%
falsa alarma
tasa:2% 74%
pr
tasa de aciertos: falsa alarma
tasa:<1%
tasa de aciertos:

66%
falsa alarma
tasa:<1%
SST:81% SST:74% SST:66%
a
eb

(b)
MASCOTAinivel de advertencia 1 MASCOTAinivel de advertencia 2
ru

Observación Observación
MASCOTAyo,o≥ 29°C MASCOTAyo,o< 29°C MASCOTAyo,o≥ 35°C MASCOTAyo,o< 35°C

falsa alarma: falsa alarma:

P

golpear: golpear:
MASCOTAsoy≥ 29°C MASCOTAsoy≥ 35°C
7428 2111 628 302
Pronóstico

nl

extrañar: rechazo correcto: extrañar: rechazo correcto:

MASCOTAsoy< 29°C MASCOTAsoy< 35°C
2797 180,524 514 191,416
u

Tasa de falsas alarmas:

tasa de aciertos:73% tasa de aciertos:55% Tasa de falsas alarmas:<1%
1%
Jo

SST:72% SST:55%

7 3.4 Impacto del contexto del lugar de trabajo en la calidad del pronóstico

8 Uso de ANN mejoradoTiy PETipronósticos en todos los lugares de trabajo en comparación con simples pronósticos del tiempo al aire libre.

9 Los MAE en el conjunto de datos de prueba disminuyeron 0.14–19.28 K paraTsoyy 3,48–22,53 K para PETsoy. Las mejoras

10 varió para diferentes contextos laborales (Fig. 5a). Producto 4 (ANN_ICON) la mejora más pequeña sobre el Producto

11 0 (ICON_Fuera) fue observado porTipronósticos en los lugares de trabajo agrícolas, dondeTimedido por MoBiMets
 22 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 a menudo estaba cerca deTaya que los lugares de trabajo semiexteriores a menudo no cuentan con calefacción ni ventilación natural. Agrícola

2 Los lugares de trabajo incluyen graneros, cabañas forestales e invernaderos sin radiadores o aisladores que a veces son

3 faltan paredes. De media,Rmejorado en lugares de trabajo agrícolas semi-exteriores de 0.93 a 0.99 paraTi

4 pronósticos ElRdeTilas previsiones para las oficinas en general mejoraron con el Producto 4 (ANN_ ICONO) en comparación con

5 Producto 0 (ICON_Fuera) de 0,65 a 0,91. La mayor mejora enRfue visto enTiprevisiones en

6 lugares de trabajo donde el calor residual de las máquinas está generalmente presente (por ejemplo, producción, taller y laboratorio),

7 donde mejoró de 0.41 a 0.93.

8 Producto 4 (ANN_ICON) mejoras en PETiprevisiones sobre el Producto 0 (ICON_Fuera) en los diferentes

rio
9 contextos de trabajo eran similares a los deTipronósticos (Fig. 5b). Además, PETilas mejoras previstas fueron

10

ia
más pequeño para lugares de trabajo agrícolas, conRmejoró de 0,85 a 0,98. La mayor mejora enRera

11
ld
también visto en lugares de trabajo de producción, taller o laboratorio, donde mejoró de 0,47 a 0,92.
de
12
ia
ev
pr
b a
ue
Pr
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 23

rio
ia
1 ld
de
2
ia

Fig. 5. Diagramas de Taylor [69] que muestran mejoras en (a)Tiy (b) PETipronósticos en diferentes contextos de trabajo con un ANN basado

3
ev

modelo utilizando datos genéricos e ICON-D2 (Producto 4 [ANN_ICON]) en comparación con el modelo básico usando solo datos de ICON-D2 (Producto 0

4
pr

[ICON_Fuera]) en los datos de prueba de todo un año.

a

5 Los SD de las observaciones en interiores y los MAE de los productos de pronóstico 2 (ANN_Genérico) y 4 (ANN_ICON)
b
ue

6 paraTi(Fig. 6a) y PETi(Fig. 6b) se muestran por el contexto del lugar de trabajo en el conjunto de datos de prueba. lugares de trabajo que
Pr

7 experimentar poca variación en la temperatura y la radiación (es decir, una pequeña SD paraTyo,oy PETyo,oy por lo tanto una pequeña SD

8 con ambos productos de pronóstico) tuvo menorTsoyy PETsoyMAE. DóndeTyo,oSD fue <2 K, el promedioTsoyMAE

9 con Producto 2 (ANN_Genérico) fue de 0,73 K y con Producto 4 (ANN_ICON) fue de 0,64 K. En los lugares de trabajo con

10 fluctuaciones más altas (es decir, SD más grandes), el promedioTsoyMAE permaneció <1 K con el Producto 4 (ANN_ICON) pero

11 aumentó casi linealmente con el aumento de SD con el Producto 2 (ANN_Genérico). En los lugares de trabajo con unTyo,oSD de >2 K,

12 el MAE medio fue de 1,68 K con el Producto 2 (ANN_Genérico) y 0,94 K con el Producto 4 (ANN_ICON). En

13 lugares de trabajo con unTyo,oSD de >6 K, el MAE promedio fue de 2.96 K con el Producto 2 (ANN_Genérico) y 0,91 K

14 con Producto 4 (ANN_ICON).

 24 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 MASCOTAsoymodelado por Productos 2 (ANN_Genérico) y 4 (ANN_ICON) mostró un patrón similar aTsoy. Al otro lado de

2 lugares de trabajo con PETyo,oSD de <2 K, el MAE promedio fue de 0.84 K con el Producto 2 (ANN_Genérico) y 0,73

3 K con Producto 4 (ANN_ICON). En los lugares de trabajo con PETyo,oSD de >6 K, el MAE promedio fue de 3.38 K con

4 Producto 2 (ANN_Genérico) y 1,22 K con el Producto 4 (ANN_ICON). Puestos de trabajo con PETyo,ooTyo,oDE >6K

5 eran en su mayoría lugares agrícolas semi-al aire libre.

6 El MAE mínimo paraTsoycon Producto 4 (ANN_ICON) fue de 0,36 K, observado en un lugar de trabajo de laboratorio.

7 El MAE máximo con Producto 4 (ANN_ICON) fue de 2,88 K paraTsoyy 2,13 K para PETsoy, observado en

8 lugares de trabajo de producción con maquinaria de calor residual. El MAE más bajo paraTsoyy PETsoycon Producto 2

al
(ANN_Genérico) se observaron en una sala de almacenamiento en el sótano de un edificio antiguo construido alrededor de 1900.

on
10

i
f es
p ro
e-
Pr
r io
ia
D

11

12 Fig. 6. Las SD de las observaciones interiores y MAE para (a)Tiy (b) PETipronósticos en diferentes contextos laborales con Productos 2

13 (ANN_Genérico; rojo) y 4 (ANN_ICON; verde) en los datos de prueba de todo un año.

 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 25

1 3.5 Impacto temporal en la calidad del pronóstico

2 Durante todo el año, los MAE deTsoyprevisiones en los diferentes contextos laborales con el Producto 4

3 (ANN_ICON) eran casi iguales durante las horas de trabajo típicas (08:00 a 17:00 hora local, de lunes a viernes)

4 como durante todo el ciclo de 24 horas en el conjunto de datos de prueba (Tabla 5). Las diferencias promedio en todos los lugares de trabajo y

5 para cada contexto de trabajo fueron todos <0,1 K. En contraste, las diferencias con PETsoyfueron ligeramente superiores durante

6 Horas Laborales. Sin embargo, las diferencias también fueron <0,1 K en todos los lugares de trabajo y para cada contexto de lugar de trabajo.

7 excepto producción, taller y laboratorio (Cuadro 6).

rio
ia
ld
de
ia
ev
pr
b a
ue
Pr
 26 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 Tabla 5. TSS para diferentes niveles de advertencia deTi, valores medios y rangos paraTiMAE (en K) y fracción que cumple el requisito

2 (|Tsoy−Tyo,o|) < 2 K con Producto 4 (ANN_ICON). Los valores se muestran considerando todos los datos disponibles, solo datos de enero de 2022 o julio de 2022

3 solo datos; todos los lugares de trabajo o cada contexto de lugar de trabajo; y el ciclo completo de 24 horas u horas de trabajo típicas (08:00 a 17:00 hora local,

4 De lunes a viernes).

Producción/
Almacenamiento/
Todos los lugares de trabajo Oficinas laboratorio/ Agricultura
logístico
taller

0.85 1.00 0.70 0,92

0.87
Todos los datos de prueba

(año entero) (0,39–1,77) (0,36–2,88) (0,38–1,06) (0,65–1,81)

0.90 1.09 0.76 0.91

Datos de prueba

(Horas Laborales; 0.94

(0,31–1,83) (0,30–2,85) (0,45–0,96) (0,65–2,11)
año entero)
MAE

rio
0.70 0.76 0.58 0.88
0.73
Datos de prueba

(Solo enero) (0,19–2,08) (0,20–2,24) (0,24–0,92) (0,57–1,37)

ia
Datos de prueba (julio 1.06 1.22 0.81 0.89
1.04
solo)
ld
(0,42–2,74)

92%
(0,34–3,39)

88%
(0,39–1,23)

96%
(0,58–1,10)

92%
de
91%
Todos los datos de prueba

(año entero) (65%–100%) (51%–100%) (87%–100%) (63%–97%)

ia

90% 86% 95% 90%

Datos de prueba

(Horas Laborales; 90%

(63%–100%) (54%–100%) (89%–100%) (57%–97%)
ev

Fracción con año entero)

(|Tsoy−Tyo,o|) < 2K
95% 92% 97% 91%
pr

94%
Datos de prueba

(Solo enero) (54%–100%) (51%–100%) (88%–100%) (79%–99%)

86% 79% 94% 91%

a

Datos de prueba (julio

87%
solo) (41%–100%) (18%–100%) (80%–100%) (61%–99%)
b
ue

≥26:81% ≥26:78% ≥26:86% ≥26:81% ≥26:84%

≥30:74% ≥30:49% ≥30:85% ≥30:49% ≥30:74%
Todos los datos de prueba

(año entero)
≥35:66% ≥35:8% ≥35:68% ≥35:- ≥35:58%
Pr

TSS
≥26:78% ≥26:75% ≥26:82% ≥26:78% ≥26:84%
Horas Laborales
≥30:71% ≥30:45% ≥30:84% ≥30:46% ≥30:74%
(año entero)
≥35:67% ≥35:11% ≥35:71% ≥35:- ≥35:58%

5
6 El desempeño del pronóstico fue mejor en los datos de prueba para enero de 2022 que para julio de 2022. Los MAE paraTsoy

7 y PETsoyfueron 0,31 K y 0,24 K más pequeños, respectivamente, en enero que en julio al considerar todos los disponibles

8 lugares de trabajo En los centros de trabajo agrícolas, los MAEs deTsoyy PETsoyfueron menores en julio que en enero. En

9 en cambio, en los demás centros de trabajo sus MAE fueron menores en enero que en julio.

10 La fracción de los errores de pronóstico en los diferentes contextos de trabajo dentro del requisito de >2 K disminuyó

11 en un 1%–2% paraTsoyy entre un 2 % y un 3 % para PETsoydurante las horas de trabajo típicas en comparación con todo el conjunto de datos de prueba.
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 27

1 Las fracciones de errores de pronóstico dentro del requisito deTsoyen los diferentes contextos laborales fueron 91%-

2 97% en enero, disminuyendo a 79%–94% en julio. En los lugares de trabajo agrícolas, el 91% de los datos de enero y

3 El 91% en julio estaban dentro del requerimiento deTsoy. En general, en julio, el 87% de los datos mostraron un error de pronóstico

4 (|Tsoy−Tyo,o|) < 2 K, y el 60% mostró un error de pronóstico (|Tsoy−Tyo,o|) < 1 K. La fracción de PETsoyerrores de pronóstico

5 dentro del requerimiento fue 83%–86% en enero y 83%–92% en julio en los diferentes contextos laborales.

6 Los valores de julio disminuyeron en comparación con enero para todos los contextos laborales excepto la agricultura.

7 Tabla 6. TSS para diferentes niveles de advertencia de PETi, valores medios y rangos para PETiMAE (en K) y fracción que cumple el requisito

8 (|MASCOTAsoy−MASCOTAyo,o|) < 2 K con Producto 4 (ANN_ICON). Los valores se muestran considerando todos los datos disponibles, solo datos de enero de 2022 y julio

al
solo datos de 2022; todos los lugares de trabajo o cada contexto de lugar de trabajo; y el ciclo completo de 24 horas u horario de trabajo típico (08:00 a 17:00 horas locales

10

on
hora, de lunes a viernes).

i
es Producción/
Almacenamiento/
Datos Todos los lugares de trabajo Oficinas laboratorio/ Agricultura
f
logístico
taller
ro

0,92 1.00 0.79 1.17

0.99
Todos los datos de prueba
p

(año entero) (0,48–2,01) (0,36–2,21) (0,44–1,53) (0,79–1,86)

e-

1.04 1.14 0.85 1.20

Datos de prueba

(Horas Laborales; 1.08

Pr

(0,35–2,50) (0,37–2,40) (0,45–1,47) (0,87–2,20)

año entero)
MAE
0.83 0.76 0,61 1.12
0.88
Datos de prueba
io

(Solo enero) (0,19–2,47) (0,28–2,18) (0,30–1,19) (0,70–2,42)

r

Datos de prueba (julio 1.14 1.10 0.86 1.05

1.12
ia

solo). (0,41–2,85) (0,31–2,55) (0,26–1,33) (0,79–2,81)

D

90% 87% 94% 85%

88%
Todos los datos de prueba

(año entero) (61%–100%) (59%–100%) (71%–100%) (52%–94%)

88% 84% 92% 83%

Datos de prueba

Fracción con
(Horas Laborales; 86%
(59%–100%) (51%–100%) (75%–100%) (48%–94%)
año entero)
(|MASCOTAsoy−MASCOTAyo,o|) < 2

k 93% 93% 96% 83%

91%
Datos de prueba

(Solo enero) (46%–100%) (57%–100%) (84%–100%) (45%–94%)

Datos de prueba (julio 83% 83% 92% 86%

84%
solo) (41%–100%) (32%–100%) (74%–100%) (61%–94%)

Todos los datos de prueba ≥29:72% ≥29:61% ≥29:81% ≥29:66% ≥29:79%

(año entero) ≥35:55% ≥35:14% ≥35:64% ≥35: - ≥35:43%
TSS
Horas Laborales ≥29:71% ≥29:60% ≥29:82% ≥29:60% ≥29:79%
(año entero) ≥35:46% ≥35:10% ≥35:64% ≥35:- ≥35:43%

11
 28 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 TSS para los diferentesTilos niveles de advertencia disminuyeron entre un 0 % y un 3 % durante las horas de trabajo típicas en comparación con el

2 todo el conjunto de datos de prueba. En todos los lugares de trabajo, TSS para PETilos niveles de advertencia 1 y 2 disminuyeron entre un 1 % y un 9 % durante

3 horas de trabajo típicas en comparación con todo el conjunto de datos de prueba. Los TSS bajos paraTsoyy PETsoy>35°C puede ser

4 explica por la rareza de estas situaciones extremas, excepto en los lugares de trabajo de producción, taller y laboratorio.

5 En todo el conjunto de datos de prueba, solo la media de 48 horasTyo,olos valores fueron >35°C en oficinas, 24 en lugares de trabajo agrícolas,

6 y ninguno en trasteros.

7 3.6 Ejemplos de pronósticos

8 En las Figs. 7–11, diferenteTiy PETilos productos de pronóstico se comparan con las observaciones de MoBiMet en cinco

rf
ejemplo de lugares de trabajo en Friburgo o sus alrededores en condiciones de verano entre las 00:00 (UTC) de julio

10 del 25 de agosto de 2022 a las 00:00 (UTC) del 1 de agosto de 2022. Durante esta semana de julio de 2022, el promedioTafue de 23,5°C en el
-p
11 estación AWS en Freiburg, y dos noches tropicales (mínimo de la media horaria deTa>20°C) ocurrió. El
Pr

12 cada horaTael rango promedio fue de 15,9 °C a 33,1 °C. Estas cifras muestran las diferencias entre los diferentes pronósticos

13 productos y lugares de trabajo de ejemplo durante un período en el que se produce estrés por calor. Además, ilustra los datos
ta

14 productos que se pueden generar a partir de los modelos propuestos. Las advertencias de calor que se muestran para los Productos 3 a 5 en las Figs.
is

15 7–11 usó los “datos pasados” adicionales.

v
Re

dieciséis El lugar de trabajo de Office 1 estaba ubicado en la planta baja de un edificio antiguo construido principalmente de piedra alrededor de 1900.

17 en el centro de la ciudad de Friburgo (Fig. 7). La ventana de esta oficina estaba orientada al oeste y el MoBiMet estaba colocado en

18 un escritorio en su centro. Tenía 25 m², ocupados por una persona en horario laboral, y su única fuente de calor artificial

19 era una computadora. Producto 0 (ICON_Fuera) tuvo un MAE de 5.56 K paraTsoyy 9,80 K para PETsoy. Todo ANN-

20 los productos de pronóstico basados arrojaron subestimaciones la mayor parte del tiempo. Producto 2 (ANN_Genérico) mostró lo peor

21 rendimiento de los productos basados en ANN durante esta semana de julio de 2022. SubestimóTi86% del tiempo.

22 Su MAE fue de 1.17 K paraTsoyy 1,67 K para PETsoy. El MAE del Producto 4 (ANN_ICON) fue de 0,77 K paraTsoy

23 y 1,07 K para PETsoy. subestimóTi68% de la semana observada. Su MAE aumentó en 0.28 K para elTi

24 pronóstico cuando se aplicó sin los "datos pasados" adicionales. Sin embargo, su MAE para el PETipronóstico
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 29

1 disminuyó en 0,20 K.Tiy PETidisminuyó rápidamente en la mañana de cada día de trabajo cuando la ventana en este

2 Se abrió la oficina para ventilación yTi>Ta. En la Oficina 1, el 95% de losTsoyy el 82% del PETilos datos de pronóstico tenían

3 un error <2 K con el Producto 4 (ANN_ICON). El MAE deTsoyen los datos de prueba durante todo el año para Office 1 fue 0.06

4 K más bajo que en los datos de prueba de julio de 2022.

rio
ia
ld
de
ia
ev
pr
b a
ue
Pr

7 Fig. 7. Pronósticos horarios y avisos de calor para (a)Tiy (b) PETicon los diferentes productos de pronóstico y las observaciones de MoBiMet en un

8 lugar de trabajo en una oficina en la planta baja de un edificio antiguo (corresponde al lugar de trabajo 53 en la Tabla A1) para la última semana de julio de 2022.

9 El lugar de trabajo en la Oficina 2 (Fig. 8) estaba ubicado en el segundo piso (superior) de un anexo construido de metal,

10 ladrillos y hormigón con un techo de hojalata delgada en una zona industrial de Friburgo (Fig. 8). Las ventanas de esta habitación estaban
 30 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 orientación norte y este. Tenía ~20 m², ocupado por una persona en horario de trabajo, y su único calor artificial

2 la fuente era una computadora. es diurnoTiy PETilos cursos eran notablemente más grandes que en Office 1. Producto 4

3 (ANN_ICON) MAE fue 1.10 K paraTiy 1,36 para PETi, disminuyendo en 0.22 K paraTsoyy por 0,23 K para PETsoy

4 cuando se aplica sin los “datos pasados” adicionales. Sin embargo, considerando todos los datos de prueba para todo el año en Office

5 2, Producto 4 (ANN_ICON) MAE aumentó en 0,08 K cuando se aplicó sin los "datos pasados" adicionales.

rio
ia
ld
de
ia
ev
pr
b a
ue
Pr

8 Fig. 8. Pronósticos horarios y avisos de calor para (a)Tiy (b) PETicon los diferentes productos de pronóstico y las observaciones de MoBiMet en un

9 lugar de trabajo en una oficina del segundo piso directamente bajo un techo de hojalata (corresponde al lugar de trabajo 82 en la Tabla A1) para la última semana de julio de 2022.
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 31

1 El lugar de trabajo en la Oficina 3 estaba ubicado en el tercer piso de un complejo de oficinas más grande construido principalmente de concreto.

2 circa 1970 en el centro de la ciudad de Friburgo (Fig. 9). La ventana de esta oficina estaba orientada al oeste y el MoBiMet

3 fue colocado en un escritorio en su centro. Era de ~30 m², ocupada por una persona en horario de trabajo, y su única

4 fuente de calor artificial era una computadora. En Office 3, todos los productos de pronóstico subestimadosTi93%–100% de los

5 semana de prueba observada. Producto 4 (ANN_ICON) tuvo los MAE más pequeños en Office 3, 1.71 K paraTsoyy 2,02 K para

6 MASCOTAsoy. Producto 4 (ANN_ICON) aumentó en 0,62 K paraTsoyy PET de 0,99 Ksoycuando se aplica sin el

7 “datos pasados” adicionales. Las diferencias entre los Productos 3 (ANN_AWS), 4 (ANN_ICON),y 4 (ANN_Mixto)

8 aplicado con y sin los "datos pasados" adicionales fue mayor el 26 de julio de 2022, mientras que la habitación retuvo el calor

de
9 del día(s) anterior(es), peroTadisminuido El 26 de julio de 2022 utilizando los “datos pasados” disminuyó el MAE en 1,70

10 k paraTsoyy 2,21 K para PETsoy. El 27 de julio de 2022, cuando Office 3 seguía activo, tanto el Producto 4 (ANN_ICON)

11 pr
las variantes no pronosticaron adecuadamenteTiy PETi, con un MAE > 2 K. El MAE paraTsoyen la prueba de todo el año
e-
12 los datos de Office 3 fueron 0,61 K más pequeños que en julio de 2022.
Pr

13
a
st
vi
Re
 32 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

ba
r ue
-p
P re

1
al
rn

2 Fig. 9. Pronósticos horarios y avisos de calor para (a)Tiy (b) PETicon los diferentes productos de pronóstico y las observaciones de MoBiMet en un

3
Ju

lugar de trabajo en una oficina del tercer piso en un gran complejo de oficinas (corresponde al lugar de trabajo 60 en la Tabla A1) para la última semana de julio de 2022.

4 El lugar de trabajo de Producción 1 estaba ubicado junto a maquinaria pesada que generaba calor residual dentro de un ladrillo.

5 edificio construido alrededor de 1940 en un complejo de fábricas de productos químicos en la zona industrial de Friburgo (Fig. 10). El lugar de trabajo

6 Estaba en el segundo piso con ventanas orientadas al norte. EsTyo,oestaba continuamente en el nivel de advertencia 2 o 3 para el

7 semana de julio de 2022. SuTyo,oestaba entre 32,45°C y 42,84°C. su mascotaiyTyo,oeran muy similares porque no

8 la radiación solar directa golpea el sensor. Pronósticos por productos 1 a 5 utilizando los datos de interiores de MoBiMet para capacitación

9 mostrado continuamente en interioresTsoyy PETsoyAdvertencias de calor para la semana de pruebas. Producto 4 (ANN_ICON) MAE
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 33

1 fue 2.08 K paraTsoyy 2,56 para PETsoy. Mientras que el uso de los "datos pasados" adicionales mejoró el pronóstico

2 rendimiento en Producción 1 con todo el conjunto de datos de prueba, disminuyó el rendimiento previsto en esta semana de julio.

rio
ia
ld
de
ia
ev
pr
b a
ue
Pr

5 Fig. 10. Pronósticos horarios y avisos de calor para (a)Tiy (b) PETicon los diferentes productos de pronóstico y las observaciones de MoBiMet en un

6 lugar de trabajo de producción en un complejo de fábricas de productos químicos (corresponde al lugar de trabajo 83 en la Tabla A1) para la última semana de julio de 2022.

7 El lugar de trabajo de Agricultura 1 estaba ubicado en un granero ~10 km al noreste de Friburgo (Fig. 11). era semi-

8 al aire libre en un establo construido alrededor del año 2000 con madera y hormigón. El MoBiMet quedó expuesto al oeste.

9 Las fuentes de calor adicionales en este lugar de trabajo eran las vacas y ocasionalmente un tractor. Producto 0 (ICON_Fuera)

10 ya tenía un MAE < 2 K en Agrícola 1. Durante la noche y la mañana sus pronósticos fueron similares a
 34 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 Productos basados en ANN 3 (ANN_AWS), 4 (ANN_ICON),y 4 (ANN_Mixto) usando AWS y/o pronóstico del tiempo

2 datos. Sin embargo, durante la tarde y la noche, Producto 0 (ICON_Fuera) subestimadoTi. MASCOTAiera

3 subestimado durante la noche y sobreestimado durante el día por el Producto 0 (ICON_Fuera).Producto 4

4 (ANN_ICON) MAE fue 1.08 K paraTiy PETsoy.

rio
ia
ld
de
ia
ev
pr
b a
ue
Pr

7 Fig. 11. Pronósticos horarios y avisos de calor para (a)Tiy (b) PETicon los diferentes productos de pronóstico y las observaciones de MoBiMet en

8 un lugar de trabajo agrícola en un establo (corresponde al lugar de trabajo 6 en la Tabla A1) para la última semana de julio de 2022.
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 35

1 4. Discusión

2 4.1 Rendimiento del modelo

3 Concluimos que el enfoque propuesto de entrenar modelos ANN (Productos 3–5) con sensores interiores de bajo costo que miden

4 Ejército de reservayPETifue exitoso. Producto 4 (ANN_ICON) proporcionó pronósticos interiores reales que se ajustan a los criterios de

5 MAE paraTsoyy PETsoy< 2 K entre el 51 % y el 100 % del tiempo durante las próximas 24 horas para las 121 ubicaciones (91 % del tiempo

6 en promedio). Tenga en cuenta que esta métrica también abarca los errores de pronóstico del tiempo del modelo de clima exterior.

7 Como era de esperar, las predicciones basadas en datos exteriores (Producto 0) o una temperatura constante supuesta (Producto 1)

8 mejoraron en las 121 ubicaciones cuando se usa un modelo ANN, ya que ANN puede emular respuestas específicas del predictor (hora,

de
9 clima). Aunque obvio, al aire libreTalas previsiones no son adecuadas para las condiciones interiores de los edificios [21]. Al usar solo

10

11
pr
pronósticos al aire libre (Producto 0),Taestaba fuera de las expectativas deTi87% del tiempo. Además, el PET calculado a partir de los

datos del pronóstico del tiempo al aire libre no era adecuado para pronosticar el PETi, con un 92% de valores fuera de lo esperado para
e-
12 PETi. Estas observaciones indican que las advertencias de calor y los HHWS deben considerar las condiciones interiores con más
Pr

13 cuidado.
a

14 Curiosamente, el Producto 2 (ANN_Genérico),que no utiliza ningún producto meteorológico, sino solo datos variables en el
st

15 tiempo y de elevación solar, mostró un desempeño sorprendentemente bueno con todos los datos, pronósticosTsoyy PETsoy
vi

dieciséis dentro de los requisitos 76% y 72%, respectivamente. Sin embargo, como se ve en los ejemplos de pronóstico de la figura
Re

17 7-11, el Producto 2 (ANN_Genérico) aplana la curva y subestima los extremos. Por lo tanto, no es adecuado para generar

18 advertencias de calor en condiciones extremas.

19 Además, el uso de "datos pasados" adicionales en nuestros modelos casi no mejoró cuando se utilizó un conjunto de datos de prueba

20 durante todo el año. Sin embargo, el uso de "datos anteriores" adicionales mejoró sustancialmente los pronósticos durante las olas de calor de

21 verano en los lugares de trabajo en edificios con altas capacidades de calor. Los productos 3 a 5 que utilizan una ANN con datos de pronóstico

22 del tiempo de AWS y/o ICON-D2 durante 24 horas mostraron errores casi idénticos para interioresTiy PETipronósticos Este hallazgo muestra que

23 los datos de pronóstico del tiempo de alta resolución son tan útiles para el entrenamiento, la evaluación y las pruebas de ANN como los datos de

24 AWS utilizados en estudios similares [34–36,38–44].

 36 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 En términos absolutos, las habilidades de pronóstico son ligeramente mejores paraTique para PETiporque PETise ve afectado por más

2 variables, lo que hace que sea más difícil pronosticar. En términos relativos, el coeficiente de correlaciónRparaTies casi

3 lo mismo que para PETi. En algunos lugares de trabajo,Tiy PETiLos valores eran muy similares yTilas previsiones son suficientes

4 para evaluar el confort térmico [73]. En el 18% de los lugares de trabajo, la máxima diferencia absoluta enTi

5 y PETiera <2 K. En otros lugares de trabajo, especialmente cuando la habitación estaba expuesta a la radiación solar directa a través de

6 ventanas, dadoTseñor, MASCOTAipuede diferir sustancialmente deTi[73], y unTipronóstico es insuficiente para predecir térmica

7 comodidad.

8 Demostramos que usar una ANN entrenada usando pronóstico del tiempo y datos de medición en interiores (Producto 4

9 [ANN_ICON]) podría generar alertas de calor con 24 horas de anticipación en función de diferentes umbrales. Notamos eso

a
eb
10 Los eventos extremos todavía tienden a subestimarse, lo que se puede ver por la disminución de los TSS para advertencias más altas.

11
ru
nivelesTsoyy PETsoytambién tienden a ser subestimados después de un período de altaTavalores en los lugares de trabajo dentro

12 edificios con altas capacidades caloríficas y sobreestimadas durante la ventilación en invierno.

-p

13
Pr

4.2 Posibles aplicaciones del modelo

14 UsandoTio mascotailos pronósticos para los lugares de trabajo cerrados pueden proporcionar a los empleadores y gerentes
al

15 información oportuna sobre los cambios a corto plazo en el estrés por calor. Con esta información a mano, se pueden implementar
ur

dieciséis diferentes medidas de adaptación para reducir el estrés por calor, en particular enfoques conductuales y de gestión, como cambiar las
Jo

17 horas de trabajo, usar ropa ventilada, tomar más descansos, proporcionar agua potable gratis a los empleados y cerrar los espacios de

18 trabajo en casos extremos [ 6,71,74,75]. Además, los productos de pronóstico podrían usarse para planificar e implementar mejor la

19 automatización de edificios energéticamente eficiente, como esquemas de ventilación, enfriamiento de aire artificial, protección solar

20 exterior y aumento de la ventilación forzada [6,71,74,76]. Por lo tanto, los pronósticos de ubicación en interiores pueden ayudar a

21 reducir el consumo de energía del aire acondicionado y conducir a una gestión inteligente de la energía [40,41].

22 Solo se utilizó la ejecución de las 00:00 (UTC) de los datos de pronóstico del tiempo ICON-D2 durante un máximo de 24 horas para

23 capacitación, evaluación y prueba. Sin embargo, también es posible usar los mismos modelos ANN y predecir interiores
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 37

1 comodidad térmica o temperatura más adelante utilizando datos de pronóstico del tiempo durante >24 horas, aunque con la

2 Error de pronóstico del tiempo al aire libre que afecta las predicciones en interiores.

3 Además, el modelo ANN podría llenar los vacíos debido a la falta de datos de observación en interiores y proporcionar una completa

4 estadísticas anuales sobre las condiciones climáticas interiores en diferentes salas o lugares de trabajo.

5 4.3 Mejoras potenciales del modelo

6 Nuestros productos de pronóstico ANN propuestos podrían mejorarse realizando la prueba de importancia para cada lugar de

7 trabajo de antemano y solo usando sus variables importantes para la capacitación y el modelado [41]. Otra posibilidad para mejorar

8 las previsiones en algunos lugares de trabajo es probar variables de entrada adicionales, como las medidas anteriores.Tyo,oo mascota

rio
9 yo,opara horas/días previos antes del tiempo objetivo [34,35,40,41], o agregando más variables de "datos pasados" más allá de t−24 h.

ia
10
ld
La ventaja de no usarTyo,oo mascotayo,odesde antes de la hora objetivo es que se pueden generar pronósticos de interior incluso

11
de
cuando se quita el sensor de interior o los datos de observación de interior ya no están disponibles. En este estudio, todo el

12 entrenamiento y las predicciones se realizaron cada hora. Sin embargo, dado que los períodos de luz solar/sombra posiblemente
ia
ev

13 cambien mucho más rápido, las predicciones de mayor resolución en intervalos de 5 o 10 minutos podrían mejorar o empeorar las
pr

14 estadísticas, al igual que las predicciones de menor resolución en el intervalo de 3 horas que se usan a menudo en los pronósticos
a

15 meteorológicos al aire libre.

b
ue

dieciséis El ajuste de hiperparámetros podría mejorar la precisión de los modelos ANN [29]. Otro enfoque para refinar la ANN es probar
Pr

17 otros optimizadores, como el optimizador Levenberg-Marquardt utilizado en estudios similares [40,41,44]. El conocimiento de la

18 ocupación y ventilación de la habitación podría ayudar a mejorar los modelos ANN [3,44]. Podría implementarse agregando un sensor

19 de dióxido de carbono a los sensores de bajo costo. Sin embargo, esto sería legalmente complicado ya que tiene consideraciones de

20 privacidad de datos y también es difícil de predecir en los productos de pronóstico. Además, el uso de datos adicionales para períodos

21 en los que ocurrieron eventos extremos o solo el uso de meses en los que podría haber ocurrido estrés por calor para el

22 entrenamiento podría mejorar las advertencias de calor en interiores, particularmente para eventos extremos.

23 MASCOTAila determinación y los pronósticos se realizan para una persona estándar en este estudio. Sin embargo, el usuario del dispositivo

24 sensor podría cambiar los datos personales, los factores termofisiológicos, la ropa y el metabolismo del trabajo para adaptarse
 38 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 los ocupantes que trabajan en cada habitación. También sería interesante explorar PETiPronosticar el rendimiento cuando

2 cada variable meteorológica interior se predice por separado mediante su propio modelo ANN y luego se utiliza como entrada para

3 el cálculo de PET en lugar de predecir directamente PET usando una sola ANN, como se hizo aquí. El MoBiMet

4 el dispositivo podría mejorarse con un anemómetro de hilo caliente de alta sensibilidad, como se usa en otros sistemas de bajo costo

5 [23,24,77,78], para capturar bajovvalores interiores, particularmente para mejorar la determinación del confort térmico humano en

6 lugares de trabajo interiores durante la ventilación de la sala y en salas grandes, de planta abierta o con corrientes de aire.

7 Si bien este estudio se ha centrado en entornos ocupacionales, podría usarse de manera similar en entornos no ocupacionales,

8 incluyendo residencial o de ocio. Se sabe que el estrés por calor continuo durante la noche afecta negativamente la calidad del sueño y

de
9 acortar la fase de recuperación nocturna [13]. La isla de calor urbana, presente principalmente de noche en entornos urbanos, puede

10 empeorar esta condición [43]. Los más vulnerables son los ancianos y las personas de bajos ingresos [79]. Por lo tanto,

11 pr
entornos con poblaciones vulnerables más grandes, como hospitales, hogares de ancianos y centros de vivienda asistida, podrían
e-
12 Benefíciese de los pronósticos específicos de la ubicación y los HHWS al tomar las medidas adecuadas para proteger vidas.
Pr

13 5. Conclusiones
a
st

14 Este estudio desarrolló un enfoque para producir a corto plazo, ubicación específicaTiy PETiprevisiones para
vi

15 entornos ocupacionales interiores y semiexteriores. Los pronósticos se generan para el día siguiente usando una combinación
Re

dieciséis de datos de pronóstico del tiempo al aire libre y una ANN capacitada en el sitio utilizando mediciones locales en interiores de un proveedor de bajo costo

17 sensor instalado durante un año. Los resultados son previsiones horarias individualizadas para las próximas 24 horas para cada

18 lugar de trabajo. Investigamos cuándo y dónde son posibles los pronósticos hábiles. Se consideró un hábil pronóstico

19 cuandoTsoyy PETsoyfueron <2 K del valor medido. Descubrimos que los datos del pronóstico del tiempo eran tan hábiles

20 para entrenamiento, evaluación y prueba de ANN como datos de AWS. Uso del producto 4 (ANN_ICON) con “pasado” adicional

21 data” proporcionó los mejores resultados para los pronósticos interiores en todos los lugares de trabajo observados con un MAE general paraTsoy

22 y PETsoyde <1 K. Producto 4 (ANN_ICON) cumple los criterios al generar pronósticos y avisos reales para

23 cada lugar de trabajo con un MAE de <2 K en el 98% de los lugares de trabajo paraTsoyy el 96% de los lugares de trabajo para PETsoy.

24 En el 78% de los lugares de trabajo, MAE fue <1 K. En el 91% del conjunto de datos de prueba durante todo el año,Tilas previsiones estaban dentro de lo esperado
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 39

1 márgenes de error. En el 88% del conjunto de datos de prueba durante todo el año, PETilas previsiones estaban dentro de los márgenes de error. De media,

2 Los pronósticos interiores mostraron mayores errores en verano que en invierno. Otro análisis interesante sería

3 comparar el desempeño de diferentes productos de pronóstico basados en ANN presentados en este estudio con los existentes

4 iHHWS considerando un modelo de simulación de edificios térmicos [80].

5 El enfoque propuesto que combina pronósticos meteorológicos al aire libre con ANN entrenadas con datos de interiores podría ser

6 implementada amplia y sistemáticamente por los servicios meteorológicos y sus proveedores para permitir la localización específica

7 pronósticos del tiempo en interiores para un número ilimitado de habitaciones en áreas ocupacionales, residenciales e institucionales

8 edificios Esta información puede ser especialmente útil para la gestión de edificios y poblaciones alojadas en

ba
estructuras sin aire acondicionado activo u ocupadas por poblaciones vulnerables. Los pronósticos podrían ser

10 comunicado y mostrado directamente en el dispositivo sensor, páginas web o aplicaciones de teléfonos inteligentes. Los sensores podrían

11 ue
permanecer en una sala para continuar y mejorar el aprendizaje en los años siguientes. Sin embargo, una vez que un sensor tiene
pr
12 midió una habitación durante suficiente tiempo, los pronósticos serían posibles sin ningún aprendizaje adicional. Por lo tanto
-

13 podría moverse y entrenarse en una habitación o lugar de trabajo diferente, lo que habilita progresivamente las habilidades de pronóstico para todo
Pr

14 edificios con costos y esfuerzos limitados.

rio

15 Fondos
ia
D

dieciséis Esta investigación fue financiada como parte del programa INTERREG V—Rhin Supérieur “Clim' Ability Design”

17 (8.3) por la Unión Europea a través del Fondo Europeo de Desarrollo Regional (FEDER) y la Universidad de

18 Friburgo.

19 Declaración de contribución de autoría CRediT

20 Markus Sulzer:Redacción: revisión y edición, Redacción: borrador original, visualización, software, investigación,

21 Metodología, Análisis formal, Curación de datos, Conceptualización.Andreas Christen:Redacción: revisión y

 40 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 edición, Visualización, Validación, Supervisión, Recurso, Conceptualización, Administración de proyectos.andreas

2 Matzarakis:Redacción: revisión y edición, supervisión, recurso, conceptualización.

3 Declaración de competencia de intereses

4 Los autores declaran que no tienen intereses financieros en competencia conocidos o relaciones personales que

5 podría haber parecido influir en el trabajo informado en este documento.

6 Agradecimientos

rio
ia
7 Nos gustaría agradecer a las empresas participantes equipadas con MoBiMets y Kathrin Graw en DWD

8 por proporcionar datos de pronóstico ICON-D2 de la base de datos DWD SKY.

ld
de
ia

9 Material suplementario
ev
pr

10 El conjunto de datos de medidas y modelosTiy PETide 121 centros de trabajo del año completo desde agosto
a

11 1 de 2021 al 31 de julio de 2022 está disponible en [proporcionar enlace de zenodo después de la aceptación].
b
ue
Pr

12 Nomenclatura

13 AGRAMO radiación descendente de onda larga (W m²)

14 ANA Red neuronal artificial

15 ANN_AWS Modelo ANN para predecirTiy PETiusando datos de AWS como variables de entrada (Producto #3)

dieciséis ANN_Genérico Modelo ANN para predecirTiy PETiusando datos genéricos como variables de entrada (Producto #2)

17 ANN_ICON Modelo ANN para predecirTiy PETiusando datos de ICON-D2 como variables de entrada (Producto #4)

18 ANN_Mixto Modelo ANN para predecirTiy PETiusando datos de AWS como variables de entrada para entrenamiento y

19 Datos de ICON-D2 para pronósticos (Producto #5)

 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 41

1 ASWDIFD_S ICON-D2 variable de superficie hacia abajo radiación solar difusa (promedio desde el inicio del modelo)

2 (W m−2)

3 ASWDIR_S ICON-D2 variable de radiación solar directa desde la superficie (promedio desde el inicio del modelo)

4 (W m−2)

5 ATHB_S ICON-D2 variable de flujo neto de radiación de onda larga en la superficie (promedio desde el inicio del modelo)

6 (W m−2)

7 AWS estación meteorológica automatizada

8 DWD Servicio Meteorológico Alemán

rio
9 Tarifa plana promedio de observaciones en interiores (Producto #1)

10

ia
GRAMO irradiancia global (W m²)

11 h altura sobre el nivel del suelo (m)

ld
de
12 HHWS sistema de alerta de salud por calor
ia

13 ICONO icosaédrico no hidrostático

ev

14 ICON_Fuera previsión exterior para cada lugar de trabajo según el punto de cuadrícula más cercano de ICON-D2
pr

15 datos de pronóstico del tiempo (Producto #0)

b a

dieciséis iHHWS sistemas de advertencia de calor y salud en interiores

ue

17 LoRaWAN Red de área amplia de largo alcance

Pr

18 LW↑ emisión de onda larga de la tierra (W m−2)

19 MAE Error absoluto medio

20 MoBiMet Sistema Biometeorológico Móvil

21 MASCOTA temperatura fisiológicamente equivalente (°C)

22 MASCOTAi temperatura interior fisiológicamente equivalente (°C)

23 MASCOTAsoy temperatura interior fisiológicamente equivalente modelada (°C)

24 MASCOTAyo,o temperatura interior fisiológicamente equivalente observada (°C)

25 SPM ICON-D2 variable de presión superficial reducida a msl (Pa)

 42 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 R Coeficiente de correlación de Pearson

2 RELHUM_2M ICON-D2 variable de humedad relativa a 2 m sobre el suelo (%)

3 RH humedad relativa (%)

4 Dakota del Sur Desviación Estándar

5 t paso de tiempo objetivo

6 T_2M ICON-D2 variable de temperatura a 2 m sobre el suelo (K)

7 Ta temperatura del aire (°C)

8 Ti temperatura del aire interior (°C)

rio
9 Tsoy temperatura del aire interior modelada (°C)

10

ia
Tyo,o temperatura del aire interior observada (°C)

11 Tseñor temperatura radiante media (°C)

ld
de
12 T_SO(0) ICON-D2 variable de temperatura de la superficie del suelo (K)
ia

13 TSS puntaje de habilidad real

ev

14 U_10M ICON-D2 variable de viento zonal a 10 m sobre el suelo (ms−1)

pr

15 v velocidad del viento (ms-1)

b a

dieciséis V_10M ICON-D2 variable de viento zonal a 10 m sobre el suelo (ms−1)

ue

17 v1.1 velocidad del viento a una altura de 1,1 m sobre el nivel del suelo (ms-1)
Pr

18 vh velocidad del viento a una altura de h (m) sobre el nivel del suelo (ms-1)

19 Vsoy variables interiores modeladas

20 Vyo,o variables interiores observadas

21 z0 rugosidad longitud (m)

22 ρv presión de vapor (hPa)

23 ρv, s presión de vapor saturada (hPa)

 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 43

1 Apéndice

2 Tabla A1. Disponibilidad de datos entre el 1 de agosto de 2021 y el 31 de julio de 2022 e información adicional sobre los 121 lugares de trabajo. En columna

3 interior/semiexterior 1 = interior y 2 = ubicación semiexterior del lugar de trabajo. En tipo de habitación columna, 1 = oficina, 2 =

4 producción/taller/laboratorio, 3=almacenamiento/logística, 4=agricultura y 5=otros lugares de trabajo semiexteriores. En columna edificio principal

5 material 1 = hormigón, 2 = piedra, 3 = madera, 4 = metal y 5 = vidrio. En sistema de calefacción de columna y aire acondicionado 0 = no presente y 1 =

6 presentes en este lugar de trabajo. La latitud y la longitud se redondean a dos decimales. La información desconocida se indica como NA.

Edificio principal

altura (pisos)

Aire acondicionado
interior/semi-
Lugar de trabajo

Tipo de habitación

construcción

Longitud
disponibilidad

piso de la
lugar de trabajo
material
exterior

Calefacción

Latitud
Edificio
Año de

sistema

(° N)
Datos

(°E)
rio
1 98% 1 1 1990-2010 1 5 1 1 0 47.98 7.82

ia
2 96% 1 1 1900-1930 2 2 1 1 0 48.00 7.85
3 99% 1 1 1900-1930 2
ld 2 1 1 0 48.00 7.85
de
4 90% 1 2 N/A N/A N/A 0 N/A 0 48.04 7.65
5 54% 2 4 1970-1990 3 1 0 0 0 47.46 7.23
ia

6 96% 2 4 1990-2010 3 1 0 0 0 48.05 7.94

ev

7 75% 2 4 1950-1970 3 1 0 0 0 47.78 8.35

8 98% 1 1 1950-1970 1 10 3 1 0 48.00 7.85
pr

9 85% 2 5 N/A N/A N/A 0 0 0 47.99 7.85

10 39% 1 1 2 3 0 1 0 7.85
a

1900-1930 47.99
b

11 82% 1 2 <1900 1,2 3 2 1 0 48.00 7.85

ue

12 97% 2 4 1950-1970 3 1 0 0 0 48.66 7.97

13 58% 2 4 1990-2010 3 1 0 0 0 47.77 8.25
Pr

14 99% 2 4 1990-1970 3 1 0 0 0 47.58 8.37

15 68% 1 2 1900-1930 2 6 0 1 0 48.00 7.85
dieciséis 59% 1 1 1900-1930 2 6 4 1 0 48.00 7.85
17 99% 1 1 1900-1930 2 6 4 1 0 48.00 7.85
18 99% 1 1 1950-1970 1,2 6 3 1 0 48.00 7.85
19 39% 1 2 N/A N/A N/A 0 N/A 0 47.98 7.80
20 99% 1 1 1950-1970 1,2 6 3 1 0 48.00 7.85
21 13% 2 4 1950-1970 3 1 0 0 0 47.99 7.04
22 99% 1 1 1950-1970 1,2 6 3 1 0 48.00 7.85
23 99% 1 2 1950-1970 1 10 5 1 0 48.00 7.85
24 98% 1 1 1950-1970 1 2 1 1 0 47.55 7.64
25 91% 1 1 1950-1970 1,2 6 5 1 0 47.56 7.59
 44 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

26 92% 1 1 1900-1930 2 3 0 1 0 47.99 7.85

27 92% 1 1 1950-1970 1,2 6 2 1 0 47.56 7.59
28 96% 1 1 1950-1970 1,2 6 4 1 0 47.56 7.59
29 68% 2 4 1970-1990 3 1 0 0 0 48.95 7.14
30 82% 1 1 1970-1990 1,4 1 0 1 0 48.19 7.37
31 69% 1 1 1970-1990 1,4 1 0 1 0 48.19 7.37
32 99% 2 4 1970-1990 4,5 1 0 N/A 0 48.01 7.83
33 98% 1 3 1950-1970 1,2,4 1 0 0 0 48.01 7.83
34 89% 1 2 1970-1990 1,4 2 0 1 0 48.29 8.32
35 41% 1 2 1970-1990 1,4 1 0 0 1 48.19 7.37
36 38% 1 2 1970-1990 1,4 1 0 0 1 48.19 7.37
37 86% 1 1 1950-1970 1 4 1 1 0 48.00 7.85
38 88% 1 3 1990-2010 1,3,4 4 0 0 0 47.55 7.63

rio
39 99% 1 1 1950-1970 1 2 0 1 0 47.55 7.64
40 56% 1 2 1,4 3 0 0 7.33

ia
1970-1990 N/A 48.34

41 37% 2 4 1990-2010 1,3 1 0 0 0 47.82 7.60

42 94% 1 3 1900-1930 2
ld 3 -1 1 0 47.99 7.85
de
43 91% 1 1 1900-1930 2 3 2 1 0 47.99 7.85
44 96% 2 4 1950-1970 3 1 0 0 0 47.71 7.54
ia

45 82% 1 2 <1900 2 4 0 1 0 47.99 7.85

ev

46 93% 1 1 1990-2010 1,3,4 4 3 1 0 47.55 7.63

47 66% 1 2 1 4 0 1 0 7.85
pr

<1900 47.99

48 99% 1 1 1900-1930 1 2 0 1 0 47.55 7.64

a

49 98% 2 4 1950-1970 1,3 1 0 0 0 47.95 8.17

b

50 89% 1 3 1990-2010 1,3,4 4 -1 N/A 0 47.55 7.63

ue

51 56% 1 3 <1900 1 4 0 1 0 47.99 7.85

Pr

52 81% 1 1 1950-1970 1,2 5 4 1 0 48.00 7.83

53 93% 1 1 1900-1930 1 3 0 1 0 47.99 7.85
54 82% 2 4 1950-1970 1,2,3 1 0 0 0 48.83 7.65
55 99% 1 1 1950-1970 1 4 2 1 0 48.00 7.85
56 95% 2 4 1990-2010 3 1 0 0 0 47.51 7.27
57 14% 2 4 1970-1990 1,3 1 0 0 0 48.79 7.70
58 99% 1 2 1950-1970 1,2 3 1 1 0 48.00 7.85
59 98% 1 2 1950-1970 1 2 1 1 0 48.00 7.85
60 99% 1 1 1950-1970 1,2 6 3 1 0 48.00 7.85
61 99% 2 3 1970-1990 1,2,3 1 0 0 0 47.55 7.64
62 63% 1 1 1970-1990 1,4 3 2 N/A 0 48.34 7.33
63 15% 1 2 1970-1990 1,4 3 0 N/A 0 48.34 7.33
64 38% 1 1 1900-1930 2 3 0 1 0 47.99 7.85
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 45

sesenta y cinco 4% 1 4 > 2010 4,5 1 0 0 0 48.60 7.76

66 47% 1 1 1950-1970 1 3 0 1 0 48.60 7.74
67 63% 1 1 1950-1970 4 1 0 1 0 48.60 7.74
68 57% 1 1 1950-1970 1 3 0 1 0 48.60 7.74
69 57% 1 3 1950-1970 1 1 0 1 0 48.60 7.74
70 93% 1 1 1950-1970 1,4 2 1 1 0 47.58 7.59
71 58% 1 1 1970-1990 4 2 0 1 1 47.55 7.64
72 99% 1 1 1950-1970 1 4 0 1 0 47.58 7.59
73 93% 1 3 1950-1970 1,2 2 0 1 0 47.58 7.59
74 64% 1 1 1950-1970 1,4 2 2 1 0 47.58 7.59
75 73% 1 1 1950-1970 1 5 2 1 0 47.58 7.59
76 71% 1 1 1950-1970 1,2 5 4 1 0 47.58 7.59
77 61% 1 1 1950-1970 1 2 0 1 0 47.58 7.59

rio
78 93% 1 1 1950-1970 1,2 5 4 1 0 47.58 7.59
79 69% 1 1 1,2 5 4 1 0 7.59

ia
1950-1970 47.58

80 88% 1 1 1950-1970 1,2 5 4 1 0 47.58 7.59

81 84% 1 3 1950-1970 1
ld 2 0 1 0 47.58 7.59
de
82 95% 1 1 1930-1950 1,4 3 2 1 0 48.02 7.85
83 96% 1 2 1930-1950 2 4 2 0 0 48.02 7.85
ia

84 87% 2 5 1930-1950 2 4 4 0 0 48.02 7.85

ev

85 93% 1 2 1930-1950 2 4 0 0 0 48.02 7.85

86 96% 1 2 2 4 0 0 0 7.85
pr

1930-1950 48.02

87 39% 1 1 1900-1930 2 3 0 1 0 47.99 7.85

a

88 39% 1 1 1900-1930 2 3 0 1 0 47.99 7.85

b

89 99% 1 1 1970-1990 1,3 2 1 1 0 48.59 7.72

ue

90 78% 1 1 1970-1990 2 10 8 1 0 48.00 7.85

Pr

91 90% 1 1 1970-1990 2 10 8 0 0 48.00 7.85

92 89% 1 1 1970-1990 2 10 8 1 0 48.00 7.85
93 88% 1 1 1970-1990 2 10 8 1 0 48.00 7.85
94 90% 1 1 1970-1990 2 10 5 1 0 48.00 7.85
95 70% 1 1 1970-1990 2 10 8 1 0 48.00 7.85
96 81% 1 1 1970-1990 2 10 8 1 0 48.00 7.85
97 95% 1 1 1970-1990 2 10 0 1 1 48.00 7.85
98 98% 2 4 1970-1990 3 1 0 0 0 47.93 7.56
99 97% 1 1 1970-1990 1,3 2 1 1 0 48.59 7.72
100 19% 1 1 > 2010 2 1 -1 1 0 47.73 7.14
101 97% 1 1 1970-1990 1,3 2 0 1 0 48.59 7.72
102 94% 1 1 1970-1990 1 2 0 1 0 47.73 7.14
103 91% 1 1 1970-1990 1,3 2 1 1 0 48.59 7.72
 46 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

104 95% 1 1 1950-1970 1 6 1 1 0 47.99 7.85

105 90% 1 1 1990-2010 N/A N/A 3 1 0 48.58 7.77
106 78% 1 2 1900-1930 2 3 -1 1 0 47.99 7.85
107 78% 1 1 1900-1930 2 3 0 1 0 47.99 7.85
108 98% 2 4 1950-1970 1,2,3 2 0 0 0 48.36 8.11
109 97% 2 4 1950-1970 1,2,3 1 0 0 0 48.36 8.11
110 54% 1 2 1970-1990 1,4 3 0 1 0 48.34 7.33
111 95% 1 1 1950-1970 1 6 5 1 0 47.99 7.85
112 90% 1 3 1950-1970 1 1 0 0 0 48.00 7.85
113 54% 1 3 1900-1930 2 3 -1 0 0 47.99 7.85
114 92% 1 2 1990-2010 1,4 12 0 1 0 48.29 8.32
115 81% 1 2 1970-1990 1,4 2 0 1 0 48.29 8.32
116 92% 2 5 1970-1990 1,4 0 0 0 48.29 8.32

rio
117 88% 1 2 1970-1990 1,4 2 0 1 0 48.29 8.32
118 80% 1 2 1,4 1 0 1 0 8.32

ia
1990-2010 48.29

119 83% 2 4 1990-2010 3 1 0 0 0 48.35 7.76

120 72% 1 2 1970-1990 1,4
ld 2 0 1 0 48.29 8.32
de
121 53% 1 2 1990-2010 1,4 1 0 1 0 48.29 8.32
1
ia
ev

2 Referencias
pr

3
a

[1] WJ Fisk, AH Rosenfeld, Estimaciones de mejora de la productividad y la salud a partir de mejores entornos
4
b

interiores, Indoor Air. 7 (1997) 158–172. https://doi.org/10.1111/j.1600-0668.1997.t01-1-00002.x.

5
ue

[2] V. Venugopal, JS Chinnadurai, RAI Lucas, T. Kjellstrom, Perfiles de estrés por calor ocupacional en lugares de
6 trabajo seleccionados en India, Revista internacional de investigación ambiental y salud pública. 13 (2016)
7
Pr

89. https://doi.org/10.3390/ijerph13010089.
8 [3] JJ Aguilera, RK Andersen, J. Toftum, Predicción de la temperatura del aire interior utilizando datos meteorológicos y
9 descriptores de edificios simples, Int J Environ Res Public Health. 16 (2019) E4349.
10 https://doi.org/10.3390/ijerph16224349.
11 [4] O. Shevchenko, H. Lee, S. Snizhko, H. Mayer, Análisis a largo plazo de las olas de calor en Ucrania,
12 International Journal of Climatology. 34 (2014) 1642–1650. https://doi.org/10.1002/joc.3792.
13 [5] SS Cheung, JKW Lee, J. Oksa, Estrés térmico, desempeño humano y estándares de empleo físico, Appl.
14 Fisiol. Nutrición metab. 41 (2016) S148–S164. https://doi.org/10.1139/apnm-2015-0518.
15 [6] C. Narocki, Las olas de calor como riesgo laboral: el impacto del calor y las olas de calor en la salud, la seguridad y
dieciséis el bienestar de los trabajadores y en las desigualdades sociales. Instituto Sindical Europeo (ETUI). Informe
17 2021.06, ETUI, Instituto Sindical Europeo. (2021).
18 https://www.etui.org/publications/heatwaves-occupational-hazard (consultado el 30 de noviembre de 2021).
19 [7] GR McGregor, P. Bessemoulin, KL Ebi, B. Menne, Organización Meteorológica Mundial, Organización Mundial de la
20 Salud, Olas de calor y salud: orientación sobre el desarrollo de sistemas de alerta, 2015.
21 [8] H. Urban, KW Steininger, Manufactura y Comercio: Pérdidas de Productividad Laboral, en: KW Steininger,
22 M. König, B. Bednar-Friedl, L. Kranzl, W. Loibl, F. Prettenthaler (Eds.), Evaluación económica de
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 47

1 Impactos del Cambio Climático: Desarrollo de un Marco Intersectorial y Resultados para Austria, Springer
2 International Publishing, Cham, 2015: pp. 301–322. https://doi.org/10.1007/978-3-319-12457-5_16.
3 [9] IPCC, Resumen para responsables de políticas, en: Cambio climático 2021: la base de la ciencia física.
4 Contribución del Grupo de Trabajo I al Sexto Informe de Evaluación del Panel Intergubernamental sobre
5 Cambio Climático [Masson-Delmotte, V., P. Zhai, A. Pirani, SL Connors, C. Péan, S. Berger, N. Caud, Y. Chen, l.
6 Goldfarb, MI Gomis, M. Huang, K. Leitzell, E. Lonnoy, JBR Matthews, TK Maycock, T.
7 Waterfield, O. Yelekçi, R. Yu y B. Zhou (Eds.)]. En prensa., 2021.
8 [10] S. Muthers, G. Laschewski, A. Matzarakis, The Summers 2003 and 2015 in South-West Germany: Heat
9 Waves and Heat-Related Mortality in the Context of Climate Change, Atmosphere. 8 (2017) 224. https://
10 doi.org/10.3390/atmos8110224.
11 [11] J.-M. Robine, SLK Cheung, S. Le Roy, H. Van Oyen, C. Griffiths, J.-P. Michel, FR Herrmann, El número de muertos
12 superó los 70.000 en Europa durante el verano de 2003, Comptes Rendus Biologies. 331 (2008) 171– 178. https://
13 doi.org/10.1016/j.crvi.2007.12.001.
14 [12] A. Casanueva, A. Burgstall, S. Kotlarski, A. Messeri, M. Morabito, AD Flouris, L. Nybo, C. Spirig, C. Schwierz,
15 Overview of Existing Heat-Health Warning Systems in Europe, International Revista de Investigación
dieciséis Ambiental y Salud Pública. 16 (2019) 2657. https://doi.org/10.3390/ijerph16152657.
17 [13] A. Matzarakis, G. Laschewski, S. Muthers, The Heat Health Warning System in Germany—Application and
18

e
Warnings for 2005 to 2019, Atmosphere. 11 (2020) 170. https://doi.org/10.3390/atmos11020170.
19 [14] A. Matzarakis, Curiosidades sobre la estimación y aplicación de índices térmicos, Atmosphere. 12 (2021)
20
21
22
721. https://doi.org/10.3390/atmos12060721.
rd
[15] E. Johansson, S. Thorsson, R. Emmanuel, E. Krüger, Instrumentos y métodos en estudios de confort
térmico exterior: la necesidad de estandarización, Clima urbano. 10 (2014) 346–366. https://doi.org/
-p
23 10.1016/j.uclim.2013.12.002.
24 [16] A. Matzarakis, L. Martinelli, C. Ketterer, Relevancia de los índices térmicos para la evaluación de la isla de calor urbana,
re

25 en: Contrarrestar los efectos de la isla de calor urbana en un escenario de cambio climático global, Springer, Cham,
26 2016: págs. 93–107.
27
lP

[17] K. Fabbri, Percepción del confort térmico interior, Springer International Publishing, Cham, 2015.
28 https://doi.org/10.1007/978-3-319-18651-1.
29 [18] P. Höppe, La temperatura fisiológica equivalente: un índice universal para la evaluación
ra

30 biometeorológica del entorno térmico, Int J Biometeorol. 43 (1999) 71–75.

31 https://doi.org/10.1007/s004840050118.
32 [19] T. Ackermann, A. Matzarakis, Bedeutung des Innenraumklimas und Hitzestress im Zuge des Klimawandels/
33 Importancia del clima interior y el estrés por calor en la era del cambio climático, Gefahrstoffe. 81 (2021) 279–
Jo

34 282. https://doi.org/10.37544/0949-8036-2021-07-08-45.
35 [20] M. Sulzer, A. Christen, A. Matzarakis, Una red de sensores de bajo costo para el monitoreo y la comunicación del
36 estrés térmico en tiempo real en contextos ocupacionales, Sensores. 22 (2022) 1828. https://doi.org/10.3390/
37 s22051828.
38 [21] M. Gustin, RS McLeod, KJ Lomas, G. Petrou, A. Mavrogianni, Un sistema de advertencia de calor y salud en interiores de
39 alta resolución para viviendas, Construcción y medio ambiente. 168 (2020) 106519.
40 https://doi.org/10.1016/j.buildenv.2019.106519.
41 [22] J. Pfafferott, P. Becker, Erweiterung des Hitzewarnsystems um die Vorhersage der Wärmebelastung in
42 Innenräumen, Bauphysik. 30 (2008) 237–243. https://doi.org/10.1002/bapi.200810031.
43 [23] M. Kimmling, S. Hoffmann, Behaglichkeitsmonitoring – flächendeckend und kostengünstig mit der
44 Sensorstation CoMoS, Bauphysik. 41 (2019) 111–119. https://doi.org/10.1002/bapi.201800037.
45 [24] F. Salamone, L. Belussi, L. Danza, M. Ghelere, I. Meroni, Diseño y desarrollo de nEMoS, un dispositivo todo en
46 uno, de bajo costo, conectado a la web e impreso en 3D para análisis ambiental, Sensores (Basilea). 15 (2015)
47 13012–13027. https://doi.org/10.3390/s150613012.
48 [25] M. Gustin, RS McLeod, KJ Lomas, Pronóstico de temperaturas interiores durante olas de calor utilizando modelos de series
49 temporales, Construcción y medio ambiente. 143 (2018) 727–739.
 48 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 https://doi.org/10.1016/j.buildenv.2018.07.045.
2 [26] WW Hsieh, Evolución del aprendizaje automático en la ciencia ambiental: una perspectiva, Environ. Ciencia de los
3 datos. 1 (2022) e3. https://doi.org/10.1017/eds.2022.2.
4 [27] T. Lee, VP Singh, KH Cho, Deep Learning for Hydrometeorology and Environmental Science,
5 Springer International Publishing, Cham, 2021. https://doi.org/10.1007/978-3-030-64777-3.
6 [28] A. Middel, J. Lukasczyk, S. Zakrzewski, M. Arnold, R. Maciejewski, Forma urbana y composición de cañones de calles:
7 un enfoque de big data y aprendizaje profundo centrado en el ser humano, Paisajismo y planificación urbana. 183
8 (2019) 122–132. https://doi.org/10.1016/j.landurbplan.2018.12.001.
9 [29] F. Briegel, SC Lee, TA Black, RS Jassal, A. Christen, Factores que controlan el intercambio de dióxido de carbono a largo
10 plazo entre un rodal de abeto de Douglas y la atmósfera identificada mediante un enfoque de red neuronal artificial,
11 Modelado ecológico. 435 (2020) 109266. https://doi.org/10.1016/j.ecolmodel.2020.109266.
12 [30] KK Kulkarni, FA Schneider, T. Gowda, S. Jayasuriya, A. Middel, MaRTiny: un dispositivo de detección
13 biometeorológico de bajo costo con visión artificial integrada para la investigación del clima urbano, frente.
14 Reinar. ciencia 10 (2022) 866240. https://doi.org/10.3389/fenvs.2022.866240.
15 [31] JW Oh, J. Ngarambe, PN Duhirwe, GY Yun, M. Santamouris, Uso del aprendizaje profundo para pronosticar la
dieciséis magnitud y las características de la isla de calor urbano en Seúl Corea, Sci Rep. 10 (2020) 3559. https:/ /
17 doi.org/10.1038/s41598-020-60632-z.

lP
18 [32] YY Lee, JT Kim, GY Yun, El modelo predictivo de red neuronal para la intensidad de la isla de calor en Seúl,
19

na
Energía y edificios. 110 (2016) 353–361. https://doi.org/10.1016/j.enbuild.2015.11.013.
20 [33] A. Challoner, F. Pilla, L. Gill, Predicción de la exposición al aire interior a partir de la calidad del aire exterior
21 Ju
utilizando un modelo de red neuronal artificial para edificios comerciales del centro de la ciudad, Revista
22 internacional de investigación ambiental y salud pública. 12 (2015) 15233–15253.
23
a
https://doi.org/10.3390/ijerph121214975.
c

24 [34] T. Lu, M. Viljanen, Predicción de la temperatura interior y la humedad relativa utilizando modelos de redes neuronales:
ni

25 comparación de modelos, Neural Comput & Applic. 18 (2009) 345–357. https://doi.org/10.1007/s00521-008-0185-3.

ró

26
27 [35] A. Kémajou, L. Mba, P. Meukam, Aplicación de redes neuronales artificiales para predecir la temperatura del aire
ct

28 interior en edificios modernos en regiones húmedas, Current Journal of Applied Science and Technology. (2012)
e

29 23–34. https://doi.org/10.9734/BJAST/2012/641.
el

30 [36] TG Özbalta, A. Sezer, Y. Yıldız, Modelos para la predicción de la temperatura interior media diaria y la humedad
ba

31 relativa: edificio educativo en Izmir, Turquía, entorno interior y construido. 21 (2012) 772–781. https://doi.org/
32 10.1177/1420326X11422163.
ue

33 [37] B. Thomas, M. Soleimani-Mohseni, Modelos de redes neuronales artificiales para la predicción de la temperatura
34
Pr

interior: investigaciones en dos edificios, Neural Comput & Applic. 16 (2007) 81–89.
35 https://doi.org/10.1007/s00521-006-0047-9.
36 [38] A. Ashtiani, PA Mirzaei, F. Haghighat, Condiciones térmicas interiores en una isla de calor urbana:
37 Comparación de la red neuronal artificial y predicción de métodos de regresión, Energía y edificios. 76 (2014)
38 597– 604. https://doi.org/10.1016/j.enbuild.2014.03.018.
39 [39] C. Buratti, E. Lascaro, D. Palladino, M. Vergoni, Building Behavior Simulation by Means of Artificial
40 Neural Network in Summer Conditions, Sustainability. 6 (2014) 5339–5353.
41 https://doi.org/10.3390/su6085339.
42 [40] L. Mba, P. Meukam, A. Kemajou, Aplicación de redes neuronales artificiales para predecir la temperatura del aire
43 interior y la humedad relativa por hora en edificios modernos en regiones húmedas, Energy and Buildings. 121
44 (2016) 32–42. https://doi.org/10.1016/j.enbuild.2016.03.046.
45 [41] Z. Afroz, G. Shafiullah, T. Urmee, G. Higgins, Predicción de la temperatura interior en un edificio
46 institucional, Energy Procedia. 142 (2017) 1860–1866. https://doi.org/10.1016/j.egypro.2017.12.576.
47 [42] N. Attoue, I. Shahrour, R. Younes, Smart Building: uso del enfoque de redes neuronales artificiales para la
48 predicción de la temperatura interior, Energías. 11 (2018) 395. https://doi.org/10.3390/en11020395.
49 [43] S. Alawadi, D. Mera, M. Fernández-Delgado, F. Alkhabbas, CM Olsson, P. Davidsson, Una comparación
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 49

1 de algoritmos de aprendizaje automático para pronosticar la temperatura interior en edificios inteligentes, Energy Syst.
2 (2020). https://doi.org/10.1007/s12667-020-00376-x.
3 [44] O. May Tzuc, A. Livas-García, M. Jiménez Torres, E. Cruz May, LM López-Manrique, A. Bassam, Artificial
4 Intelligence Techniques for Modeling Indoor Building Temperature under Tropical Climate Using
5 Outdoor Environmental Monitoring, Journal de Ingeniería Energética. 146 (2020) 04020004. https://
6 doi.org/10.1061/(ASCE)EY.1943-7897.0000649.
7 [45] I. Petrova, V. Zaripova, T. Zolina, Yu. Lezhnina, A. Karpenko, Intelligent Indoor Microclimate Control, en:
8 Multiconferencia internacional sobre ingeniería industrial y tecnologías modernas de 2020 (FarEastCon), 2020:
9 págs. 1 a 4. https://doi.org/10.1109/FarEastCon50210.2020.9271315.
10 [46] J. Ngarambe, GY Yun, M. Santamouris, El uso de métodos de inteligencia artificial (IA) en la predicción del confort térmico
11 en edificios: implicaciones energéticas de los controles de confort térmico basados en IA, Energy and Buildings. 211
12 (2020) 109807. https://doi.org/10.1016/j.enbuild.2020.109807.
13 [47] ISO 7726, Ergonomía del ambiente térmico - Instrumentos para medir cantidades físicas,
14 (1998).
15 [48] H. Han, J. Lee, J. Kim, C. Jang, H. Jeong, Control de confort térmico basado en un índice de voto medio previsto
dieciséis simplificado, Energy Procedia. 61 (2014) 970–974. https://doi.org/10.1016/j.egypro.2014.11.1006.
17 [49] MA Humphreys, JF Nicol, IA Raja, Field Studies of Indoor Thermal Comfort and the Progress of the
18 Adaptive Approach, Advances in Building Energy Research. 1 (2007) 55–88.

f
19 https://doi.org/10.1080/17512549.2007.9687269.

o
20 [50] H. Mayer, P. Höppe, Confort térmico del hombre en diferentes entornos urbanos, Theor Appl Climatol. 38 (1987)
21
22
43–49. https://doi.org/10.1007/BF00866252.
pr
[51] Á. Gulyás, A. Matzarakis, Distribución espacial y estacional del índice de temperatura fisiológicamente
23 equivalente (PET) en Hungría, (2009).
e-
24 [52] VDI 3787 Blatt 2 - Umweltmeteorologie - Methoden zur human-biometeorologischen Bewertung der
25 thermischen Komponente des Klimas, 2022. https://www.vdi.de/richtlinien/details/vdi-3787-blatt-2-
26 umweltmeteorologie-methoden- zur-human-biometeorologischen-bewertung-der-
P

27 thermischenkomponente-des-klimas (consultado el 12 de diciembre de 2022).

28 [53] E. Walther, Q. Goestchel, El índice de confort PET: Cuestionando el modelo, Edificio y medio ambiente.
al

29 137 (2018) 1–10. https://doi.org/10.1016/j.buildenv.2018.03.054.

30 [54] A. Matzarakis, S. Muthers, E. Koch, Evaluación biometeorológica humana de la mortalidad relacionada con el calor en
rn

31 Viena, Theor Appl Climatol. 105 (2011) 1–10. https://doi.org/10.1007/s00704-010-0372-x.

32 [55] G. Zängl, D. Reinert, P. Rípodas, M. Baldauf, The ICON (ICOsahedral Non-hydrostatic) modeling
Ju

33 framework of DWD and MPI-M: Description of the non-hydrostatic dynamical core, Quarterly Journal of
34 the Royal Sociedad Meteorológica. 141 (2015) 563–579. https://doi.org/10.1002/qj.2378.
35 [56] D. Reinert, F. Prill, H. Frank, M. Denhard, M. Baldauf, C. Schraff, C. Gebhardt, C. Marsigli, G. Zängl, Referencia de
36 la base de datos DWD para ICON e ICON globales y regionales -Sistema de Pronóstico EPS, Tech. rep., Deutscher
37 Wetterdienst, disponible en: https://www. dwd. de/DWD/forschung/nwv/fepub/icon_database_main. pdf (último
38 acceso: 1 de octubre de 2021), 2021.
39 https://doi.org/10.5676/DWD_pub/nwv/icon_2.1.7.
40 [57] D. Rieger, M. Milelli, D. Boucouvala, F. Gofa, A. Iriza-Burca, P. Khain, A. Kirsanov, J. Linkowska, F. Marcucci,
41 Informes sobre ICON 006: Verificación de ICON en Modo de área limitada en los Servicios Meteorológicos
42 Nacionales COSMO, (2021). https://doi.org/10.5676/DWD_PUB/NWV/ICON_006.
43 [58] Inicio de ecCodes - ecCodes - ECMWF Confluence Wiki, (2022). https://confluence.ecmwf.int/
44 display/ECC/ecCodes%2BHome (consultado el 29 de agosto de 2022).
45 [59] JM Wallace, PV Hobbs, Termodinámica atmosférica, en: Atmospheric Science, Elsevier, 2006: pp. 63–111.
46 https://doi.org/10.1016/B978-0-12-732951-2.50008-9.
47 [60] W. Roedel, T. Wagner, Physik unserer Umwelt: Die Atmosphäre, Springer Berlin Heidelberg, Berlín,
48 Heidelberg, 2011. https://doi.org/10.1007/978-3-642-15729-5.
49 [61] S. Cristina, É. Hervet, N. Lecomte, Aplicaciones para el aprendizaje profundo en ecología, Métodos en Ecología y
 50 Sulzer et al. /Construcción y medio ambiente 00 (2022) 000–000

1 Evolución. 10 (2019) 1632–1644. https://doi.org/10.1111/2041-210X.13256.

2 [62] DP Kingma, J. Ba, Adam: un método para la optimización estocástica, (2017).
3 https://doi.org/10.48550/arXiv.1412.6980.
4 [63] F. Chollet, Aprendizaje profundo con Python, Manning Publications Co, Shelter Island, Nueva York, 2018.
5 [64] A. Matzarakis, F. Rutz, H. Mayer, Modelado de flujos de radiación en entornos simples y complejos: conceptos
6 básicos del modelo RayMan, Int J Biometeorol. 54 (2010) 131–139. https://doi.org/10.1007/s00484-009-0261-0.
7
8 [65] A. Matzarakis, M. De Rocco, G. Najjar, Termal bioclima en Estrasburgo: la ola de calor de 2003, Theor
9 Appl Climatol. 98 (2009) 209–220. https://doi.org/10.1007/s00704-009-0102-4.
10 [66] J. Brownlee, Preparación de datos para el aprendizaje automático: limpieza de datos, selección de funciones y transformaciones
11 de datos en Python, Dominio del aprendizaje automático, 2020.
12 [67] R. Genuer, J.-M. Poggi, C. Tuleau-Malot, Selección de variables usando bosques aleatorios, Letras de reconocimiento de
13 patrones. 31 (2010) 2225–2236. https://doi.org/10.1016/j.patrec.2010.03.014.
14 [68] M. Kuhn, K. Johnson, Modelado predictivo aplicado, Springer New York, New York, NY, 2013.
15 https://doi.org/10.1007/978-1-4614-6849-3.
dieciséis [69] KE Taylor, Resumen de múltiples aspectos del rendimiento del modelo en un solo diagrama, Journal of
17

ba
Geophysical Research: Atmospheres. 106 (2001) 7183–7192. https://doi.org/10.1029/2000JD900719.
18 [70] R. Stull, Practical Meteorology: An Algebra-based Survey of Atmospheric Science, versión 1.02b, Departamento de
19 Ciencias de la Tierra, el Océano y la Atmósfera Universidad de British Columbia, Vancouver, BC, Canadá V6T 1Z4, 2017.

ue
20 https:/ /www.eoas.ubc.ca/books/Practical_Meteorology/ (consultado el 13 de abril de 2022).
21 [71] BAuA - Technischer Arbeitsschutz (inkl. Technische Regeln) - ASR A3.5 Raumtemperatur -
22 Bundesanstalt für Arbeitsschutz und Arbeitsmedizin, (nd).
r
23
-p
https://www.baua.de/DE/Angebote/Rechtstexte-und-Technische-Regeln/Regelwerk/ASR/ASR-A3-5.html
24 (consultado el 31 de mayo de 2022).
25
re

[72] A. Matzarakis, H. Mayer, MG Iziomon, Aplicaciones de un índice térmico universal: temperatura

26 equivalente fisiológica, Int J Biometeorol. 43 (1999) 76–84. https://doi.org/10.1007/s004840050119.
27 [73] N. Walikewitz, B. Jänicke, M. Langner, F. Meier, W. Endlicher, La diferencia entre la temperatura radiante
P

28 media y la temperatura del aire en ambientes interiores: un estudio de caso durante las condiciones de
29
al

verano, Building and Environment. 84 (2015) 151–161.

30 https://doi.org/10.1016/j.buildenv.2014.11.004.
rn

31 [74] J. Takakura, S. Fujimori, K. Takahashi, Y. Hijioka, T. Hasegawa, Y. Honda, T. Masui, Costo de la prevención de enfermedades
32 relacionadas con el calor en el lugar de trabajo a través de los descansos de los trabajadores y el beneficio de la mitigación del
33
Ju

cambio climático , Medio Ambiente. Res. Letón. 12 (2017) 064010. https://doi.org/10.1088/1748-9326/aa72cc.

34 [75] U. Ciuha, T. Pogačar, LK Bogataj, M. Gliha, L. Nybo, AD Flouris, IB Mekjavic, Interacción entre el estrés por calor
35 ocupacional en interiores y las elevaciones de la temperatura ambiental durante las olas de calor,
36 El tiempo, el clima y la sociedad. 11 (2019) 755–762. https://doi.org/10.1175/WCAS-D-19-0024.1.
37 [76] T. van Hooff, B. Blocken, HJP Timmermans, JLM Hensen, Análisis del efecto previsto de las medidas pasivas de
38 adaptación climática en la demanda de energía para refrigeración y calefacción en un edificio residencial,
39 Energía. 94 (2016) 811–820. https://doi.org/10.1016/j.energy.2015.11.036.
40 [77] F. Salamone, L. Danza, I. Meroni, MC Pollastro, Un Sistema de Monitoreo Ambiental de Bajo Costo: Cómo
41 Prevenir Errores Sistemáticos en la Fase de Diseño Mediante el Uso Combinado de Fabricación Aditiva y
42 Técnicas Termográficas, Sensores. 17 (2017) 828. https://doi.org/10.3390/s17040828.
43 [78] G. Chiesa, L. Yingjun, S. Yuxuan, W. Guoxin, Z. Bolun, Desarrollo y pruebas iniciales de un sistema de
44 monitoreo de confort urbano, J. Phys.: Conf. Ser. 2042 (2021) 012051. https://doi.org/
45 10.1088/1742-6596/2042/1/012051.
46 [79] N. Obradovich, R. Migliorini, SC Mednick, JH Fowler, Temperatura nocturna y pérdida de sueño humano en un
47 clima cambiante, Science Advances. 3 (2017) e1601555. https://doi.org/10.1126/sciadv.1601555.
48 [80] M. Rosenfelder, C. Koppe, J. Pfafferott, A. Matzarakis, Efectos del comportamiento de la ventilación en la carga de calor interior
49 según los años de referencia de la prueba, Int J Biometeorol. 60 (2016) 277–287. https://doi.org/10.1007/s00484-
 Sulzer et al./Construcción y medio ambiente 00 (2022) 000–000 51

1 015-1024-8.
2

rio
ia
ld
de
ia
ev
pr
b a
ue
Pr
• Las redes neuronales predicen la temperatura interior, el confort térmico y las advertencias de calor

• Redes neuronales entrenadas utilizando datos de sensores interiores y pronósticos meteorológicos exteriores

• Flujo de trabajo probado simultáneamente en 121 lugares de trabajo típicos durante un ciclo anual completo

• El mejor modelo predice la temperatura interior con un error de < 1 K, el 92 % de todos los pronósticos < 2 K

• El enfoque permite advertencias de calor y salud en interiores hábiles y específicas de la ubicación

rio
ia
ld
de
i a
ev
pr
ba
ue
Pr
Declaración de intereses

☒Los autores declaran que no tienen intereses financieros en competencia ni relaciones personales conocidas que
pudieran haber influido en el trabajo informado en este documento.

☐Los autores declaran los siguientes intereses financieros/relaciones personales que pueden considerarse como
posibles intereses en competencia:

io
r
ia
ld
de
ia
ev
pr
ba
ue
Pr
Traducido del inglés al español - www.onlinedoctranslator.com

Meteorología Agrícola y Forestal 331 (2023) 109342

Listas de contenidos disponibles enCienciaDirecta

Meteorología Agrícola y Forestal

revista Página de inicio:www.elsevier.com/locate/agrformet

Desempeño de pronósticos estacionales para la floración y envero de dos

importantes variedades de vid portuguesas

chenyao yanga,*, Andrej Ceglarb, Christoph MenzC, Joana Martínd, Hélder Fragaa, João
A. Santosa
aCentrode Investigación y Tecnología de las Ciencias Agroambientales y Biológicas (CITAB)/Inov4Agro (Instituto de Innovación, Capacitación y Sostenibilidad de la
Producción Agroalimentaria), Universidad de Trás-os-Montes y Alto Douro (UTAD), 5000- 801, Vila Real, Portugal
bCentro de Cambio Climático del Banco Central Europeo, Sonnemannstrasse 20, 60314 Frankfurt am Main, Alemania
CInstituto de Potsdam para la Investigación del Impacto Climático e. V. (PIK), Telegrafenberg A 31, 14473 Potsdam, Alemania
dCentro de Estudios Ambientales y Marinos (CESAM), Universidad de Aveiro (UA), 3810-193 Aveiro, Portugal

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: Las previsiones estacionales de fenología son cada vez más demandadas por viticultores y viticultores. El rendimiento de los pronósticos
Clima mediterráneo debe investigarse en el espacio y el tiempo antes de las aplicaciones prácticas. Evaluamos el desempeño del pronóstico estacional
Pronóstico climático estacional
(habilidad, probabilidad y precisión) al predecir las etapas de floración y pinta de dos variedades representativas en Portugal durante
Pronóstico fenológico
1993–2017. El sistema de pronóstico de última generación ECMWF-SEAS5 proporciona pronósticos estacionales de 7 meses y se combina
Modelado de fenología
con un modelo de fenología adaptado localmente. En general, los hallazgos ilustran la dependencia del desempeño del pronóstico en los
Pronóstico de rendimiento
Riesgo climático
tiempos de inicialización, las regiones y los sujetos de predicción (etapas y variedades). El rendimiento del pronóstico mejora al retrasar el
tiempo de inicialización y solo los pronósticos inicializados el 1 de abril muestran mejores habilidades que la climatología para predecir los
terciles de fenología (temprano/normal/tardío). El considerable sesgo de los valores diarios de las predicciones climáticas estacionales
puede representar la principal barrera para realizar pronósticos precisos. Se encuentra consistentemente un mejor rendimiento de
predicción en las regiones centro-sur en comparación con las regiones del norte, lo que se atribuye a una ocurrencia de fenología más
temprana con una duración de pronóstico más corta. Habilidades predictivas comparables entre floración y pinta para ambas variedades
implican una mejor predictibilidad en verano. En consecuencia, se prevén predicciones fenológicas estacionales prometedoras en las
regiones vinícolas del centro-sur utilizando pronósticos inicializados el 1 de abril con aproximadamente 1–2/3–4 meses de antelación para
la floración/envero: los posibles errores de predicción son de ~2 semanas, junto con una habilidad de pronóstico general moderada en
eventos categóricos. Sin embargo, la considerable variabilidad interanual del desempeño del pronóstico durante los mismos años de
fenología clasificada refleja la influencia sustancial de la variabilidad climática. Esto puede representar el principal desafío para las
predicciones fiables en las regiones mediterráneas. Se sugieren recomendaciones para innovaciones metodológicas y aplicaciones
prácticas hacia pronósticos fenológicos regionales confiables.

1. Introducción
La variabilidad climática y los fenómenos meteorológicos extremos tienen un
profundo impacto en los sistemas agrícolas (Ceglar et al., 2016;Challinor et al., 2014;
Lobell y Field, 2007). En las últimas décadas, el sector agrícola se ha visto cada vez más
expuesto a condiciones climáticas desfavorables y fenómenos meteorológicos extremos (
Zhu y Troya, 2018). Por ejemplo, las malas cosechas relacionadas con el clima son
ampliamente reportadas en toda Europa en 2003, 2010 y 2018 (Bento et al., 2022). Estos
riesgos relacionados con el clima pueden verse exacerbados por el calentamiento global
con una mayor frecuencia y magnitud de
fenómenos meteorológicos extremos como las olas de calor (Fraga et al., 2020). Para
mejorar la resiliencia del sector agrícola, el desarrollo de un producto de pronóstico
estacional confiable que pueda capturar con precisión la señal de anomalías climáticas
estacionales, puede ayudar a adaptarse de manera efectiva y dinámica a la variabilidad
climática y al cambio climático (Bento et al., 2022; Ceglar et al., 2017). Se ha demostrado
que los pronósticos tempranos de temporada brindan información útil sobre eventos
climáticos anticipados de interés para los agricultores (Ceglar y Toreti, 2021;Chen y Tao,
2022;Jha et al., 2019). Pueden ajustar proactivamente su manejo agronómico con
anticipación para minimizar los impactos potencialmente negativos de los eventos
climáticos adversos mientras

* Autor correspondiente.
Dirección de correo electrónico:cyang@utad.pt (C.Yang).

https://doi.org/10.1016/j.agrformet.2023.109342
Recibido el 10 de agosto de 2022; Recibido en forma revisada el 16 de enero de 2023; Aceptado el 22 de enero de 2023 Disponible en
Internet el 28 de enero de 2023
0168-1923/© 2023 El(los) autor(es). Publicado por Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/
bync-nd/4.0/).
C. Yang et al.
maximizar los beneficios cuando se prevén condiciones favorables (
Bento et al., 2022;Marrón et al., 2018;Tao et al., 2018;van der Velde y
Nisini, 2019).
vid (Vitis viniferaL.) es un cultivo frutícola de importancia económica a nivel mundial.
Los sectores de la viticultura y la elaboración del vino están muy influenciados por las
condiciones climáticas locales y los patrones climáticos anuales (Santos et al., 2020b).
Proporcionar pronósticos del desarrollo de la fenología durante una temporada de
crecimiento determinada es una vía prometedora para mejorar la resiliencia climática del
sector (Taylor y White, 2020). Fenología de la planta, un patrón periódicamente
recurrente de etapas de desarrollo durante la temporada de crecimiento (Piao et al., 2019
), es generalmente de importancia central para otros procesos fisiológicos. Por ejemplo,
en el modelado de cultivos basado en procesos, la fenología puede afectar la dinámica de
la vegetación, el balance hídrico del suelo y el uso del agua de las plantas, así como la
formación de biomasa y rendimiento (Brisson et al., 2003;Holzworth et al., 2014). El
desarrollo de la fenología depende principalmente de la temperatura. Se proyecta una
etapa fenológica generalmente avanzada en respuesta al aumento de las temperaturas
para diferentes variedades y regiones, lo que a su vez puede afectar la composición de la
baya, la calidad y la tipicidad del vino (Clemente et al., 2022;Fraga et al., 2016;Ramos et
al., 2021;Yang et al., 2022a).
El momento de floración/floración (BBCH65) y el envero/inicio de maduración
(BBCH81) son etapas fundamentales de la vid (Lorenz et al., 1995). Los pronósticos
estacionales disponibles en estas etapas pueden ayudar a monitorear el crecimiento de
la vid e informar mejor la toma de decisiones para los viticultores y viticultores en la
gestión de viñedos. Este enfoque promueve la reducción de los riesgos derivados del
cambio y la variabilidad climática. Las predicciones precisas de la etapa de floración
pueden garantizar la implementación oportuna de intervenciones de campo, como el
riego suplementario en condiciones secas para evitar la necrosis de la inflorescencia y
garantizar una producción adecuada de frutos. Para la etapa de envero, las predicciones
tempranas de la temporada pueden ayudar a anticipar la cosecha (planificar los costos de
materiales y mano de obra) e informar las medidas para evitar impactos indeseables en
la calidad del vino. Por ejemplo, el calentamiento del clima puede exponer las variedades
locales a temperaturas excesivamente altas durante la maduración de la uva, lo que
resulta en un alto contenido de azúcar y baja acidez, antocianina y aromas (Mosedale et
al., 2016;van Leeuwen et al., 2019). La implementación oportuna de medidas, por
ejemplo, la poda del dosel para reducir la relación entre el área de la hoja y el peso del
fruto para retrasar la etapa de envero, puede evitar las altas temperaturas de
maduración, lo que es beneficioso para una composición equilibrada de la uva (van
Leeuwen et al., 2019;van Leeuwen y Destrac-Irvine, 2017). Además, los pronósticos
estacionales pueden convertirse en una herramienta viable para las entidades
financieras, como bancos, compañías de gestión de activos y de seguros, para cubrir
posibles pérdidas económicas y asegurar los ingresos de los agricultores.
Uno de los componentes clave para realizar pronósticos estacionales sobre
fenología es implementar un modelo de fenología mecanicista que simule de
manera confiable la fenología observada de una variedad específica. El modelado
fenológico a menudo se basa en el concepto de "grados-día", asumiendo que la
fenología ocurre cuando se logra una acumulación de unidades de calor
dependiente de la variedad (Costa et al., 2019;Parker et al., 2013;Reis et al., 2020;
Rodrigues et al., 2022;Santos et al., 2019). Estos modelos generalmente comparten
las características de ser de estructura simple y proporcionar una buena eficiencia
y precisión para las predicciones fenológicas. Por ejemplo, el modelo Grapevine
Flowering Veraison, que sigue la misma estructura simple que el modelo Growing
Grade-Days (GDD), bien puede (por ejemplo, RMSE<7 días) simulan las etapas de
floración y envero de ~80 variedades en 123 sitios diferentes a lo largo de 48 años
(Parker et al., 2013).
Los pronósticos estacionales son creados por modelos climáticos numéricos que
utilizan un conjunto complejo de ecuaciones hidrodinámicas para describir la evolución
de la atmósfera, el océano y la superficie terrestre, durante unas pocas semanas o meses
a partir de un estado inicial dado del sistema terrestre (Johnson et al., 2019). Debido a las
incertidumbres en el estado inicial, se realizan pronósticos por conjuntos, y los miembros
individuales del conjunto se ejecutan con perturbaciones ligeramente diferentes de las
condiciones iniciales (Du et al., 2012;Johnson et al., 2019; Stockdale, 2021;Wang et al.,
2019). Estos miembros del conjunto reflejan una distribución de los resultados de los
pronósticos, correspondientes a la evolución atmosférica no lineal a pequeñas
perturbaciones en las condiciones iniciales. El sistema de pronóstico tiene una capacidad
limitada para predecir con precisión el clima diario
2
Meteorología Agrícola y Forestal 331 (2023) 109342
variaciones a escala local más allá de aproximadamente dos semanas (Stockdale,
2021). Dado que el modelado fenológico depende de la entrada precisa del clima
diario, las predicciones precisas de las etapas fenológicas impulsadas por la salida
diaria de las predicciones climáticas estacionales están limitadas. No obstante, hay
varios componentes predecibles (por ejemplo, la temperatura de la superficie del
mar) que no restringen la atmósfera lo suficiente como para permitir predicciones
razonables del clima estacional (Stockdale, 2021). Las modificaciones de las
condiciones atmosféricas “habituales” por estos componentes son la esencia de
los pronósticos estacionales. Tenga en cuenta que el pronóstico estacional es
diferente del pronóstico del tiempo, donde este último tiene un énfasis particular
en la precisión de las condiciones climáticas diarias.
El rendimiento de los pronósticos estacionales depende de la región. Se
observan mejores habilidades de pronóstico en el Pacífico tropical debido a la
predictibilidad relativamente alta de ENSO (Johnson et al., 2019). Por el contrario,
las previsibilidades limitadas se informan ampliamente en el sur de Europa, como
Portugal (Ceglar et al., 2018;Ceglar y Toreti, 2021;Crespi et al., 2021;van der Velde
y Nisini, 2019). Por ejemplo,van der Velde y Nisini (2019)evaluar el rendimiento del
Sistema de Pronóstico de Rendimiento de Cultivos MARS (MCYFS) en la predicción
de rendimientos de muchos cultivos importantes en Europa, destacando una
precisión de predicción relativamente baja en Portugal. Por lo tanto, se dedicarán
más esfuerzos de investigación a las regiones en las que el rendimiento actual del
pronóstico es limitado.
En Portugal, la viticultura es un sector socioeconómico clave, con una
superficie de viñedo de aproximadamente 194.000 ha y una producción anual de
vino de alrededor de 6,4 millones de hectolitros en 2020 (OIV, 2021). A nivel
mundial, Portugal es actualmente el 11elproductor de vino y los 10elexportador de
vino (OIV, 2021). Se espera que la implementación de pronósticos estacionales
confiables genere beneficios considerables para el sector que enfrenta
incertidumbres debido a la creciente variabilidad climática. Sin embargo, pocos
estudios han intentado evaluar el rendimiento de los pronósticos estacionales
para proporcionar predicciones tempranas de temporada sobre la fenología de la
vid en las regiones vitivinícolas portuguesas. Por lo tanto, hemos llevado a cabo un
estudio para evaluar el rendimiento del pronóstico estacional para predecir las
etapas de floración y envero de dos variedades representativas de estas regiones
vitivinícolas, a saber, cv.Touriga Franca(TF) y cv. Touriga Nacional(TN) (Fraga et al.,
2017;Reis et al., 2020;Yang et al., 2021). Específicamente, nuestro objetivo es (i)
evaluar la habilidad y la probabilidad del pronóstico estacional para predecir la
categoría fenológica basada en terciles: evento temprano/normal/tardío; (ii) y
cuantificar el posible sesgo/error de predicción en los tiempos de fenología (DOY).
La evaluación se lleva a cabo para el período de re-pronóstico (1993-2017), que
puede compararse con registros históricos que pueden proporcionar una medida
del desempeño esperado en los pronósticos en tiempo real. Se da especial énfasis
a las características espacio-temporales del desempeño del pronóstico.
2. Datos y métodos
2.1. Regiones vitivinícolas estudiadas
El presente estudio cubre 47 regiones vitivinícolas principales en
Portugal (Tabla S1), designadas como Denominación de Origen Protegida
(DOP), que representa el nivel más alto de clasificación de regiones
vitivinícolas y vinícolas (Candiago et al., 2022). Las condiciones climáticas en
estas DOP se caracterizan por climas de tipo mediterráneo, con veranos
cálidos y secos y otoños e inviernos templados y húmedos (Fraga et al., 2017
;Yang et al., 2022b). TF y TN se cultivan ampliamente en estas DOP. Sin
embargo, también hay un gran número de variedades autóctonas e
internacionales cultivadas en viñedos portugueses, dando como resultado
vinos monovarietales o de mezcla, aunque estos últimos pueden ser más
comunes (Fraga et al., 2017). Las etapas fenológicas multivarietales pueden
abarcar un largo período durante la temporada, lo que fue difícil de capturar
mediante la técnica de modelado fenológico. Por lo tanto, actualmente no se
consideran viñedos con variedades mezcladas.
C. Yang et al.
2.2. Conjuntos de datos meteorológicos
2.2.1. Conjuntos de datos observacionales
Las variables meteorológicas consideradas fueron superficie diaria (2 m) mínima (T
min,◦C), media (Tsignificar,◦C) y temperaturas máximas (Tmáximo,◦C). Estas variables se
recuperaron de E-OBS (v24.0e), un programa europeo de alta resolución (0,1◦) conjunto
de datos meteorológicos cuadriculados diarios, que se ha utilizado durante la última
década en varios estudios sobre monitoreo del clima y evaluaciones de modelos
climáticos (Cornes et al., 2018;Haylock et al., 2008;Jacob et al., 2014). En Portugal, se
demostró previamente que el conjunto de datos es útil en las evaluaciones de impacto
del cambio climático para varios sistemas de cultivo importantes (Yang et al., 2020,2019,
2018,2017). Los datos de temperatura observados entre 1993 y 2017 se extrajeron para
las regiones de estudio y se usaron principalmente para corregir las predicciones sin
procesar del clima estacional obtenidas de ECMWF-SEAS5 (2.2.3) e implementar
simulaciones de fenología basadas en cuadrículas para proporcionar datos de referencia
espacial (2.3.3). ). E-OBS desempeñó un papel importante en el pronóstico en tiempo real,
ya que podía proporcionar una actualización mensual, que se puede sincronizar con el
conjunto de datos de pronóstico inicializado mensual.
2.2.2. Conjuntos de datos de pronóstico estacional
Los datos de pronóstico estacional en Tminy Tmáximofueron recopilados de la quinta
generación del sistema de pronóstico estacional (SEAS5) del Centro Europeo para el
Pronóstico del Tiempo a Medio Plazo (ECMWF) (Johnson et al., 2019), disponible a través
del Servicio de Cambio Climático de Copernicus (C3S,https://cds.climate.copernicus.eu/).
El SEAS5 entró en funcionamiento (pronósticos en tiempo real) en noviembre de 2017, lo
que representa un sistema de pronóstico de última generación con configuraciones
mejoradas de modelos atmosféricos y oceánicos y resoluciones espaciales horizontales,
es decir, ~36 km en componentes atmosféricos (Johnson et al., 2019), pero siendo
escalado a 1◦en C3S (Ceglar y Toreti, 2021). Se eligió un conjunto de re-pronósticos sobre
1993-2017 (pronósticos retrospectivos), que consta de 25 miembros del conjunto que se
inicializaron el 1calledía de cada mes e integrado durante 7 meses cada año. Dentro de
este estudio, se eligieron tres tiempos de inicialización del pronóstico: 1 de febrerocalle,
Marzo 1calley 1 de abrilcalle, considerando los períodos típicos de floración y envero de
mayo-junio y julio-agosto respectivamente en Portugal (Fraga et al., 2017,2016). Estas
fechas de inicialización estaban muy por delante de las fechas más tempranas posibles
de las etapas de floración y envero observadas localmente (con valores pronosticados),
mientras que al mismo tiempo garantizaban que las fechas más tardías posibles de
ambas etapas todavía estaban dentro del tiempo de anticipación del pronóstico emitido
más temprano ( 01 de febrerocalle). Para simular el ciclo fenológico, se combinaron los
datos de observación (E-OBS) y de pronóstico: antes de la fecha de inicialización del
pronóstico de cada año, se utilizaron los datos de observación cuadriculados y se usaron
pronósticos estacionales desde el momento de la inicialización en adelante, siguiendo el
enfoque descrito porCeglar y Toreti (2021). Esto tenía como objetivo emular las
predicciones reales, asumiendo la disponibilidad de datos observados antes de cada
inicialización. Un procedimiento similar también se ha informado en otros estudios (
Ceglar y Toreti, 2021;Chen y Tao, 2022;Jha et al., 2019;Semenov, 2007).
2.2.3. Evaluaciones de conjuntos de datos de pronóstico ajustados por sesgo
El método de mapeo de cuantiles (Gudmundsson et al., 2012;Panofsky et al.,
1968;Piani et al., 2010), se aplicó para reducir el sesgo en las temperaturas
pronosticadas utilizando datos E-OBS como conjunto de datos de referencia. Es un
método confiable y robusto para minimizar el sesgo en los resultados de
diferentes modelos de pronóstico (Ceglar et al., 2018;Ceglar y Toreti, 2021). Como
se observa (0.1◦) y previsión (1◦) los conjuntos de datos tenían diferentes
resoluciones, se presentó un diagrama de flujo para ilustrar cómo los conjuntos
de datos observados se escalan a la malla de pronóstico para la corrección del
sesgo (Fig. S1). Luego, el conjunto de datos de pronóstico ajustado por sesgo se
suministró al modelo de fenología para realizar el pronóstico de fenología. Para
evaluar qué tan bien puede reproducir las condiciones climáticas estacionales
observadas, GDD con una temperatura base de 0◦C (Parker et al., 2013) se calculó
entre las series referenciadas y pronosticadas (mediana del conjunto) en cada
tiempo de inicialización entre 1993 y 2017. Su correspondencia se evaluó mediante
el coeficiente de determinación (R2), mientras que la evaluación de si hubo una
3
Meteorología Agrícola y Forestal 331 (2023) 109342
diferencia significativa (p<=0,05) en sus distribuciones se realizó utilizando la
prueba de Kolmogorov-Smirnov para dos muestras (Hodge, 1958). Se
calcularon el error de sesgo medio (MBE) y el error cuadrático medio (RMSE)
para evaluar la diferencia en el GDD total estacional entre las dos series para
1993–2017. En particular, MBE puede dar indicaciones de si el pronóstico
sobreestima (positivo) o subestima (negativo) el GDD observado.
2.3. Simulaciones de fenología
2.3.1. Elección del modelo fenológico para las condiciones locales
Existen numerosos modelos para el modelado de la fenología de la vid, dentro
de este estudio el modelo sigmoideo (Fsigmoideo) fue elegido. Análisis previo
indicadoFsigmoideomostró un mejor equilibrio entre la complejidad del modelo y la
precisión de la predicción al simular las etapas de floración y pinta de TF y TN, en
comparación con otros modelos de fenología comúnmente utilizados (GDD,
Richardson y Wang) (Costa et al., 2019). Además,Fsigmoideohabía sido evaluado con
éxito para simular las etapas de floración y envero de otras 34 variedades de vid
en 19 parcelas de viñedos en cuatro regiones vitivinícolas importantes de Portugal
(Reis et al., 2020). ElFsigmoideo
se muestra en laecuación (1)solo contenía dos parámetros propuestos por
Hanninen (1990):
/ )
Fsigmoideo=1 (1 +mi(d∗(Tsignificar−b)) (1)
donde Tsignificarrepresentó la temperatura media diaria,ddenotaba la nitidez de la
curva;bfue la temperatura de respuesta media. Para ejecuciones de pronóstico, T
significarse calculó como el promedio aritmético de T ajustado por sesgominy T
máximo, mientras observaba Tsignificarfue utilizado directamente como insumos para
simulaciones de fenología de referencia;Fsigmoideosimuló la ocurrencia de una
etapa fenológica objetivo en la fecha en que el estado de las temperaturas
forzadas alcanzó un valor umbral deF*(forzamiento térmico dependiente de la
variedad) a partir de una fecha de inicio especificada por el usuario (t0). Para
modelar la etapa de floración, t0estaba programado para el 1 de enerocallede cada
año, siendo consistente con estudios previos (Costa et al., 2019;Reis et al., 2020).
Para modelar la etapa de pinta, su simulación partió directamente de la etapa de
floración simulada para preservar la continuidad del desarrollo fenológico. Tal
esquema secuencial destacó que una buena simulación de envero también
dependía de la simulación precisa de la etapa de floración (Yang et al., 2022a).
2.3.2. Calibración del modelo fenológico utilizando datos meteorológicos
reticulados El modelo sigmoide, a pesar de haber sido ampliamente calibrado
y evaluado antes (Costa et al., 2019;Reis et al., 2020), se volvió a calibrar utilizando
el conjunto de datos climáticos E-OBS cuadriculado. Esto tuvo como objetivo
principal adaptar las simulaciones del modelo fenológico a la escala espacial de las
ejecuciones de pronóstico. Los datos de fenología observados (floración y pinta) se
obtuvieron para TF en 1995-2014 y TN en 1990-2000 y 2006-2014 de un viñedo
ubicado dentro de la región vinícola de Lisboa en 39.041◦N, 9.181◦W (Reis et al.,
2020). La calibración de parámetros utilizó el algoritmo de optimización de
recocido simulado de Metropolis (Metrópolis et al., 1953), que se implementó en la
Plataforma de Modelado de Fenología (v5.5) (Chuine et al., 1998) bajo el esquema
de validación cruzada dejando uno fuera. Los parámetros calibrados finales (Fig.
S2) se obtienen en función del vector de parámetros con RMSE mínimo durante la
validación cruzada. Se obtuvo un rendimiento general satisfactorio, con estados
previstos dentro de una diferencia de 5 días (MAE y RMSE) y un sesgo medio
insignificante con respecto a los estados observados para ambas variedades (
Figura 1). La variabilidad interanual de las etapas de floración y pinta observadas
se reprodujo bien (Fig. S3), con predicciones que explican el 73–75 % y el 63–79 %
de la variabilidad observada para TF y TN, respectivamente (Figura 1).
2.3.3. Simulaciones de fenología de referencia
Para evaluar el desempeño del pronóstico, se requieren datos de fenología
observados de alta calidad a largo plazo en cada punto de la cuadrícula de estas regiones
vitivinícolas (o al menos para cada región). Sin embargo, actualmente esto no es posible
debido a la disponibilidad limitada de datos. Para mitigar la brecha, la referencia
C. Yang et al. Meteorología Agrícola y Forestal 331 (2023) 109342

Figura 1.Comparación del Día del Año (DOY) observado y simulado entre las etapas de floración y envero de Touriga Franca (TF) y Touriga Nacional (TN). Las métricas de
evaluación son Error de sesgo medio (MBE), Error absoluto medio (MAE), Error cuadrático medio (RMSE), Coeficiente de determinación (R2) y Eficiencia de las simulaciones
(EF).

La fenología se ha simulado con el conjunto de datos climáticos cuadriculados (E-
OBS) en su resolución original (0,1◦) utilizando el modelo sigmoide recalibrado. La
fiabilidad y aplicabilidad del conjunto de datos E-OBS para reproducir la fenología
de la vid observada localmente se ha demostrado con éxito (con un nivel
aceptable de errores de predicción) en diferentes regiones vitivinícolas
portuguesas (Rodrigues et al., 2022;Yang et al., 2022b,2021). El uso de
simulaciones con el clima observado como datos de referencia es una práctica
común para los estudios de pronóstico estacional (Ceglar et al., 2018;Ceglar y
tarde (>percentil 66) ocurrencia (Ceglar y Toreti, 2021). La clasificación se realizó
en base a la serie DOY de fenología de referencia en cada punto de la cuadrícula
en 1993-2017. Los umbrales de categorización de referencia (DOY) resultantes
también se aplicaron para categorizar la serie DOY de pronóstico, que se llevó a
cabo para cada miembro del conjunto de pronóstico en cada fecha de
inicialización.
2.4.1. Puntuación de habilidad de probabilidad de clasificación justa (FRPSS)

Toreti, 2021;Ferrise et al., 2015;Jha et al., 2019;Semenov, 2007). Las simulaciones Para evaluar la habilidad/previsibilidad general del pronóstico en los tres
de fenología de referencia resultantes indicaron una floración ligeramente más eventos categóricos (temprano/normal/tardío), se calculó el FRPSS. FRPSS mide
temprana para TN que para TF, pero un inicio de envero/maduración qué tan bien el pronóstico de probabilidad predice la categoría observada (Ferro,
marcadamente tardío para TN que para TF (Fig. S4–S5). Estos son muy 2014). FRPSS se deriva de la puntuación de probabilidad clasificada (RPS). RPS
consistentes con las características fenológicas reales de las dos variedades, según calculó la distancia media cuadrática entre las probabilidades acumuladas denorte
lo informado porCosta et al. (2019)yReyes et al. (2020). pares de pronóstico-referencia a lo largo de la serie de tiempo definida parak
categorías de pronóstico igualmente probables mientras se corrige el tamaño del
conjunto (Ferro, 2014) (ecuación (2)):
2.4. Evaluación para pronóstico estacional sobre eventos fenológicos categóricos [( ))]
) (
1∑ norte
∑k ( f.c.
yo k
2
f.c. metro− f.c.yo k
RPS = − − (2)
yo k
yo k
transmisión exterior
Los estadios fenológicos simulados (DOY) se clasificaron en tres norte
i=1 k=1
metro metro2(metro− 1)
categorías (clases terciles) relevantes para la toma de decisiones
agrícolas: temprano (<percentil 33), normal (entre percentiles 33 y 66) y

4
C. Yang et al.
dóndef.c.yo kdenota el número de miembros del conjunto que pronosticaron elkel
categoría enielpronóstico;transmisión exterioryo kdenota la observación enkel
categoría (1 para ocurrencia, 0 para no ocurrencia) enielpronóstico;metro
k etroindicando así el conjunto
denota el total de miembros del conjunto;f.c.yo m
pronosticar la probabilidad de ocurrencia de una categoría dada; yf.c.yo k(metro −f.c.yo k)
metro metro
2( −1)
sirvió para corregir el tamaño del conjunto. RPS se evaluó entre
climatología (RPSclima) y previsión (RPSf.c.), lo que lleva a FRPSS = 1 −RPS
RPSf.c.
. clima
FRPSS osciló entre -∞a 1: 1 para un pronóstico perfecto, 0 para pronósticos
que no funcionan mejor que el pronóstico de referencia, y positivo
(negativo) cuando el pronóstico es mejor (peor) que este de referencia (
Ceglar y Toreti, 2021). El pronóstico de referencia reflejaba información
únicamente sobre las condiciones agroclimáticas medias a largo plazo.
2.4.2. Puntaje de habilidad de Gilbert (GSS)
Para evaluar aún más las habilidades de pronóstico en cada clase de tercil por
separado, se calculó el GSS con varios términos: acierto (pronóstico de evento que
ocurrirá y ocurre), fallo (pronóstico de evento que no ocurrirá pero ocurre), falsa
alarma (pronóstico de evento que ocurrirá). pero no ocurre) y negativa correcta
(evento pronosticado para que no ocurra y no ocurre) (Daniel S. Wilks, 2020;
Schaefer, 1990). Cuantifica la calidad del pronóstico midiendo qué tan bien los
eventos pronosticados se corresponden con las observaciones, mientras ajusta los
pronósticos correctos debido al azar (Daniel S. Wilks, 2020;Schaefer, 1990). GSS
varía de − 1/3 (pronóstico aleatorio sin habilidades) a 1 (pronóstico perfecto). La
puntuación estima la capacidad de una predicción determinista para pronosticar
correctamente un evento dicotómico (Ceglar et al., 2018). El umbral de
probabilidad se definió en 60% para que ocurra un evento de pronóstico dado, es
decir, más del 60% de los miembros del conjunto predijeron la categoría.
2.4.3. Probabilidad de pronóstico por conjuntos de los eventos observados (ens_prob) Tanto el
puntaje de habilidad como la probabilidad de pronóstico fueron importantes para evaluar el
desempeño del sistema de pronóstico por conjuntos. La probabilidad pronosticada de ocurrencia
de la categoría de referencia se estimó con base en la fracción de miembros del conjunto que
predicen el evento, denotada como ens_prob. Representaba una forma simplificada para
proporcionar una indicación de cómo ciertos pronósticos coincidían con la categoría observada
en función de la dispersión de las predicciones de los miembros del conjunto (cuanto mayor sea
la probabilidad, mayor será la probabilidad).
más certeza el resultado previsto) (Ferro, 2014). era parecido af.c.yo k
en FRPSS, pero calculado exclusivamente para la categoría de referencia en cada año en
un punto de cuadrícula determinado. Dado que la categoría de referencia varió espacial y
temporalmente, dividimos el período de 1993 a 2017 en años de fenología tempranos/
normales/tardíos cuando una clase tercil de referencia parecía ser una mayoría espacial
en un año en particular.ens_probse calculó para los años tempranos/normales/tardíos
clasificados en consecuencia.
2.5. Evaluación del potencial de pronóstico estacional en etapas fenológicas
(DOY)
La magnitud de los errores de predicción entre las series DOY de referencia y
pronosticadas de cada miembro del conjunto se cuantificó utilizando MAE y RMSE
en cada punto de la cuadrícula. Se adoptó la media del conjunto de MAE y RMSE
respectivamente, que luego se agregaron y mapearon para cada región vinícola.
En comparación con MAE, RMSE le da un peso adicional a la gran diferencia (
Taylor, 2001). Estas fueron dos métricas comúnmente empleadas que podrían
brindar estimaciones directas de la magnitud de los errores de pronóstico, lo que
permite comparaciones directas con las de otros estudios de modelado de
fenología (Costa et al., 2019;Parker et al., 2013;Reis et al., 2020;Rodrigues et al.,
2022).
3. Resultados
3.1. Evaluación del desempeño del pronóstico estacional ajustado por sesgo
La serie de pronóstico puede muy bien reproducir (R2>0,95) la referencia
Meteorología Agrícola y Forestal 331 (2023) 109342
Serie durante 1993–2017 para GDD diario estacional desde cualquier fecha de
inicialización de pronóstico hasta la última floración posible estimada empíricamente (31
de julio).calle) y etapa de envero (30 de septiembreel), independientemente de los
cultivares (Fig. S6–S8). Esto también es consistente para años individuales, ya que se
encuentra poca variabilidad de un año a otro (Fig. S6–S8). Además, una diferencia
estadística (p<0.05) en la distribución entre la serie completa de referencia y de
pronóstico se encuentra en 16/47 y 22/47 regiones para las etapas empíricas de floración
y envero respectivamente para el 1 de febrerocallepronósticos (Fig. S6), que disminuye
ligeramente a 14/47 y 19/47 para el 1 de abrilcalle
pronósticos (Fig. S8). No obstante, existe un sesgo diario considerable (diferencia día a
día) entre la serie de referencia y la de pronóstico (la mayor diferencia se encuentra en
dos regiones del norte 28 y 29), como lo demuestra la considerable diferencia en su
rango de variabilidad del 90% durante 1993– 2017 (generalmente se encuentra una
mayor magnitud de variabilidad para la serie de referencia) (Fig. S6–S8). En consecuencia,
esto conduce a su diferencia en el GDD total estacional alcanzado (Fig. S9), lo que afecta
los pronósticos de fenología. Para previsiones emitidas el 1 de febrerocalle, la GDD total
estacional media observada para alcanzar la floración empírica (31 de juliocalle) y etapas
de envero (30 de septiembreel) es respectivamente 2500 a 3300 y 3700 a>=4500◦C días−1
para las regiones vitivinícolas estudiadas (Fig. S9). Para ambas etapas, las
sobreestimaciones del GDD total estacional (indicado por MBE) tienden a ocurrir
principalmente en las regiones central y sur (CS) (con una latitud más baja que la región
11), mientras que la mayoría de las regiones del norte (N) (con una latitud igual o mayor
que la región 11). región 11) muestran subestimación (Figura 2a). Errores de pronóstico
relativamente más altos (RMSE>200◦C días−1, hasta 600◦C días−1) se encuentran en las
regiones N y errores menores (RMSE<=200◦C días−1) en las regiones CS (Figura 2b). Dado
que se integran más observaciones en las estimaciones de fenología cuando se acerca la
etapa objetivo, el 1 de marzocalley 1 de abrilcallelos pronósticos muestran una disminución
de RMSE que el 1 de febrerocalle
pronósticos para la mayoría de las regiones (Figura 2b). Sin embargo, el patrón espacial
identificado de subestimaciones/sobreestimaciones permanece prácticamente sin
cambios desde el 1 de febrero.calleal 1 de abrilcalleprevisiones (Figura 2a).
3.2. Desempeño del pronóstico estacional sobre eventos fenológicos categóricos
3.2.1. Rendimiento general de la previsión
Como se muestra enFig. 3, la habilidad de pronóstico general (indicada por FRPSS) en la
predicción de eventos categóricos de floración y envero de dos variedades mejora cuando se
usan pronósticos estacionales inicializados más tarde en la temporada a partir del 1 de febrero.
metro
calleal 1 de abrilcalle. Independientemente de las etapas y variedades, 1 de febrerocallelos
pronósticos no son más hábiles que la climatología (FRPSS<0) y 1 de marzocallelos pronósticos
muestran bajas habilidades en la mayoría de las regiones con FRPSS<0.2 (Fig. 3). Las predicciones
moderadamente hábiles se detectan utilizando el 1 de abrilcalle
pronósticos en regiones CS (0.2<FRPSS<0.6), mientras que N regiones
generalmente muestran pronósticos marginalmente útiles (0<FRPSS<0.4) (Fig. 3).
En otras palabras, el 1 de abrilcalleLos pronósticos en las regiones CS tienden a
tener una mayor probabilidad de predecir correctamente la categoría temprano/
normal/tardío que los de las regiones N. Además, se encuentran habilidades de
pronóstico comparables entre las etapas de floración y envero de ambas
variedades (Fig. 3). Esto es más valioso para estos últimos dado que la etapa de
envero suele ser entre 2 y 3 meses más tarde que la etapa de floración. Además,
se encuentra un rendimiento del pronóstico dependiente de la variedad,
especialmente notable el 1 de abril.callepronósticos, donde las habilidades
predictivas de ambas etapas son ligeramente superiores para TF (Fig. 3a) que para
TN (Fig. 3b). Sin embargo, las diferencias en las habilidades predictivas son mucho
menores entre variedades que entre diferentes tiempos de inicialización (Fig. 3).
3.2.2. Desempeño del pronóstico para cada tercil
GSS se calcula para proporcionar una medida de cómo los pronósticos en cada clase
de tercil se corresponden con el tercil observado. Similar a FRPSS, la previsibilidad de
cada tercil fenológico indicado por GSS, también mejora con los tiempos de inicialización:
apenas útil para el 1 de febrerocalleprevisiones (<0,2, es decir, menos de una quinta parte
de los casos podría predecir correctamente eventos normales); marginalmente útil para
el 1 de marzocalleprevisiones (<0,4); moderadamente útil para el 1 de abrilcallepronósticos
(0–0.6, es decir, predicciones terciles correctas hasta aproximadamente dos tercios de los
casos) (Figura 4). No se detecta ninguna diferencia perceptible
5
C. Yang et al. Meteorología Agrícola y Forestal 331 (2023) 109342

Figura 2.La diferencia del total de días de grados de crecimiento estacionales (GDD,◦Cd−1) obtenido a partir de una fecha de inicialización del pronóstico (1 de febrerocalle, Marzo 1calley 1
de abrilcalle) a la fecha que representa el valor límite tardío de la floración (31 de juliocalle) y etapa de envero (30 de septiembreel) independientemente de los cultivares entre 1993 y 2017
entre los datos de referencia y de pronóstico (mediana del conjunto). La diferencia se caracteriza como (a) Error de sesgo medio (MBE) y (b) Error cuadrático medio (RMSE). Para MBE, los
valores positivos/negativos indican sobreestimaciones/subestimaciones del GDD total alcanzado. GDD se calcula utilizando la temperatura media diaria con una temperatura base de 0◦
C.

entre el tercil temprano/normal/tardío usando el 1 de febrerocallepronósticos, mientras que tanto
el 1 de marzocalley 1 de abrilcalleLas previsiones indican un mejor desempeño para el tercil
temprano y tardío que para el normal (constantemente<0.2) independientemente de las etapas y
variedades (las excepciones solo ocurren en muy pocas regiones) (Figura 4). Espacialmente, se
descubren mejores habilidades de pronóstico en CS que en las regiones N principalmente para la
categoría temprano/tardío usando el 1 de marzocalley
1 de abrilcallepronósticos, mientras que esto está ausente para la categoría normal
(Figura 4). Ambos el 1 de marzocalley 1 de abrilcallepronósticos muestran
pronósticos marginalmente útiles (predominantemente GSS<0.4) en las regiones
N, lo que implica que estas tienen perspectivas limitadas para aplicaciones
potenciales (Figura 4). Además, es difícil distinguir el desempeño entre los terciles
temprano y tardío, ya que uno supera al otro en algunas regiones y viceversa.

6
C. Yang et al. Meteorología Agrícola y Forestal 331 (2023) 109342

Fig. 3.El puntaje de habilidad de probabilidad de clasificación justa (FRPSS) evaluado para el pronóstico estacional en la etapa de floración y envero categorizado en terciles (temprano/normal/tardío)
durante 1993—2017 para (a) Touriga Franca (TF) y (b) Touriga Nacional (TN) en las regiones vitivinícolas estudiadas en Portugal. Se evalúa para pronóstico estacional inicializado el 1 de febrerocalle,
Marzo 1calley 1 de abrilcallecon un plazo de entrega de 7 meses cada año entre 1993 y 2017. Los valores de FRPSS más altos o más bajos denotan mejores o peores habilidades predictivas generales para
los terciles.

ocurre en otras regiones (Figura 4). Un rendimiento ligeramente mejor en TF (Figura 4a–
b) que en TN (Figura 4c–d) también se encuentra, siendo consistente con los resultados
de FRPSS.
3.2.3. Probabilidad de pronóstico de las categorías observadas durante 1993–2017 El
período 1993-2017 se clasifica en años de fenología tempranos/normales/tardíos
según las simulaciones de fenología de referencia (Sección 2.4.3). Las probabilidades
pronosticadas de ocurrencia de eventos categóricos observados en estos años
clasificados han sido calculadas para las etapas y variedades fenológicas estudiadas (Fig.
S10–S13). Como se esperaba,ens_probtambién aumenta a partir del 1 de febrerocalleal 1
de abrilcallepronósticos clasificados en años tempranos/normales/tardíos (Fig. S10–S13).
Los años normales de floración y envero representan la mayoría de los años entre 1993 y
2017 para ambas variedades (Fig. S10–S13). Sin embargo, la medianaens_probde años
tempranos/normales/tardíos, indica una probabilidad de pronóstico consistentemente
alta para predecir correctamente la ocurrencia de categorías observadas en años
tempranos y/o tardíos que en años normales en todas las regiones vitivinícolas
estudiadas, independientemente de los tiempos de inicialización, las etapas fenológicas y
las variedades (Figura 5). Esto logra resultados similares a los de GSS (Figura 4). la
medianaens_prob
de años normales es esencialmente muy por debajo de 0,5 para todas las etapas y
variedades (<50% de posibilidades de predicción correcta para la categoría observada en
años de fenología normal), mientras que es común tener>70% de probabilidad de
predicciones correctas en años tempranos y/o tardíos (Figura 5). En contraste, el
extremadamente bajo (5elpercentil) y alta (95elpercentil) ens_probtiende (excepto algunos
del 1 de abrilcallepronósticos) para seguir un patrón espacial similar entre los años
tempranos/normales/tardíos (Figura 5). Esto puede estar asociado con una considerable
variabilidad interanual deens_probdentro de los años tempranos/normales/tardíos (Fig.
S14). Tal variabilidad de año en año del desempeño del pronóstico tiende a tener una
magnitud igualmente grande en diferentes tiempos de inicialización (Fig. S14). Por
ejemplo, a pesar de las malas habilidades generales del 1 de febrerocalleprevisiones (Fig.
3–4), prevaleciendo una alta probabilidad de predicción (ens_prob>0.8) todavía se nota en
algunos de los primeros y/o últimos años, por ejemplo, 1993, 1994 y 1996 (Fig. S10–S13).
para el 1 de abrilcallepronósticos con potenciales de aplicación prometedores, en un
grupo de regiones vitivinícolas (4, 5, 8, 23, 42, 45), las probabilidades previstas de
ocurrencia de terciles de floración de referencia para TN son bastante buenas (>0.8) en
1997 pero pobre (<0.2) en 2014, donde ambos años se clasifican como años de floración
temprana (Fig. S12).

7
C. Yang et al. Meteorología Agrícola y Forestal 331 (2023) 109342

Figura 4.El Gilbert Skill Score (GSS) evaluado para el pronóstico estacional en el (a) floración y (b) etapa de envero de Touriga Franca (TF), y (C) floración y (d) etapa de envero de Touriga
Nacional (TN) categorizada en terciles (tercil temprano/normal/tardío) durante 1993—2017. Se evalúa para el pronóstico estacional inicializado el 1 de febrerocalle, Marzo 1calley 1 de abril
callecon un plazo de entrega de 7 meses cada año entre 1993 y 2017. Los valores de GSS más altos o más bajos denotan mejores o peores habilidades predictivas para un tercil dado.

8
C. Yang et al. Meteorología Agrícola y Forestal 331 (2023) 109342

Figura 5.La función de distribución acumulativa empírica (ECDF) de probabilidad de pronóstico por conjuntos (ens_prob) para la ocurrencia estimada de eventos de floración de
referencia categorizados (paneles superiores) y envero (paneles inferiores) de (a) Touriga Franca (TF) y (b) Touriga Nacional (TN) sobre clasificados años tempranos/normales/tardíos.
Primeros años: línea rosa; Años normales: línea gris; Últimos años: línea azul. ECDF se utiliza para caracterizar las variaciones espaciales deens_probpara los 5elpercentil (5P), mediana y
95elpercentil (95P) de años clasificados (ver Fig. S10—Fig. S13). en cualquier dadoens_probpara diferentes líneas, un valor ECDF más alto o más bajo denota una probabilidad más alta o
más baja de tener más áreas de vino conens_probinferior al valor dado.Una diferencia significativa (p<0.05) para cada distribución pareada deens_probentre Early/Normal/Late years se
etiqueta utilizando la prueba de Kolmogorov-Smirnov. Se evalúa para pronóstico estacional inicializado el 1 de febrerocalle, Marzo 1calley 1 de abrilcallecon un plazo de entrega de 7 meses
cada año entre 1993 y 2017 en las regiones vitivinícolas estudiadas de Portugal.

3.3. Evaluación del potencial del pronóstico estacional en etapas fenológicas (DOY)
La magnitud cuantificada de los errores de predicción del pronóstico estacional de
etapas fenológicas también disminuye gradualmente a partir del 1 de febrerocalleal 1 de
abrilcallepronósticos para las etapas y variedades estudiadas (Figura 6y S15). En general,
también se encuentra un mejor rendimiento de predicción en CS que en N regiones
vitivinícolas, pero la precisión de predicción es relativamente mayor en TN que en TF para
ambas etapas (en contraste con las del rendimiento de predicción categórica) (Figura 6y
S15). Para obtener información detallada, en la Tabla S2 se resume un rango de errores
de predicción expresados como RMSE (MAE) entre las regiones CS y N para ambas
etapas de las dos variedades.
4. Discusión y conclusiones
4.1. Diferencia entre el pronóstico estacional ajustado por sesgo y el clima
observado
Se evalúa el desempeño del pronóstico fenológico estacional, utilizando un
modelo fenológico bien adaptado con un sistema de pronóstico estacional
(ECMWF-SEAS5), para dos etapas fenológicas importantes de dos variedades
representativas en todas las regiones vitivinícolas de Portugal en 1993–2017. La
confiabilidad de los pronósticos de fenología dependería de cómo se procesan los
datos sin procesar de los pronósticos estacionales. Comúnmente se aplican varios
métodos de ajuste de sesgo (Ceglar y Toreti, 2021;Chen y
Tao, 2022;Wang et al., 2019). Hemos elegido el método de mapeo de
cuantiles porque ha demostrado previamente su idoneidad para
predecir los tiempos de floración del trigo en toda Europa (Ceglar y
Toreti, 2021).
Para evaluar el clima estacional ajustado por sesgo resultante frente a las
observaciones, se aplica un paquete de métricas de diagnóstico (R2, MBE, RMSE y test de
Kolmogorov-Smirnov). Los hallazgos revelan que la variabilidad climática dentro de la
temporada (patrón de evolución estacional) está bien reproducida (R2>0.95) por series de
pronósticos en diferentes tiempos de inicialización y para cada año entre 1993 y 2017
(Fig. S6–S8). Por el contrario, se encuentra un sesgo diario considerable del clima
estacional pronosticado (Fig. S6–S8), lo que da como resultado la diferencia en el GDD
total estacional entre la serie de referencia y la de pronóstico (Figura 2y figura S9). Esto
puede explicar principalmente la falta de habilidad (Fig. 3) y errores sustanciales (Figura 6
) para el 1 de febrerocalley 1 de marzocalle
pronósticos para el 1 de abrilcallepronósticos, como un sesgo diario (Fig. S6) y los errores
de predicción resultantes en el GDD total estacional (Figura 2b) siguen siendo
considerables. Los errores en la salida diaria de los pronósticos estacionales pueden
generar grandes errores de predicción para las variables de interés (Chen y Tao, 2022;Jha
et al., 2019).Chen y Tao (2022)muestran que las predicciones climáticas estacionales
funcionan bien en la reproducción de anomalías climáticas de referencia, pero son
deficientes para simular las condiciones climáticas diarias, lo que lleva a pronósticos de
rendimiento de cultivos menos hábiles que los de la climatología. Para traducir mejor la
predictibilidad climática estacional sin explotar en información relevante para la toma de
decisiones agrícolas (p. ej., fenología), señalamos la necesidad de mejorar la
representación de la variabilidad intraestacional de las variables climáticas, con un

9
C. Yang et al.
Figura 6.El error cuadrático medio (RMSE) entre la referencia y el pronóstico estacional en la etapa de floración y envero (DOY) entre 1993 y 2017 para (a) Touriga Franca
(TF) y (b) Touriga Nacional (TN). Se evalúa para pronóstico estacional inicializado el 1 de febrerocalle, Marzo 1calley 1 de abrilcallecon un plazo de entrega de 7 meses cada año
entre 1993 y 2017.
especial énfasis en explorar métodos novedosos para reducir la diferencia diaria
entre el clima estacional pronosticado y el observado. Deben establecerse
métricas más completas y estandarizadas (más allá de las métricas aplicadas aquí)
para evaluar hasta qué punto la diferencia entre las series pronosticadas y
observadas podría conducir a un rendimiento de pronóstico generalmente
deficiente.
4.2. Previsibilidad de eventos fenológicos categóricos
4.2.1. Rendimiento global
FRPSS es una medida integral para evaluar las habilidades predictivas de eventos
categóricos a partir de pronósticos probabilísticos (Ferro, 2014). Nuestros hallazgos
demuestran que la previsibilidad de las clases de terciles fenológicos depende
principalmente de los tiempos de inicialización del pronóstico, las regiones y la
naturaleza de los sujetos de predicción (es decir, etapas fenológicas y variedades).
Siguiendo otros estudios (Bento et al., 2022;Ceglar y Toreti, 2021;Jha et al., 2019), el
rendimiento del pronóstico mejora con el tiempo de inicialización a lo largo de la
temporada de crecimiento, a medida que se integran más datos observados. En
particular, este patrón es consistente a lo largo de este estudio. Para FRPSS, 1 de febrero
calley 1 de marzocallelas previsiones no muestran un mejor rendimiento
10
Meteorología Agrícola y Forestal 331 (2023) 109342
que la climatología para la mayoría de las regiones vitivinícolas, mientras que las predicciones
moderadamente hábiles se obtienen utilizando el 1 de abrilcallepronósticos en las regiones
vinícolas de CS (Fig. 3). Esto puede reflejar el problema del cuello de botella en los pronósticos
estacionales, es decir, una tendencia a informar mejor la toma de decisiones de los agricultores
con un tiempo de anticipación más corto (Nyamekye et al., 2021), pero con menos valores
agregados (en términos de disponibilidad temprana de información) en comparación con
aquellos con un tiempo de espera más largo. Un mejor rendimiento de predicción en las regiones
CS que en las regiones N podría deberse esencialmente a una duración más corta del pronóstico
en las regiones CS como resultado de temperaturas más altas, con una ocurrencia fenológica
típicamente más temprana (alrededor de 20 a 40 días antes, como se muestra en las Fig. S4–
S5). ). Este patrón espacial puede ser mejorado aún más por la tendencia de subestimaciones/
sobreestimaciones para el GDD total estacional en las regiones N/CS (Figura 2a),
correspondientes a predicciones fenológicas posteriores/anteriores. Por lo tanto, se podría
utilizar una cantidad sustancialmente menor de información de pronóstico en las regiones CS
que en las regiones N para los pronósticos de fenología estacional de ambas variedades. El
patrón espacial de mejor rendimiento de pronóstico en CS que en N regiones permanece
inalterado para predecir eventos categóricos o etapas fenológicas reales (Fig. 3–4yFigura 6).
Habilidades predictivas ligeramente mejores para TF que para TN pueden atribuirse parcialmente
a la ocurrencia más temprana de TF en la fenología, particularmente para la etapa de envero
C. Yang et al.
(Figuras S4–S5) (Costa et al., 2019;Reis et al., 2020). Sin embargo, dado que los datos de
fenología observados no están disponibles en todas las regiones vitivinícolas, existen
incertidumbres sobre cómo se adapta el modelo a las dos variedades utilizando las
observaciones disponibles localmente. Esto enfatiza la necesidad de construir una red de
observaciones de fenología para facilitar extensas calibraciones y evaluaciones del
modelo.
4.2.2. Habilidades de pronóstico entre el tercil de fenología temprana/tardía y normal
Para obtener información sobre las habilidades predictivas de cada tercil de
fenología, se calcula GSS para medir qué tan bien los pronósticos de anomalías
(temprano/tardío) y los eventos normales se corresponden con las observaciones. GSS
complementa FRPSS, ya que el primero revela además que los eventos de floración y
envero tempranos y tardíos son más predecibles que los normales, especialmente
cuando se usa el 1 de abril.calleprevisiones (Figura 4). Por lo tanto, las habilidades de
pronóstico moderadas generales identificadas (0.2<FRPSS<0.6) (Fig. 3) resultan de
interacciones entre una previsibilidad comparativamente más alta en las categorías
temprana/tardía y una previsibilidad más baja en la categoría normal. Esto está de
acuerdo con Ceglar y Toreti (2021)mostrando predicciones más fiables para los tertículos
de floración de trigo tempranos/tardíos de lo normal en Europa. La aparición anómala de
fenología temprana/tardía puede predecirse razonablemente (0,2<GSS<0.6) solo usando
el 1 de abrilcallepronósticos en regiones CS (Figura 4), lo que nuevamente sugiere el papel
del sesgo diario del clima estacional en la limitación de las habilidades predictivas de
eventos anómalos. Sin embargo, esto también depende de cómo responda el modelo
fenológico al sesgo. Como se discutió anteriormente, una tendencia a la ocurrencia
temprana de fenología está asociada con una duración de pronóstico más corta, por lo
tanto, menos propenso a errores. De hecho, tanto para las categorías tempranas como
para las tardías, siempre se obtiene una mayor predictibilidad en las regiones CS que en
las regiones N (Figura 4). No obstante, sigue siendo difícil identificar con precisión las
razones que subyacen a las habilidades de pronóstico constantemente deficientes (GSS<
0.2) de la categoría normal (Figura 4).
Habilidades predictivas comparables entre floración y pinta para ambas
variedades (Fig. 3–4) se puede atribuir esencialmente a la fuerza conocida de
SEAS5 para capturar señales anómalas en los meses de verano, donde tiende a
capturar mejor tanto el cálido (tercer tercil de Tsignificar) y anomalías frías (primer
tercil de Tsignificar) durante junio-agosto que durante marzo-mayo en la Península
Ibérica (Crespi et al., 2021). De manera similar, el sistema de pronóstico ECMWF
junto con un modelo de regresión también muestra que la previsibilidad de las
diferentes categorías de producción de vino es mayor en los meses de verano
(mayo-agosto) que en los meses de primavera (febrero-abril) (Santos et al., 2020a).
Tal desempeño es particularmente crítico para predecir el evento de envero
tardío, que puede ocurrir hasta finales de agosto en las regiones de CS (Fig. S4–
S5).
4.2.3. Pronóstico de probabilidad de observaciones en años tempranos/normales/tardíos
La variabilidad interanual del rendimiento de las predicciones es una característica
importante del clima mediterráneo. En un intento por minimizar dicha influencia, el
período de estudio se clasifica en años tempranos/normales/tardíos. Los años
clasificados varían entre las etapas fenológicas y las variedades (Fig. S10–S13), lo que
nuevamente destaca la dependencia del desempeño del pronóstico en la naturaleza de
los sujetos de predicción (Ceglar y Toreti, 2021). La mediana de confianza (mediana
ens_prob) para predecir correctamente la categoría de referencia es generalmente
mayor en los años clasificados de fenología temprana/tardía que en los años de
fenología normal para la mayoría de las regiones vitivinícolas (Figura 5). Para un estudio
sobre las predicciones de rendimientos de trigo duro a principios de temporada en la
cuenca del Mediterráneo, también se obtienen mejores estimaciones de las
observaciones en años con rendimientos de referencia más altos o más bajos (Ferrise et
al., 2015). Dado que los años clasificados de fenología temprana/tardía implican la
mayoría espacial de las categorías de referencia temprana/tardía en esos años, los
resultados de probabilidad del pronóstico refuerzan los hallazgos de la evaluación de
habilidades (Figura 4), es decir, mejor previsibilidad para la categoría temprana/tardía
que para la categoría normal. En contraste con los valores medianos, una notable
variabilidad temporal deens_probdurante años pertenecientes a los mismos años
fenológicos clasificados, y para los tres tiempos de pronóstico (Figura 5y Fig. S14)
confirman los impactos sustanciales de las condiciones climáticas mediterráneas
irregulares en el pronóstico de la fenología estacional. Este puede ser el principal desafío
para desarrollar pronósticos estacionales confiables en la Península Ibérica.
11
Meteorología Agrícola y Forestal 331 (2023) 109342
península (Crespi et al., 2021). Para abordar este problema, un enfoque posible es
usar un mejor esquema de inicialización, lo que significa asimilar más
observaciones e interpolarlas para alinearlas mejor con el modelo de pronóstico
estacional, para minimizar los artefactos en el momento de la inicialización.Ceglar
et al. (2018)reveló que las inicializaciones realistas de la superficie de la tierra en
mayo y junio pueden mejorar las predicciones estacionales de extremos cálidos y
olas de calor, lo que lleva a una mejor captura de la variabilidad interanual de las
anomalías observadas en el rendimiento del maíz. Una clasificación más explícita
de eventos anómalos, por ejemplo, agregando las categorías extremas (<5ely>95el
cuantil), puede ser útil para describir mejor las anomalías derivadas de la
variabilidad de un año a otro. Sin embargo, esto puede conducir a un desempeño
de pronóstico más bajo para cada categoría, debido a la compensación entre las
habilidades de pronóstico y la especificidad del evento a predecir.
4.3. Potencial de pronóstico estacional sobre las etapas fenológicas (DOY)
Las predicciones categóricas solo sirven para alertar a los viticultores sobre la
probabilidad de tener un evento anómalo. Esto puede tener aplicaciones más prácticas a
nivel regional, ya que se puede emitir una advertencia para una determinada región
vinícola. Sin embargo, para aquellos con una clara necesidad de predicciones precisas de
fenología, es necesario implementar un sistema de pronóstico más preciso. Para este
propósito, nuestros resultados demuestran un pronóstico operativo prometedor para
algunas regiones vitivinícolas portuguesas. Los errores de pronóstico potenciales
cuantificados (MAE y RMSE) (Figura 6y la Fig. S15), muestran un patrón generalmente
similar al de las predicciones categóricas (Fig. 3–4). Sin embargo, se consiguen mejores
predicciones en TN que en TF, lo que es contrario a las predicciones categóricas. para el 1
de abrilcallepronósticos, con habilidades moderadas identificadas en eventos categóricos,
los errores de predicción son generalmente<=10 días en las regiones CS y 10–25 días en
las regiones N, para ambas etapas de las dos variedades (Figura 6y figura S15). Sin
embargo, estos errores deben considerarse junto con los errores de simulación de la
fenología observada utilizando entradas climáticas reticulares (hasta 5 días de RMSE) (
Figura 1), lo que lleva a errores de predicción acumulativos estimados de
aproximadamente 2 semanas en las regiones CS y de 2 a 4 semanas (los pronósticos
tienen una diferencia de hasta 28 días con respecto a las observaciones reales) en las
regiones N utilizando el 1 de abrilcallepronósticos Para monitorear con precisión el
desarrollo de la fenología e informar mejor a los viticultores, el RMSE normalmente debe
ser más corto que una semana (<7 días) (Parker et al., 2013;Reis et al., 2020). Por lo tanto,
la precisión del pronóstico estacional actual es insuficiente para cumplir con ese criterio,
pero depende de si los usuarios son adversos o tolerantes al riesgo.
Para reducir aún más los errores de predicción, el marco actual podría
combinarse directamente con observaciones de detección remota, ya que puede
beneficiarse de la información en constante evolución sobre las condiciones de
crecimiento de los cultivos (p. ej., LAI y EVI) en relación con el desarrollo fenológico
(Chen y Tao, 2022; Peng et al., 2018). La incorporación de observaciones de
sensores remotos también podría proporcionar un camino para responder al
desafío de obtener datos precisos sobre la temperatura del dosel en grandes
áreas, que es el verdadero impulsor de la fenología de la vid. Los viñedos están
asociados con nichos topográficos en diferentes regiones, y las variaciones
microclimáticas a pequeña escala están muy influenciadas por la topografía y el
terreno.Mosedale et al., 2016). Este es un problema difícil de capturar mediante el
pronóstico (por ejemplo, SEAS5 no permite distinguir microclimas) o la técnica de
reducción de escala (cada uno puede tener sus deficiencias). Por lo tanto, el
rendimiento del pronóstico operativo puede disminuir sustancialmente de viñedos
ubicados en un terreno plano (por ejemplo, Alentejo) a los de las zonas
montañosas (por ejemplo, Duero).
4.4. Recomendaciones para mejoras metodológicas y aplicaciones
prácticas
Nuestro estudio proporciona la base para aplicaciones prácticas, pero el
método en sí puede mejorarse. Las innovaciones metodológicas prospectivas
pueden resultar de sistemas de pronóstico mejorados con resoluciones espacio-
temporales más altas, en combinación con sistemas de observación mejorados
que pueden caracterizar mejor las condiciones iniciales. El tamaño del conjunto de
pronóstico estacional y el número de modelos de fenología se pueden
C. Yang et al.
aumentó. Aunque el modo sigmoide está bien adaptado a las condiciones locales,
el uso de un marco de modelo de fenología múltiple puede ser más robusto para
hacer frente a la variabilidad potencial de las simulaciones de fenología asociadas
con diferentes estructuras de modelo (Seidel et al., 2018;Tao et al., 2018;Wallach et
al., 2021). La media/mediana del conjunto de modelos múltiples demuestra
representar mejor las observaciones que cualquier modelo individual (Martre et
al., 2015). De manera comparable, diferentes sistemas de pronóstico también
pueden conducir a diferentes predicciones climáticas estacionales y rendimiento
de pronóstico de variables objetivo (Chen y Tao, 2022). También se recomienda el
uso de varios sistemas de pronóstico con grandes conjuntos. No obstante, la
elección de SEAS5 para el continente europeo se considera generalmente
adecuada (Crespi et al., 2021;Johnson et al., 2019). Diferentes métodos de
calibración/ajuste de sesgo pueden dar como resultado diferentes simulaciones
de fenología/clima estacional, lo que enfatiza la necesidad de investigar sus
impactos. Todos estos aspectos intentan abordar cómo hacer el mejor uso de los
recursos/observaciones disponibles para operacionalizar el pronóstico estacional.
Para aplicaciones prácticas de pronóstico de fenología estacional, se
recomienda evaluar siempre el tiempo de anticipación y la inicialización relevantes
para regiones y eventos específicos. Nuestros resultados muestran pronósticos
operativos prometedores en las regiones vinícolas de CS (DOP en Alentejo, Lisboa
y Ribatejo) iniciados el 1 de abril.calle, es decir, aproximadamente 1–2 y 3–4 meses
de anticipación para las etapas de floración y envero, respectivamente. En
particular, es lo suficientemente temprano para la etapa de envero, por lo tanto,
con mayor valor agregado. Los viticultores pueden tener hasta 4 meses de
anticipación para desarrollar planes para reducir el riesgo de tener un bajo
rendimiento/calidad. La capacidad pronunciada para predecir el tercil fenológico
temprano puede ser de gran relevancia para tomar decisiones informadas para
los viticultores en estas regiones bajo el cambio climático. Como se puede esperar
una mayor previsibilidad, como resultado de ocurrencias fenológicas anteriores (
Costa et al., 2019), en respuesta al calentamiento proyectado, con eventos
extremos más frecuentes en climas futuros para estos viñedos (Santos et al., 2020
). Además, las iniciativas para construir herramientas de servicios climáticos en un
enfoque de diseño conjunto con usuarios finales, incluidos viticultores, viticultores
y consultores de extensión de servicios, pueden facilitar significativamente la
implementación de un sistema de pronóstico confiable (Ceglar y Toreti, 2021). El
enfoque actual se puede extrapolar a otras regiones vitivinícolas del mundo,
principalmente a aquellas con climas similares.
Declaración de interés en competencia
Los autores declaran que no tienen intereses financieros en competencia ni
relaciones personales conocidas que pudieran haber influido en el trabajo
informado en este documento.
Disponibilidad de datos
Los datos estarán disponibles a petición.
Agradecimientos
Este estudio está financiado por el proyecto Clim4Vitis: "Mitigación del impacto
del cambio climático para la viticultura europea: transferencia de conocimiento
para un enfoque integrado", financiado por el Programa de Investigación e
Innovación Horizonte 2020 de la Unión Europea, bajo el acuerdo de subvención
no. 810176. Este trabajo también cuenta con el apoyo de los Fondos Nacionales de
la FCT – Fundación Portuguesa para la Ciencia y la Tecnología en el marco del
proyecto UIDB/ 04033/2020 y financiado por el proyecto CoaClimateRisk (COA/
CAC/ 0030/2019) de la FCT. HF agradece a la FCT por el contrato CEECIND/
00447/2017 y 2022.02317.CEECIND.
Materiales complementarios
El material complementario asociado con este artículo se puede encontrar, en
la versión en línea, en doi:10.1016/j.agrformet.2023.109342.
12
Meteorología Agrícola y Forestal 331 (2023) 109342
Referencias
Bento, VA, Russo, A., Dutra, E., Ribeiro, AFS, Gouveia, CM, Trigo, RM, 2022.
Persistencia versus pronósticos estacionales dinámicos de los rendimientos de los cultivos de cereales. ciencia
Rep. 12, 7422.https://doi.org/10.1038/s41598-022-11228-2.
Brisson, N., Gary, C., Justes, E., Roche, R., Mary, B., Ripoche, D., Zimmer, D., Sierra, J.,
Bertuzzi, P., Burger, P., Bussière, F., Cabidoche, YM, Cellier, P., Debaeke, P., Gaudillère, JP,
Hénault, C., Maraux, F., Seguin, B., Sinoquet, H., 2003. Una visión general de los stics del
modelo de cultivo. EUR. J. Agron. 18, 309–332.https://doi.org/10.1016/
S1161-0301(02)00110-7.
Brown, JN, Hochman, Z., Holzworth, D., Horan, H., 2018. Pronósticos climáticos estacionales
proporcionar predicciones de rendimiento de cultivos más definitivas y precisas. agricola Para.
Meteorol. 260–261, 247–254.https://doi.org/10.1016/j.agrformet.2018.06.001. Candiago, S., Tscholl,
S., Bassani, L., Fraga, H., Egarter Vigl, L., 2022. Un estudio geoespacial
inventario de información reglamentaria de las denominaciones de origen protegidas del vino en
Europa. ciencia Datos 9, 394.https://doi.org/10.1038/s41597-022-01513-0. Ceglar, A., Toreti, A.,
2021. La previsión climática estacional puede informar a la Unión
sector agrícola mucho antes de la cosecha. npj Clim. atmósfera ciencia 4, 42.https://
doi.org/10.1038/s41612-021-00198-3.
Ceglar, A., Toreti, A., Lecerf, R., Van der Velde, M., Dentener, F., 2016. Impacto de
impulsores meteorológicos en la variabilidad regional interanual del rendimiento de los cultivos
en Francia. agricola Para. Meteorol. 216, 58–67.https://doi.org/10.1016/j. agrformet.2015.10.004.
Ceglar, A., Toreti, A., Prodhomme, C., Zampieri, M., Turco, M., Doblas-Reyes, FJ, 2018.
La inicialización de la superficie terrestre mejora la habilidad de predicción del clima estacional para el
pronóstico del rendimiento del maíz. ciencia Rep. 8, 1322.https://doi.org/10.1038/s41598-018-19586-6. Ceglar,
A., Turco, M., Toreti, A., Doblas-Reyes, FJ, 2017. Vinculación de anomalías en el rendimiento de cultivos
a la circulación atmosférica a gran escala en Europa. agricola Para. Meteorol. 240–241,
35–45.https://doi.org/10.1016/j.agrformet.2017.03.019.
Challinor, AJ, Watson, J., Lobell, DB, Howden, SM, Smith, DR, Chhetri, N., 2014.
Un metanálisis del rendimiento de los cultivos bajo el cambio climático y la adaptación. Nat.
Clima Chang. 4, 287–291.https://doi.org/10.1038/nclimate2153.
Chen, Y., Tao, F., 2022. Potencial de la asimilación del modelo de cultivo de datos de teledetección y
Pronósticos meteorológicos estacionales para el pronóstico de rendimiento de cultivos de principios de
temporada en un área grande. F. Cultivo. Res. 276, 108398https://doi.org/10.1016/j.fcr.2021.108398.
Chuine, I., Cour, P., Rousseau, DD, 1998. Modelos de ajuste que predicen las fechas de floración de
árboles de zonas templadas usando recocido simulado. Planta. Entorno celular. 21, 455–
466. https://doi.org/10.1046/j.1365-3040.1998.00299.x.
Clemente, N., Santos, JA, Fontes, N., Graça, A., Gonçalves, I., Fraga, H., 2022.
Modelo de concentración de azúcar en vid (GSCM): una herramienta de apoyo a la decisión
para la región vitivinícola del Duero Superior. Agron.https://doi.org/10.3390/
agronomy12061404. Cornes, RC, van der Schrier, G., van den Besselaar, EJM, Jones, PD, 2018. Un
versión de conjunto de los conjuntos de datos de temperatura y precipitación de E-OBS. J. Geophys.
Res. atmósfera 123, 9391–9409.https://doi.org/10.1029/2017JD028200.
Costa, R., Fraga, H., Fonseca, A., De Cortázar-Atauri, IG, Val, MC, Carlos, C., Reis, S.,
Santos, JA, 2019. Fenología de la vid del cv. touriga franca y touriga nacional en la región
vinícola del duero: modelado y proyecciones del cambio climático. Agronomía. https://
doi.org/10.3390/agronomy9040210.
Crespi, A., Petitta, M., Marson, P., Viel, C., Grigis, L., 2021. Verificación y sesgo
ajuste de los pronósticos estacionales ECMWF SEAS5 sobre Europa para aplicaciones de
servicios climáticos. Climahttps://doi.org/10.3390/cli9120181.
Wilks, Daniel S., 2020. Métodos estadísticos en las ciencias atmosféricas, 4.ª ed. Elsevier,
NUEVA YORK.https://doi.org/10.1016/C2017-0-03921-6.
Du, H., Doblas-Reyes, FJ, García-Serrano, J., Guemas, V., Soufflet, Y., Wouters, B.,
2012. Sensibilidad de las predicciones decadales a las perturbaciones atmosféricas y
oceánicas iniciales. Clima Din. 39, 2013–2023.https://doi.org/10.1007/s00382-011-1285-9.
Ferrise, R., Toscano, P., Pasqui, M., Moriondo, M., Primicerio, J., MA, S., Bindi, M., 2015.
Predicciones mensuales a estacionales del rendimiento del trigo duro en la cuenca del Mediterráneo.
Clima Res. 65, 7–21.
Ferro, CAT, 2014. Puntuaciones justas para pronósticos por conjuntos. Meteorol QJR. Soc. 140,
1917-1923.https://doi.org/10.1002/qj.2270.
Fraga, H., García de Cortázar Atauri, I., Malheiro, AC, Moutinho-Pereira, J., Santos, J.
A., 2017. Viticultura en Portugal: una revisión de las tendencias recientes y las proyecciones del
cambio climático. OENO One 51, 61–69.https://doi.org/10.20870/oenoone.2017.51.2.1621.
Fraga, H., García de Cortázar Atauri, I., Malheiro, AC, Santos, JA, 2016. Modelado
impactos del cambio climático en el rendimiento vitícola, la fenología y las condiciones de
estrés en Europa. globo Chang. Biol. 22, 3774–3788.https://doi.org/10.1111/gcb.13382.
Fraga, H., Molitor, D., Leolini, L., Santos, JA, 2020. ¿Cuál es el impacto de las olas de calor en
¿Vitivinicultura europea? Una evaluación de modelado. aplicación cienciahttps://doi.org/10.3390/
app10093030.
Gudmundsson, L., Bremnes, JB, Haugen, JE, Engen-Skaugen, T., 2012. Nota técnica:
reducción de la precipitación RCM a la escala de la estación usando transformaciones estadísticas:
una comparación de métodos. Hidrol. Sistema Tierra ciencia 16, 3383–3390.https://doi.org/10.5194/
hess-16-3383-2012.
Hänninen, H., 1990. Modelado de la liberación de la latencia de las yemas en árboles de zonas frías y templadas.
regiones. Acta Para. Fenn. 213, 1–47.https://doi.org/10.14214/aff.7660. Haylock, MR,
Hofstra, N., Klein Tank, AMG, Klok, EJ, Jones, PD, New, M., 2008.
Un conjunto de datos cuadriculados diarios europeos de alta resolución de temperatura superficial y
precipitación para 1950-2006. J. Geophys. Res. atmósfera 113https://doi.org/10.1029/ 2008JD010201.
Hodges, JL, 1958. La probabilidad significativa de la prueba de dos muestras de Smirnov. Ark. para
Estera. 3, 469–486.
C. Yang et al.
Holzworth, DP, Huth, NI, deVoil, PG, 2014. APSIM – Evolución hacia una nueva
generación de simulación de sistemas agrícolas. Reinar. Modelo. suave 62, 327–350.
https://doi.org/10.1016/j.envsoft.2014.07.009.
Jacob, D., Petersen, J., Eggert, B., Alias, A., Christensen, OB, Bouwer, LM, Braun, A.,
Colette, A., Déqué, M., Georgievski, G., Georgopoulou, E., Gobiet, A., Menut, L.,
Nikulin, G., Haensler, A., Hempelmann, N., Jones, C., Keuler, K., Kovats, S., Kröner, N.,
Kotlarski, S., Kriegsmann, A., Martin, E., van Meijgaard, E., Moseley, C., Pfeifer, S.,
Preuschmann, S. , Radermacher, C., Radtke, K., Rechid, D.,
Rounsevell, M., Samuelsson, P., Somot, S., Soussana, J.-F., Teichmann, C., Valentini, R.,
Vautard, R., Weber, B., Yiou, P., 2014. EURO-CORDEX: nuevas proyecciones de cambio
climático de alta resolución para la investigación de impacto europea. registro Reinar.
Chang. 14, 563–578.https://doi.org/10.1007/s10113-013-0499-2. Jha, PK, Athanasiadis, P.,
Gualdi, S., Trabucco, A., Mereu, V., Shelia, V.,
Hoogenboom, G., 2019. Uso de datos diarios de pronósticos estacionales en modelos de cultivos
dinámicos para la predicción del rendimiento: un estudio de caso para el arroz en Nepal. Terai.
agricola Para. Meteorol. 265, 349–358.https://doi.org/10.1016/j.agrformet.2018.11.029. Johnson, SJ,
Stockdale, TN, Ferranti, L., Balmaseda, MA, Molteni, F., Magnusson, L.,
Tietsche, S., Decremer, D., Weisheimer, A., Balsamo, G., Keeley, SPE, Mogensen, K., Zuo, H.,
Monge-Sanz, BM, 2019. SEAS5: el nuevo sistema de pronóstico estacional del ECMWF .
Geosci. Desarrollo del modelo 12, 1087–1117.https://doi.org/10.5194/gmd-12-1087-2019.
Lobell, DB, Field, CB, 2007. Relaciones clima-rendimiento de cultivos a escala mundial y la
impactos del calentamiento reciente. Reinar. Res. Letón. 2, 14002.https://doi.org/10.1088/
1748-9326/2/1/014002.
Lorenz, DH, Eichhorn, KW, Bleiholder, H., Klose, R., Meier, U., Weber, E., 1995.
Etapas de crecimiento de la vid: etapas de crecimiento fenológico de la vid (Vitis
vinifera L. ssp. vinifera)—códigos y descripciones según la escala BBCH extendida†.
agosto J. Uva Vino Res. 1, 100–103.https://doi.org/10.1111/j.1755-
0238.1995.tb00085.x.
Martre, P., Wallach, D., Asseng, S., Ewert, F., Jones, JW, Rötter, RP, Boote, KJ,
Ruane, AC, Thorburn, PJ, Cammarano, D., Hatfield, JL, Rosenzweig, C., Aggarwal, PK,
Angulo, C., Basso, B., Bertuzzi, P., Biernath, C., Brisson, N. , Challinor, AJ, Doltra, J.,
Gayler, S., Goldberg, R., Grant, RF, Heng, L., Hooker, J., Hunt, LA, Ingwersen, J.,
Izaurralde, RC, Kersebaum, KC , Müller, C., Kumar, SN, Nendel, C., O'leary, G., Olesen,
JE, Osborne, TM, Palosuo, T., Priesack, E., Ripoche, D., Semenov, MA, Shcherbak , I.,
Steduto, P., Stöckle, CO, Stratonovitch, P., Streck, T., Supit, I., Tao, F., Travasso, M.,
Waha, K., White, JW, Wolf, J ., 2015. Conjuntos multimodelo de crecimiento de trigo:
muchos modelos son mejores que uno. globo Chang. Biol. 21, 911–925.https://
doi.org/10.1111/gcb.12768. Metropolis, N., Rosenbluth, AW, Rosenbluth, MN, Teller,
AH, Teller, E., 1953.
Ecuación de cálculos de estado por máquinas de computación rápida. J. Chem. física
21, 1087–1092.https://doi.org/10.1063/1.1699114.
Mosedale, JR, Abernethy, KE, Smart, RE, Wilson, RJ, Maclean, IMD, 2016.
Impactos del cambio climático y estrategias de adaptación: lecciones de la vid.
globo Chang. Biol. 22, 3814–3828.https://doi.org/10.1111/gcb.13406. Nyamekye,
AB, Nyadzi, E., Dewulf, A., Werners, S., Van Slobbe, E., Biesbroek, RG,
Termeer, CJAM, Ludwig, F., 2021. Pronóstico de probabilidad, tiempo de entrega y toma de decisiones
de los agricultores en los sistemas de cultivo de arroz en el norte de Ghana. Clima Gestión de riesgos
31, 100258https://doi.org/10.1016/j.crm.2020.100258.
OIV, 2021. Estado del sector vitivinícola mundial en 2020. París, Francia.
Panofsky, HA, Brier, GW, Best, WH, 1968. Algunas aplicaciones de la estadística a
meteorología. Servicios de Extensión de Industrias Minerales, Escuela de Industrias Minerales.
Universidad Estatal de Pensilvania.
Parker, A., de Cortázar-Atauri, IG, Chuine, I., Barbeau, G., Bois, B., Boursiquot, J.-M.,
Cahurel, J.-Y., Claverie, M., Dufourcq, T., Gény, L., Guimberteau, G., Hofmann, RW,
Jacquet, O., Lacombe, T., Monamy, C., Ojeda, H ., Panigai, L., Payan, J.-C., Lovelle, BR,
Rouchaud, E., Schneider, C., Spring, J.-L., Storchi, P., Tomasi, D., Trambouze, W .,
Trought, M., van Leeuwen, C., 2013. Clasificación de variedades según su momento
de floración y pinta usando un enfoque de modelado: un estudio de caso para la
especie de vid Vitis vinifera L. Agric. Para. Meteorol. 180, 249–264.https://doi.org/
10.1016/j.agrformet.2013.06.005.
Peng, B., Guan, K., Pan, M., Li, Y., 2018. Beneficios de la predicción climática estacional y
datos satelitales para pronosticar el rendimiento del maíz de EE. UU. Geofísico. Res. Letón. 45,
9662–9671. https://doi.org/10.1029/2018GL079291.
Piani, C., Haerter, JO, Coppola, E., 2010. Corrección de sesgo estadístico para
precipitación en los modelos climáticos regionales terminado. Europa. teor. aplicación Climatol. 99,
187–192.https://doi.org/10.1007/s00704-009-0134-9.
Piao, S., Liu, Q., Chen, A., Janssens, IA, Fu, Y., Dai, J., Liu, L., Lian, X., Shen, M., Zhu, X.,
2019. Fenología vegetal y cambio climático global: avances y desafíos actuales.
globo Chang. Biol. 25, 1922–1940.https://doi.org/10.1111/gcb.14619. Ramos, MC,
Go, DTHC, Castro, S., 2021. Variabilidad espacial y temporal del cv.
Respuesta del tempranillo en la DO Toro (España) y cambios proyectados ante el
cambio climático. OENO One 55, 349–366.https://doi.org/10.20870/
oenoone.2021.55.1.4493.
Reis, S., Fraga, H., Carlos, C., Silvestre, J., Eiras-Dias, J., Rodrigues, P., Santos, JA,
2020. Fenología de la vid en cuatro regiones vitivinícolas portuguesas: modelado y
predicciones. aplicación cienciahttps://doi.org/10.3390/app10113708.
13
Meteorología Agrícola y Forestal 331 (2023) 109342
Rodrigues, P., Pedroso, V., Reis, S., Yang, C., Santos, JA, 2022. Impactos del cambio climático
sobre la fenología y maduración del cv. Touriga Nacional en la región vinícola de Dão.
Portugal. En t. J. Climatol.https://doi.org/10.1002/joc.7633.
Santos, João A, Ceglar, A., Toreti, A., Prodhomme, C., 2020a. Rendimiento de temporada
previsiones de producción de vino del Duero y Oporto. agricola Para. Meteorol. 291,
108095 https://doi.org/10.1016/j.agrformet.2020.108095.
Santos, JA, Costa, R., Fraga, H., 2019. Nuevos conocimientos sobre las condiciones de cultivo térmico de
Variedades de vid portuguesas bajo climas cambiantes. teor. aplicación Climatol.
135, 1215–1226.https://doi.org/10.1007/s00704-018-2443-3.
Santos, João A., Fraga, H., Malheiro, AC, Moutinho-Pereira, J., Dinis, LT, Correia, C.,
Moriondo, M., Leolini, L., Dibari, C., Costafreda-Aumedes, S., Kartschall, T., Menz, C.,
Molitor, D., Junk, J., Beyer, M., Schultz, HR , 2020b. Una revisión de los impactos potenciales
del cambio climático y las opciones de adaptación para la viticultura europea. aplicación
ciencia 10https://doi.org/10.3390/app10093092.
Santos, M., Fonseca, A., Fraga, H., Jones, GV, Santos, JA, 2020. Condiciones bioclimáticas
de las denominaciones de origen de los vinos portugueses bajo climas cambiantes. En t.
J. Climatol. 40, 927–941.https://doi.org/10.1002/joc.6248.
Schaefer, JT, 1990. El índice de éxito crítico como indicador de habilidad de advertencia. Clima
Pronóstico 5, 570–575.https://doi.org/10.1175/1520-0434(1990)005<0570:
TCSIAA>2.0.CO;2.
Seidel, SJ, Palosuo, T., Thorburn, P., Wallach, D., 2018. Hacia una calibración mejorada
de modelos de cultivo: ¿dónde estamos ahora y hacia dónde debemos ir? EUR. J. Agron.
https://doi.org/10.1016/j.eja.2018.01.006.
Semenov, MA, 2007. Utilidad de los pronósticos estacionales dinámicos para predecir el rendimiento de los cultivos.
Clima Res. 34, 71–81.
Stockdale, T., 2021. Guía del usuario de SEAS5.https://doi.org/10.21957/2y67999y.
Tao, F., Rötter, RP, Palosuo, T., Gregorio Hernández Díaz-Ambrona, C., Mínguez, MI,
Semenov, MA, Kersebaum, KC, Nendel, C., Specka, X., Hoffmann, H., Ewert, F., Dambreville,
A., Martre, P., Rodríguez, L., Ruiz-Ramos, M., Gaiser, T., Höhn, JG, Salo, T., Ferrise, R., Bindi,
M., Cammarano, D., Schulman, AH, 2018. Contribución de la estructura del modelo de
cultivo, los parámetros y las proyecciones climáticas a la incertidumbre en el cambio
climático evaluaciones de impacto. globo Chang. Biol. 24, 1291–1307.https://doi.org/
10.1111/gcb.14019.
Taylor, KE, 2001. Resumir múltiples aspectos del rendimiento del modelo en un solo
diagrama. J. Geophys. Res. atmósfera 106, 7183–7192.https://doi.org/10.1029/
2000JD900719.
Taylor, SD, White, EP, 2020. Pronóstico automatizado intensivo de datos de la fenología vegetal
a lo largo de los Estados Unidos. Ecol. aplicación 30, e02025.https://doi.org/10.1002/
eap.2025.
van der Velde, M., Nisini, L., 2019. Desempeño del pronóstico de rendimiento de cultivos MARS
sistema para la Unión Europea: evaluación de la precisión, mejoras en la
temporada y año a año de 1993 a 2015. Agric. sist. 168, 203–212.https://doi.org/
10.1016/j.agsy.2018.06.009.
van Leeuwen, C., Destrac-Irvine, A., 2017. Composición de uva modificada bajo condiciones climáticas
Las condiciones de cambio requieren adaptaciones en el viñedo. Eno Uno.https://doi.org/
10.20870/oeno-one.2016.0.0.1647.
van Leeuwen, C., Destrac-Irvine, A., Dubernet, M., Duchêne, E., Gowdy, M.,
Marguerit, E., Pieri, P., Parker, A., de Rességuier, L., Ollat, N., 2019. Una actualización sobre
el impacto del cambio climático en la viticultura y posibles adaptaciones. Agron.https://
doi.org/10.3390/agronomy9090514.
Wallach, D., Palosuo, T., Thorburn, P., Gourdain, E., Asseng, S., Basso, B., Buis, S.,
Crout, N., Dibari, C., Dumont, B., Ferrise, R., Gaiser, T., García, C., Gayler, S.,
Ghahramani, A., Hochman, Z., Hoek, S., Hoogenboom, G., Horan, H., Huang, M.,
Jabloun, M., Jing, Q., Justes, E., Kersebaum, KC, Klosterhalfen, A., Launay, M., Luo, Q.,
Maestrini , B., Mielenz, H., Moriondo, M., Nariman Zadeh, H., Olesen, JE, Poyda, A.,
Priesack, E., Pullens, JWM, Qian, B., Schütze, N., Shelia, V., Souissi, A., Specka, X.,
Srivastava, AK, Stella, T., Streck, T., Trombi, G., Wallor, E., Wang, J., Weber, TKD,
Weihermüller, L. , de Wit, A., Wöhling, T., Xiao, L., Zhao, C., Zhu, Y., Seidel, SJ, 2021.
¿Qué tan bien predicen los grupos de modelado de cultivos la fenología del trigo,
dados los datos de calibración de la población objetivo? ? EUR. J. Agron. 124, 126195
https://doi.org/10.1016/j.eja.2020.126195.
Wang, QJ, Shao, Y., Song, Y., Schepen, A., Robertson, DE, Ryu, D., Pappenberger, F.,
2019. Una evaluación de los pronósticos climáticos estacionales ECMWF SEAS5 para Australia
utilizando un nuevo algoritmo de calibración de pronóstico. Reinar. Modelo. suave 122, 104550
https://doi.org/10.1016/j.envsoft.2019.104550.
Yang, C., Fraga, H., Ieperen, W.Van, Santos, JA, 2017. Evaluación del maíz irrigado
respuesta de rendimiento a escenarios de cambio climático en Portugal. agricola Gestión de agua
184, 178–190.https://doi.org/10.1016/j.agwat.2017.02.004.
Yang, C., Fraga, H., van Ieperen, W., Santos, JA, 2020. Evaluación de los impactos de los recientes
Restricciones climáticas pasadas sobre el rendimiento potencial del trigo y las opciones de
adaptación bajo el clima mediterráneo en el sur de Portugal. agricola sist.https://doi.org/10.1016/j.
agsy.2020.102844.
Yang, C., Fraga, H., Van Ieperen, W., Santos, JA, 2018. Modelización del cambio climático
impactos en los sistemas de pastizales de cosecha temprana y tardía en Portugal. Cultivo. Pasto Sci.
69, 821–836.https://doi.org/10.1071/CP17428.
Yang, C., Fraga, H., van Ieperen, W., Trindade, H., Santos, JA, 2019. Efectos del clima
cambio y opciones de adaptación en el rendimiento del trigo de invierno bajo clima mediterráneo de secano
C. Yang et al.
condiciones en el sur de Portugal. Clima Cambio 154, 159–178.https://doi.org/
10.1007/s10584-019-02419-4.
Yang, C., Menz, C., De Abreu Jaffe, MS, Costafreda-Aumedes, S., Moriondo, M.,
Leolini, L., Torres-Matallana, A., Molitor, D., Junk, J., Fraga, H., van Leeuwen, C., Santos, JA,
2022a. Proyecciones de los impactos del cambio climático en los déficits hídricos de
floración y envero para Riesling y Müller-thurgau en Alemania. Sensores remotos https://
doi.org/10.3390/rs14061519.
Yang, C., Menz, C., Fraga, H., Costafreda-Aumedes, S., Leolini, L., Ramos, MC,
Molitor, D., van Leeuwen, C., Santos, JA, 2022b. Evaluación del indicador de estrés hídrico del
cultivo de vid en la fase de floración-envero y la pérdida potencial de rendimiento
14
Meteorología Agrícola y Forestal 331 (2023) 109342
en importantes regiones vitivinícolas europeas. agricola Gestión de agua 261, 107349
https://doi.org/10.1016/j.agwat.2021.107349.
Yang, C., Menz, C., Fraga, H., Reis, S., Machado, N., Malheiro, AC, Santos, JA, 2021.
Calibración simultánea de fenología y rendimiento de vid con un modelo de sistema suelo-
planta-atmósfera utilizando el método frecuentista. Agron.https://doi.org/10.3390/
agronomy11081659.
Zhu, X., Troy, TJ, 2018. Los extremos climáticos relevantes para la agricultura y sus tendencias en el
principales regiones productoras del mundo. Futuro de la Tierra 6, 656–672.https://doi.org/10.1002/
2017EF000687.
Traducido del inglés al español - www.onlinedoctranslator.com

Revisiones de energía renovable y sostenible 175 (2023) 113171

Listas de contenidos disponibles enCienciaDirecta

Revisiones de energía renovable y sostenible

revista Página de inicio:www.elsevier.com/locate/rser

Emparejamiento de la predicción meteorológica numérica por conjuntos con la cadena de modelos

físicos por conjuntos para la previsión probabilística de energía fotovoltaica

Martín János Mayera,*, Dazhi Yangb

aDepartamento de Ingeniería Energética, Facultad de Ingeniería Mecánica, Universidad de Tecnología y Economía de Budapest, Műegyetem rkp. 3, H-1111, Budapest,
Hungría
bEscuela de Ingeniería Eléctrica y Automatización, Instituto de Tecnología de Harbin, Harbin, Heilongjiang, China

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: Bajo el marco de dos pasos del pronóstico de energía fotovoltaica (FV), es decir, pronosticar primero la irradiancia y luego convertirla en energía FV, hay dos formas principales en las que se puede explicar la

Pronóstico solar probabilístico incertidumbre inherente al pronóstico de energía FV final. Uno de ellos es producir pronósticos probabilísticos de irradiancia a través, por ejemplo, de predicción meteorológica numérica (NWP) por conjuntos, y el otro
Ensemble NWP
es pasar el pronóstico de irradiancia a través de una colección de diferentes secuencias de conversión de irradiancia a potencia, que se conocen como cadenas modelo. . Este trabajo indaga, por primera vez, en la
Cadenas de modelos físicos
cuestión: ¿Es mejor emparejar NWP de conjunto con una cadena de modelo de conjunto que aprovechar cualquier método individual por sí solo? Utilizando datos de 14 plantas fotovoltaicas montadas en suelo a escala
Energía fotovoltaica
de servicios públicos en Hungría y el modelo NWP de mesoescala global de última generación del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo, se demuestra aquí que el mejor pronóstico
Regresión cuantil
ECMWF probabilístico de energía fotovoltaica necesita para considerar tanto la PNT de conjunto como la cadena de modelo de conjunto. Además, debido a los pronósticos probabilísticos de mayor calidad, la precisión del

pronóstico puntual también mejora sustancialmente mediante el emparejamiento. En general, la estrategia de emparejamiento recomendada logra una puntuación de probabilidad clasificada continua media

normalizada y un error cuadrático medio del 18,4 % y el 42,1 %, respectivamente. En este documento se demuestra que la mejor previsión probabilística de potencia fotovoltaica debe tener en cuenta tanto la PNT del

conjunto como la cadena de modelos del conjunto. Además, debido a los pronósticos probabilísticos de mayor calidad, la precisión del pronóstico puntual también mejora sustancialmente mediante el

emparejamiento. En general, la estrategia de emparejamiento recomendada logra una puntuación de probabilidad clasificada continua media normalizada y un error cuadrático medio del 18,4 % y el 42,1 %,

respectivamente. En este documento se demuestra que la mejor previsión probabilística de potencia fotovoltaica debe tener en cuenta tanto la PNT del conjunto como la cadena de modelos del conjunto. Además,

debido a los pronósticos probabilísticos de mayor calidad, la precisión del pronóstico puntual también mejora sustancialmente mediante el emparejamiento. En general, la estrategia de emparejamiento recomendada

logra una puntuación de probabilidad clasificada continua media normalizada y un error cuadrático medio del 18,4 % y el 42,1 %, respectivamente.

1. Introducción diagnóstico y segundo de pronóstico. El paso de diagnóstico puede verse como un problema de valor

inicial, en el que se asimilan miríadas de observaciones del clima actual de fuentes heterogéneas y

La columna vertebral de la previsión de energía fotovoltaica (PV) de autónomas, para llegar a una estimación del estado actual de la atmósfera. Luego, en el paso de

última generación, o la previsión de energía en general, es el modelado pronóstico, se determinan los estados futuros de la atmósfera integrando las ecuaciones diferenciales

físico [1–3]. El proceso general de predicción física de la energía fotovoltaica, parciales gobernantes que describen la evolución del clima. El clima se considera históricamente como un

en escalas intradiarias y diarias, incluye, como primer paso, modelar la proceso determinista, en el sentido de que si las condiciones iniciales y las leyes físicas se conocen

dinámica de la atmósfera con modelos numéricos de predicción exactamente, los estados futuros se pueden calcular de manera determinista. En este sentido, cada

meteorológica (NWP) y, luego, modelar la producción de energía del Planta modelo NWP consta de un conjunto de esquemas físicos y parametrizaciones, seleccionados de un gran

fotovoltaica con cadenas de modelos físicos. Al final de estos dos pasos, se conjunto de opciones diferentes. La combinación más adecuada (es decir, el modelo “perfecto”) es

deben aplicar varios métodos de posprocesamiento basados en datos (es generalmente identificado por un grupo de meteorólogos experimentados, de acuerdo con la situación de

decir, aprendizaje estadístico y automático), que pueden mejorar la calidad pronóstico de interés y después de años de ajuste y actualización. Desafortunadamente, debido a la

de los resultados del modelado físico, para lograr la reducción del sesgo y la naturaleza caótica del clima, que se descubrió por primera vez en la década de 1960, incluso la precisión

calibración [4,5]. Sin duda, hay muchos aspectos del posprocesamiento que del modelo "perfecto" suele resultar insatisfactoria. Ensemble NWP se ha convertido desde entonces en la

aún requieren atención; sin embargo, este trabajo debería centrarse en el corriente principal. En pocas palabras, el conjunto NWP ejecuta el mismo modelo NWP varias veces, cada

modelado físico en sí y utilizar solo una herramienta de calibración básica. una con un conjunto diferente de condiciones iniciales, que Ensemble NWP se ha convertido desde

Los pronósticos pueden ser deterministas (también conocidos como puntuales, de entonces en la corriente principal. En pocas palabras, el conjunto NWP ejecuta el mismo modelo NWP

valor único o de mejor estimación) o probabilísticos (también conocidos como conjuntos varias veces, cada una con un conjunto diferente de condiciones iniciales, que Ensemble NWP se ha

o distributivos). NWP aprovecha las leyes de la física para predecir el estado de la convertido desde entonces en la corriente principal. En pocas palabras, el conjunto NWP ejecuta el mismo

atmósfera. En ese sentido, es un procedimiento de dos pasos, primero de modelo NWP varias veces, cada una con un conjunto diferente de condiciones iniciales, que

* Autor correspondiente.
Dirección de correo electrónico:mayer@energia.bme.hu (MJ Mayer).

https://doi.org/10.1016/j.rser.2023.113171
Recibido el 20 de agosto de 2022; Recibido en forma revisada el 3 de enero de 2023; Aceptado el 6 de enero de 2023
Disponible en línea el 18 de enero de 2023
1364-0321/© 2023 Los autores. Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY (http://creativecommons.org/licenses/by/4.0/).
MJ Mayer y D. Yang
da como resultado tantas trayectorias meteorológicas igualmente probables, es decir,
pronósticos meteorológicos conjuntos [6,7]. En la medida en que la experiencia actual
puede aconsejar, la PNT de conjunto posee dos ventajas distintas sobre la PNT
determinista: (1) es capaz de cuantificar la incertidumbre y, por lo tanto, la previsibilidad
de la situación de predicción; y (2) cuando los pronósticos de un modelo de PNT por
conjuntos se resumen en pronósticos deterministas, por ejemplo, tomando las medias o
las medianas, casi siempre resultan ser más precisos que los pronósticos basados en la
mejor suposición del modelo “perfecto”. El concepto de NWP de conjunto se ilustra en
Figura 1(a).
La cadena de modelos físicos, como sugiere su nombre, considera una serie de
modelos de meteorología energética en cascada, donde la salida de un modelo anterior
actúa como entrada de un modelo posterior. Por ejemplo, con la información de
ubicación y tiempo, se puede realizar el posicionamiento solar, del cual una salida es el
ángulo cenital solar, que es requerido por los modelos de separación y transposición. Y el
modelo de potencia de CC necesita la salida de los modelos de transposición, es decir, la
irradiancia global inclinada. Mientras que el modelo de energía de CC genera la energía
de CC, se usa un modelo de inversor para convertirla en energía de CA, teniendo en
cuenta la topología del sistema fotovoltaico, que incluye cableado, espacio entre flotas,
nivel de voltaje, entre otros factores. Se remite al lector a las Refs. [8–10] para los
fundamentos de las cadenas modelo. En resumen, una cadena modelo convierte las
variables meteorológicas de entrada iniciales, que incluyen, principalmente, la irradiancia
horizontal global (GHI), la temperatura ambiente y la velocidad del viento en la superficie,
en energía fotovoltaica, paso a paso, utilizando el Parámetros y especificaciones de
diseño de la planta fotovoltaica. En el lenguaje de los informáticos, la cadena modelo es
el ciberdual del sistema fotovoltaico físico. En términos generales, cuanto mayor sea el
grado de conocimiento de los parámetros y especificaciones de diseño, mejor será el
rendimiento de una cadena modelo, aunque alguna información es más crítica que otra [
11]. Al igual que los esquemas físicos y las parametrizaciones de NWP, también es
necesario seleccionar los modelos de meteorología de energía solar utilizados en la
cadena de modelos, ya que podría haber hasta cientos de opciones para cada etapa de la
cadena de modelos. Tradicionalmente, la cadena de modelos también se ve como un
proceso determinista: se puede seleccionar el modelo con mejor rendimiento para cada
etapa u optimizar la cadena de modelos como un todo; esto se debe a que la cascada
simple
Figura 1.Esquemas de (a) conjunto de predicción meteorológica numérica y (b) conjunto de
cadenas de modelos, donde cada círculo representa un modelo componente. En ambas
subfiguras, la línea roja marca la predicción de "mejor suposición", mientras que las líneas azules
ejemplifican las trayectorias de los miembros.
2
Revisiones de energía renovable y sostenible 175 (2023) 113171
de los mejores modelos de una sola etapa rara vez puede conducir al mejor rendimiento
general [8]. En este punto, si cada cadena de modelo se considera como un camino
probable de conversión de irradiancia en potencia, recopilar varios de esos resultados en
una cadena de modelo de conjunto; la situación es muy análoga al conjunto de
trayectorias meteorológicas.Figura 1(b) muestra el diagrama esquemático de la cadena
del modelo de conjunto.
Con la información anterior, es obvio que hay tres formas de generar
pronósticos probabilísticos de energía fotovoltaica: (1) NWP determinista + cadena
de modelo de conjunto, (2) NWP de conjunto + cadena de modelo determinista y
(3) NWP de conjunto + modelo de conjunto cadena. Por lo tanto, la pregunta
relevante es esta: ¿Qué opción es la más ventajosa y por qué? Este trabajo busca
proporcionar alguna evidencia empírica al respecto, utilizando datos recopilados
en 14 plantas fotovoltaicas montadas en el suelo a gran escala en Hungría, junto
con los pronósticos NWP del conjunto del Centro Europeo para Pronósticos
Meteorológicos a Medio Plazo (ECMWF). Como subproducto, también
investigamos el desempeño del pronóstico determinista de varias opciones
(recuerde que los pronósticos probabilísticos se pueden resumir en deterministas)
y comparamos los pronósticos resumidos con los obtenidos del procedimiento de
pronóstico determinista tradicional, es decir, PNT determinista + cadena de
modelo determinista. Por último, pero no menos importante, dado que los
pronósticos por conjuntos a partir de métodos físicos a menudo se encuentran
poco dispersos, la regresión por cuantiles, como herramienta de calibración, se
considera beneficiosa y, por lo tanto, se incluye en el análisis.
La parte restante del documento está organizada de la siguiente
manera. Sección2 introduce los datos. Vale la pena señalar que,
además del sistema fotovoltaico y los datos de pronóstico de NWP,
también consideramos la irradiancia derivada de satélites en este
trabajo, que se utiliza para medir la calidad de los pronósticos de
irradiancia de NWP. Sección3ofrece los métodos para generar y calibrar
las previsiones de energía fotovoltaica. En la Sección4. Las conclusiones
siguen al final.
2. Datos
Los análisis realizados en este estudio se basan en datos de tres
fuentes, que se presentan en las siguientes subsecciones. En la sección
2.1. En la Sección2.2. Los datos de diseño de las plantas fotovoltaicas,
que se requieren para su modelado físico, y sus datos de producción de
energía, que se utilizan para la verificación, se resumen en la Sección
2.3.
2.1. Datos numéricos de predicción meteorológica
Los pronósticos NWP utilizados en este documento provienen del
Sistema de Pronóstico Integrado (IFS) del ECMWF. IFS es un sistema NWP de
mesoescala que cubre todo el mundo y alberga una gama de productos
meteorológicos y oceanográficos. Dos productos son de relevancia aquí, que
son “Conjunto I – Pronóstico de 10 días de alta resolución (HRES) del modelo
atmosférico” y “Conjunto III – Pronóstico de 15 días del conjunto del modelo
atmosférico (ENS)”, con el primero emitiendo pronósticos deterministas y el
última probabilística. Ambos productos están operativos y difunden
pronósticos a los usuarios con licencia cuatro veces al día, a las 00Z, 06Z, 12Z
y 18Z, donde "Z" indica la hora zulú. En cada corrida, HRES y ENS producen
pronósticos de 240 hy 360 h, respectivamente. Dado que estos productos
están operativos, sufren cambios periódicamente, no solo en términos de
los paquetes de física y las parametrizaciones utilizadas en el modelo,
HRES es la configuración de mayor resolución de IFS. Actualmente tiene una
resolución horizontal de 9 km con 137 capas verticales. Temporalmente, los pronósticos
HRES son cada hora durante las primeras 90 h, 3 horas durante 93 a 144 h y 6 horas
durante 150 a 240 h. En cambio, ENS tiene una resolución horizontal más baja de 18 km,
pero con la misma resolución temporal, excepto que emite 6-
MJ Mayer y D. Yang Revisiones de energía renovable y sostenible 175 (2023) 113171

Fyo G. 2.METRO mi
un absoluto tu
los errores (MAE) y raíz m errores cuadrados ean (RMSE) o f el 50e conjunto miembros (mostrado b y diagramas de caja), tEl pronóstico de control, y la media y
mediana de el sentido metrobendíceme metrobras.

pronósticos horarios para horizontes de 150 a 360 h. Por lo tanto, para aislar el efecto del [15], así como la documentación oficial,1para obtener detalles sobre EDA y SV,
desajuste de escala espacial [12,13] en la medida de lo posible, no mezclamos los respectivamente. En cualquier caso, tal y como informan Buizza et al. [dieciséis], la
pronósticos deterministas HRES con los pronósticos por conjuntos ENS en este trabajo. combinación de EDA y SV es novedosa y más efectiva que usar cualquier método
En su lugar, la ejecución de control (es decir, la mejor suposición) de ENS se utiliza como solo.
determini versión stic ion. ES pronóstico s puede b y obtener norte
educar en tiempo real desde el Sistema al
De hecho d, ENS, como una e ensamblar modelo, rrepite t él HRE S modelo 51
norte meteorito lógico A archivo y ret ríovdel ECMWF (MARS). En este
ti mes, un largo tiempoich th ejem
metro mison 1 control corre y 50 port tu rbed r tuns. pronóstico s desde TH e 00Z ru , sobre un pag eritrabajo,
norte de dos años (2019–2020),
Waquí como el cont rol ejecutar l promedio s el bes t-posible mi inicial condición on, Una region cubriendo todos
gramo los PV sistemas o int más de 100, se descargan del
micada de t el 50p ejem turbado te corre s muy diferente diferente s y de ini cial
es un deslizamientogramo en el o re original ssolucion sin posprocesamiento de MARS. Más
cualquier

Ccondicións , queCh son ob mantenido tusing un método c o mbin ni ambos el gramo tres p a metros, a saber, GHI, am Bieespecíficamente, la temperatura
real academia de bellas artes

senvector angular (S V) y mi conjunto culo de datosi milación (EDA), siguiente gramo: segunda velocidad (convertida de la
Wisconsin tu- del nt a 2 m, y el viento en la
requeridos, que son necesarios para yo superficie y en la componente V,
mi
miembro de la NSi=H RE + (E memoria DA beri−mi DA media) + SVEducación física rturbatio
operación real era se seleccionan para cada
nortei
ción Para cumplir con los
(1) requisitos de a, 25–48-ha dirigirse hacia eca ejecución de 00Z; e del modelo

esto tiene en cuenta tanto el icarrera inicial timNWP (es decir, el primer
T él leyó a B onavita e t al. [14 ] y dia conescu y vuelta rhielo
norte
r se refiere rojo

1https: //conflu mi
nce.ecm wf.int/dis jugar /FUG/5.1+Generación+de+la
+ Conjunto ble.

3
MJ Mayer y D. Yang Revisiones de energía renovable y sostenible 175 (2023) 113171

pocas horas de pronósticos no se difunden a tiempo) y el tiempo de espera de
presentación del lado de la red (es decir, los pronósticos deben presentarse unas horas
antes del día de operación).
No obstante, dado que los datos de potencia fotovoltaica tienen una resolución de 15
min (ver más abajo), el PNT horario debe reducirse. Aquí, se usa una interpolación simple
de cielo despejado para los pronósticos GHI, mientras que la interpolación lineal simple
se usa para los pronósticos de temperatura y velocidad del viento. Cabe destacar que la
interpolación de la irradiancia en cielo despejado es esencial debido a la presencia del
ciclo diurno en las series temporales de irradiancia. Dicho de otra manera, la
interpolación debe realizarse primero en términos de índice de cielo despejado y luego
transformarse de nuevo en irradiancia utilizando los valores GHI de cielo despejado
correspondientes en las marcas de tiempo interpoladas. El modelo de irradiancia de cielo
despejado utilizado para recuperar el índice de cielo despejado de GHI es McClear [17,18
], que ha sido recomendado como adecuado para aplicaciones de pronóstico solar [19,20
].
2.2. Datos de irradiancia derivados de satélites
algoritmos nube-a-irradiancia, es adecuado para fines de verificación de
pronósticos.
Volviendo a CAMS-Rad, se deriva utilizando el método Heliosat-4 de las
imágenes adquiridas por los satélites Meteosat de segunda generación (MSG), y se
ha demostrado que es más ventajoso que el Conjunto de datos de radiación solar
de superficie - Heliosat (SARAH- 2) [25], que es otro producto de irradiación
derivado de satélite basado en los satélites MSG. Espacialmente, CAMS-Rad cubre
una región de disco centrada en el meridiano y el ecuador, que se extiende hasta±
66◦en latitud y similares en longitud. Temporalmente, la irradiación CAMS-Rad se
puede obtener en resoluciones de 1, 15, 30 y 60 minutos. En este trabajo, la
irradiación CAM-Rad de 15 minutos se descarga utilizando los servicios web del
sitio web de SoDa-pro,2durante el período de dos años (2019-2020) y para cada
ubicación del sistema fotovoltaico. Vale la pena mencionar que, a diferencia de
otros productos de irradiación derivados de satélites, como SARAH-2 o la base de
datos nacional de radiación solar (NSRDB), cuya resolución espacial se fija a la de
las imágenes satelitales sin procesar, CAMS-Rad utiliza la interpolación. Por esa
razón, es capaz de aliviar el desajuste de la escala espacial hasta cierto punto y,
por lo tanto, puede parecerse mejor a las mediciones terrestres.

Dado que la precisión de la previsión de potencia fotovoltaica depende de la de la

La verificación de los pronósticos NWP GHI se realiza calculando el error
irradiancia, es interesante verificar las previsiones de irradiancia de PNT. Para ello, este
absoluto medio (MAE) y el error cuadrático medio (RMSE) de los pronósticos de
trabajo considera la irradiancia derivada de satélites de la base de datos CAMS-Rad. La
control, todos los miembros del conjunto y la media y la mediana del conjunto. El
verificación de los pronósticos, al menos en el contexto de la meteorología de la energía
MAE y el RMSE se muestran por separado para cada ubicación de planta
solar, se basa convencionalmente en mediciones terrestres, ya que los datos de este tipo
fotovoltaica enFigura 2. Los resultados revelan que el control pronostica errores
son de mayor calidad en comparación con la irradiancia obtenida por satélite. Si bien esta
más bajos que cualquiera de los 50 miembros individuales del conjunto en
preferencia aún se mantiene, adolece de un inconveniente importante: las estaciones de
términos de ambas métricas en todas las ubicaciones. Sin embargo, la media y la
radiometría a largo plazo de alta calidad son extremadamente pocas debido a sus altos
mediana del conjunto son incluso considerablemente más precisas que los
costos de equipo y mantenimiento. Por lo tanto, los meteorólogos han aprovechado
pronósticos de control de "mejor suposición", lo que sugiere que el pronóstico del
durante mucho tiempo las observaciones de detección remota como verificaciones (es
conjunto tiene un valor agregado significativo incluso si el objetivo final es el
decir, los valores "verdaderos"), especialmente cuando la verificación del pronóstico debe
pronóstico determinista. En términos de MAE, la mediana del conjunto es la más
realizarse en una región [21,22].
precisa, mientras que en términos de RMSE, la media es la más precisa, lo que
La verificación de los pronósticos de irradiancia utilizando la irradiancia derivada de
demuestra empíricamente el hecho estadístico de que el MAE es minimizado por
satélites es una estrategia pensada muy recientemente. El trabajo más antiguo conocido
la mediana y el MSE es minimizado por el significar.
es el de Pérez et al. [23], quien notó que los errores cuadráticos medios (RMSE) de
pronóstico de algunos pronósticos contra mediciones basadas en tierra y contra la
2.3. Planta fotovoltaica y datos de producción
irradiancia de SolarAnywhere son comparables. No obstante, es bien sabido ahora que la
precisión es solo un aspecto de la calidad del pronóstico, y muchos otros aspectos, como
Los métodos de pronóstico de energía propuestos en este documento se prueban
el sesgo, la calibración, el refinamiento o la discriminación, contribuyen al juicio general y
para 14 plantas fotovoltaicas montadas en suelo a escala de servicios públicos en
la confianza de los pronosticadores y usuarios del pronóstico. Al respecto, Yang y Pérez [
Hungría. Estas plantas fotovoltaicas se instalaron en 2018 y son operadas por MVM
24] revisó el problema, presentó una extensión holística del trabajo inicial y documentó
Green Generation Ltd. Los módulos están montados en filas paralelas de estructuras de
las distinciones en los resultados de verificación de pronósticos de predicción numérica
montaje con orientación sur y 20–35◦ángulos de inclinación, dependiendo de las plantas.
del tiempo utilizando tanto mediciones en tierra como irradiancia derivada de satélites;
Los datos de generación de energía de estas plantas fotovoltaicas cubren los años
Se utilizó el marco de verificación de Murphy-Winkler, que es capaz de cuantificar los
completos de 2019 y 2020 con una resolución temporal de 15 minutos.
diferentes aspectos de la calidad del pronóstico antes mencionados. La principal
El preprocesamiento de los datos de producción de energía incluye la eliminación de
conclusión a la que se llega es que la irradiancia obtenida por satélite, basada en la
todos los valores nocturnos, que se identifican mediante un ángulo cenital
última generación de satélites meteorológicos geoestacionarios y
> 90◦filtrar. Además, también se eliminan los periodos diurnos sin potencia, ya que
dichas discontinuidades se deben a errores o mantenimiento de las plantas
fotovoltaicas. Los metadatos de la planta fotovoltaica y los datos de generación se
tabla 1
enumeran entabla 1.
Nombre, ubicación y datos de diseño de las 14 plantas de energía fotovoltaica montadas en tierra incluidas
en este documento.PAGcorriente continua: capacidad de CC instalada,PAGC.A.: potencia CA nominal.
3. Métodos
Nombre Coordenadas PAGcorriente continuakilovatiosPAGC.A.kilovatios No. de datos válidos
puntos
Los conceptos generales de la creación de pronósticos de potencia deterministas y
2019 2020 probabilísticos se explican en la Sección3.1. Posteriormente, los métodos responsables
Bodajk 47.33◦norte, 18.22◦mi 590 17,496 498 17,547 de la generación y calibración de los pronósticos de potencia a partir de los pronósticos
Cegléd 47.19◦norte, 19.80◦mi 590 17,035 498 17,015 de PNT sin procesar, a saber, las cadenas de modelos FV físicos y la regresión de
Felsőzsolca 48.12◦norte, 20,89◦E 20.038 16.776 17.300 17.337
cuantiles, se describen en las Secciones 3.2 y 3.3, respectivamente. Finalmente, las
Fertőszéplak 47.61◦norte, 16,84◦mi 590 498 17,499 17,583
Győrvár 46.99◦norte, 16,83◦mi 590 498 17,467 17,437 Secciones 3.4 y 3.5 presentan las prácticas de verificación aplicadas, respectivamente,
Kajarpéc 47.51◦norte, 17,62◦mi 590 498 17,339 17,574 para los pronósticos deterministas y probabilísticos.
Kecel 46.53◦norte, 19.22◦mi 590 498 17,056 17,084
Kötegyán 46.74◦norte, 21,48◦mi 590 498 16,921 17,102
Mezőkovácsháza 46.40◦norte, 20,90◦mi 590 498 17,052 16,973
Nagyvázsony 46.98◦norte, 17,69◦mi 590 498 17,513 17,543
Paquetes 46.57◦norte, 18,82◦E 20.680 17.244 17.179 17.188
Pécs 46.06◦norte, 18.26◦E 10.044 10.097 16.993 17.090
Újkígyós 46.60◦norte, 20,99◦mi 590 498 17,061 16,924
2https://www.soda-pro.com/web-services/radiation/cams-radiation-service
Veszprém 47.10◦norte, 17,87◦mi 590 498 17,517 17,533
.

4
MJ Mayer y D. Yang
3.1. Conceptos para la previsión de energía fotovoltaica
El procedimiento general de la previsión física de energía fotovoltaica basada en PNT
consiste en convertir las previsiones de GHI, temperatura ambiente y velocidad del viento
en previsiones de producción de energía mediante la simulación del comportamiento de
las plantas fotovoltaicas mediante una cadena de modelos físicos.3La cadena de modelo
en sí es un concepto general, que se puede realizar de muchas maneras diferentes,
dependiendo de cuántos pasos de modelado se incluyan y qué modelos se utilicen en
estos pasos. Diferentes cadenas de modelos asignan los pronósticos meteorológicos a la
energía fotovoltaica de manera diferente; por lo tanto, la selección de la cadena del
modelo puede afectar los errores de pronóstico de potencia en más del 10% [8]. Con ese
fin, la conversión de energía con una cadena de modelos seleccionada arbitrariamente a
menudo es subóptima y, por lo tanto, impide juzgar de manera confiable la precisión
potencial de cualquier método de pronóstico que involucre cadenas de modelos. Una
posible solución, como se propone en la Ref. [8], es optimizar la cadena de modelos
calculando las previsiones de energía con muchas cadenas de modelos diferentes y luego
seleccionando la que funciona mejor en términos de una métrica elegida. Este proceso,
que sólo puede emitir pronósticos deterministas, se denominamétodo 0en este papel.
La cadena de modelos se consideraba tradicionalmente una herramienta
determinista, y no fue hasta el método propuesto recientemente por Mayer y Yang [26]
que la utilización de la cadena modelo se amplió para la conversión probabilística de
irradiancia en potencia. La idea detrás de esta extensión es el conjunto del hombre pobre
(o conjunto modelo), donde los mismos datos de entrada se convierten en diferentes
salidas por diferentes modelos. En el contexto de la conversión de irradiancia en
potencia, significa que las predicciones deterministas de PNT se convierten en potencia
fotovoltaica mediante un conjunto de diferentes cadenas de modelos, que luego se
interpretan como un conjunto, describiendo una distribución de probabilidad de la
potencia de salida. Este enfoque se implementa en este documento y se denomina
Método 1de ahora en adelante; sin pérdida de generalidad, seleccionamos
aleatoriamente 50 cadenas modelo para el método 1, para que coincidan con el número
de miembros del conjunto de los pronósticos ECMWF ENS.
En los métodos 2 y 3, la conversión de irradiancia en potencia se realiza de manera
similar a los métodos 0 y 1, respectivamente, con la diferencia de que los métodos 2 y 3
se basan en pronósticos de PNT probabilísticos en lugar de deterministas. En el caso de
los miembros del conjunto, debe tenerse en cuenta que no pueden considerarse como
modelos, ya que los miembros de cada ejecución están sujetos a una inicialización
aleatoria independiente de las ejecuciones anteriores. En otras palabras, los miembros
que tienen el mismo índice durante dos días consecutivos (p. ej., el miembro 1 hoy y el
miembro 1 mañana) no están relacionados y, por lo tanto, no deben agruparse durante
el entrenamiento. En su lugar, lo que se debe hacer es traducir primero los miembros del
conjunto a los cuantiles de la densidad predictiva asumiendo la misma probabilidad para
cada miembro, lo que se puede hacer simplemente clasificando los pronósticos de los
miembros de GHI para cada paso de tiempo. Después, en lugar de los miembros
originales, los cuantiles ordenados se utilizan en todos los cálculos posteriores. En
método 2, los pronósticos de GHI, temperatura ambiente y velocidad del viento de los 50
cuantiles ENS se convierten individualmente en energía fotovoltaica mediante una única
cadena de modelo, a saber, el que resultó ser el mejor para el pronóstico determinista en
el método 0. Enmétodo 3, los pronósticos de predicción numérica del tiempo de los 50
cuantiles del conjunto se convierten en energía fotovoltaica con 50 cadenas de modelos
diferentes seleccionadas al azar (emparejamiento 1 a 1, es decir, una cadena de modelos
para cada cuantil ENS).
Los pronósticos de conjunto sin procesar suelen estar poco dispersos, ya que no
pueden dar cuenta por completo de todas las fuentes de incertidumbre durante su
creación [27]. Por lo tanto, la confiabilidad de los pronósticos por conjuntos solo puede
garantizarse mediante un procedimiento de calibración basado en datos. En este
documento, la calibración se logra realizando una regresión de cuantiles, que no
requiere ninguna suposición sobre la forma de la distribución del error de pronóstico de
potencia. La calibración requiere datos históricos; por lo tanto, no se puede realizar para
plantas fotovoltaicas recién iniciadas. Teniendo en cuenta el paso de calibración,
3Para la región de latitudes altas, el albedo de la superficie constituye otro parámetro de
entrada esencial, ya que el brillo excesivo de la superficie debido a la arena blanca y la nieve
puede afectar sustancialmente la irradiancia reflejada en el suelo. Pero considerando la geografía
de Hungría, el albedo superficial es un parámetro menos importante y, por lo tanto, no se
considera.
5
Revisiones de energía renovable y sostenible 175 (2023) 113171
los métodos 1, 2 y 3 se pueden separar en dos casos, que se distinguen por las
letras "R" y "C", que representan el conjunto sin procesar y calibrado,
respectivamente. En los métodos que se basan en el conjunto sin procesar, los
miembros del conjunto se traducen a cuantiles utilizando un espaciado uniforme
de las probabilidades acumuladas [28].
Los métodos presentados anteriormente se visualizan enFig. 3. Como se mencionó
en la introducción, los pronósticos de PNT y la conversión de irradiancia en potencia
pueden ser deterministas o probabilísticos, lo que da como resultado cuatro
combinaciones distintas. En base a esto, el método 0 produce pronósticos deterministas
sin cuantificación de incertidumbre, mientras que los pronósticos creados por el método
1 solo incluyen la incertidumbre del modelado de la planta fotovoltaica, los pronósticos
del método 2 solo incluyen la incertidumbre de la predicción meteorológica, mientras
que los pronósticos del método 3 incluyen la incertidumbre de ambas fuentes. Los
métodos 1R, 2R y 3R, cuando se combinan con la regresión por cuantiles, dan lugar a tres
nuevos métodos (es decir, 1C, 2C y 3C), lo que hace un total de siete métodos.
Seis de los siete métodos generan pronósticos probabilísticos; sin embargo, estos
también se pueden resumir en pronósticos deterministas mediante la asignación de un
funcional estadístico, por ejemplo, la media o la mediana, de la función de densidad de
probabilidad para cada paso de tiempo. En la siguiente figura se muestra una gráfica de
serie de tiempo de muestra de cómo se relacionan entre sí los pronósticos probabilísticos
originales y los deterministas resultantes.Figura 4. Los siete métodos también son
capaces de crear pronósticos deterministas; por lo tanto, también se evalúan como
métodos de predicción deterministas, lo que permite cuantificar el beneficio adicional de
la PNT de conjunto no solo para la predicción probabilística sino también determinista de
la potencia fotovoltaica.
3.2. Cadenas de modelos fotovoltaicos físicos
La conversión de pronósticos meteorológicos en pronósticos de energía
fotovoltaica se puede realizar mediante un conjunto sucesivo de modelos,
que son componentes de una cadena de modelos. Después del
posicionamiento solar, que es esencial para obtener la información
relacionada con la posición del Sol, como el cenit y los ángulos de incidencia,
el cálculo comienza con la separación del GHI en los componentes de haz y
difuso, que luego sigue con la transposición de los componentes de
irradiación horizontal en el inclinado. plano del módulo. Posteriormente, la
temperatura de la celda se estima a partir de la irradiancia incidente, la
temperatura ambiente y la velocidad del viento, y la potencia de salida de los
módulos fotovoltaicos se calcula teniendo en cuenta la dependencia de la
salida de potencia de CC de la irradiancia y la temperatura de la celda. Por
encima de estos pasos básicos de modelado,
El marco de la cadena modelo utilizado en este documento sigue la implementación
propuesta por primera vez en la Ref. [8], que ha beneficiado a varios estudios posteriores
[11,29]. Como se muestra enFigura 5, este marco de cadena de modelo incluye nueve
pasos de modelado, siete de los cuales se consideran los pasos principales, donde se
incluyen opciones de modelo de múltiples componentes. La lista de los modelos de
componentes de elección se resume enTabla 2. En resumen, los nueve modelos de
separación, diez de transposición, tres de reflexión, cinco de temperatura de celda,
cuatro de eficiencia fotovoltaica, dos de sombreado y tres de inversor, dan como
resultado un total de 32 400 cadenas de modelos diferentes. Durante la optimización de
la cadena de modelos, todas estas cadenas de modelos calculan las previsiones de
potencia para el año 2019, y las cadenas de modelos que conducen al error absoluto
medio (MAE) y al error cuadrático medio (RMSE) más bajos se seleccionan como las dos
mejores opciones correspondientes a estas dos directivas de verificación. En los métodos
con cadenas de modelos seleccionadas aleatoriamente, las cadenas de modelos
utilizadas se seleccionan de estas 32.400 variantes con una probabilidad uniforme.
3.3. Regresión cuantil
La regresión por cuantiles (QR) mapea la relación entre los predictores y un
cuantil seleccionado de una distribución de probabilidad. Para hacer esto, la
función de pérdida de la regresión por cuantiles es la pérdida pinball, que se
calcula como
MJ Mayer y D. Yang Revisiones de energía renovable y sostenible 175 (2023) 113171

Fig. 3.Esquema de los diferentes métodos comparados en este documento para la previsión de energía fotovoltaica basada en NWP. Los colores naranja y azul indican pronósticos deterministas y
probabilísticos, respectivamente.

Figura 4.Gráfica de serie temporal de las observaciones, los pronósticos probabilísticos creados por el método 3C y los pronósticos deterministas creados como la media y la mediana de la distribución
predictiva para un período de muestra para la planta fotovoltaica de Kecel.

{
τ(y−Xτ) six τ< y (MSE), mientras que la mediana minimiza el error absoluto medio (MAE) de los
ψτ= , (2)
(1 -τ)(Xτ− y) siXτ> y pronósticos [60]. Estas dos directivas son para crear pronósticos optimizados para MSE y
pronósticos optimizados para MAE, respectivamente. En la verificación de pronósticos, la
dóndeyes la observación yXτes el pronóstico para el cuantilτ. QR puede ser lineal o regla de consistencia significa que los pronósticos deben evaluarse usando el mismo
no lineal; sin embargo, dado que las cadenas del modelo pueden explicar la puntaje que están optimizados para [61,62]. En que, considerando estas dos directivas,
dependencia no lineal de la potencia fotovoltaica de las previsiones las dos principales métricas de error utilizadas para la verificación de pronósticos
meteorológicas, se cree que la regresión lineal es suficiente para fines de deterministas son el MAE y el RMSE, calculados como
calibración. Además, los modelos QR no lineales también pueden aprender la
1∑ norte

incertidumbre de los datos históricos, mientras que un QR lineal solo escala la MAE = |iF− Xi|, (3)
dispersión del conjunto. Teniendo esto en cuenta, QR lineal se alinea mejor con el norte
i=1
objetivo principal del presente documento, que es medir las capacidades de los √̅ ̅ √
métodos físicos en el pronóstico probabilístico. √1∑ norte

Los predictores del QR son los 50 miembros del conjunto de pronóstico de
energía fotovoltaica en el caso de cada método. La calibración se realiza
calculando los 20 cuantiles de 0.025 a 0.975 con incrementos de 0.05 usando el
CuantilRegresorclase de lascikit-aprenderPaquete Python. Los coeficientes de los
modelos de regresión de cuantiles lineales se ajustan utilizando los datos de 2019.
Como paso final de posprocesamiento, los cuantiles calculados se limitan al rango
de la potencia de salida físicamente posible de las plantas fotovoltaicas, que está
entre cero y la potencia nominal. alimentación de CA instalada.
3.4. Verificación de pronósticos de energía deterministas
En este documento, a excepción del método 0, los pronósticos deterministas
se resumen a partir de la distribución predictiva de los pronósticos probabilísticos,
ya sea utilizando la media o la mediana de la distribución como pronósticos
puntuales. Estos dos funcionales estadísticos, sin embargo, corresponden a dos
directivas distintas. El valor medio minimiza el error cuadrático medio
RMSE =√ (Fi−Xi)2, (4)
norte
i=1
dóndeFyXdenotan el pronóstico y la observación, ynortees el número de
puntos de datos diurnos.
El coeficiente de correlación refleja la asociación entre las
observaciones y los pronósticos, y se puede calcular como
cov(f, x)
ρ= , (5)
σFσX
donde cov (⋅,⋅)representa la covarianza yσes la desviación estándar. El
coeficiente de correlación también puede verse como una medida de la
habilidad potencial de los pronósticos [63]. Por un lado, esto significa que le
afecta menos la directiva para la que se calibran las previsiones; se puede
utilizar como un indicador más universal de la bondad de los pronósticos [64
]. Por otro lado, el coeficiente de correlación no lleva ninguna

6
MJ Mayer y D. Yang Revisiones de energía renovable y sostenible 175 (2023) 113171

Tabla 2
Pasos de modelado y modelos de componentes de las cadenas de modelos físicos considerados
en este estudio [11].

Pasos de modelado Modelos de componentes Árbitro.

Separación miRBS [30]

SKARTVEIT-OLSETH [31]
DESCT [32]
SUCIEDAD [33]
DIRÍNDICE [34]
BRL [35]
miNGERER [36]
STarke [37]
ABREU [38]
Transposición LIU-JORDÁN [39]
STEVEN [40]
HSÍ [41]
WILLMOT [42]
SKARTVEIT-OLSETH [43]
GRAMOUEYMARD [44]
METROUNEER [45]
klucher [46]
PAGEREZ [47]
REINDL [48]
Reflexión Ninguno

METROARTIN-RUIZ [49]
PAGFÍSICO [50]
Temperatura NOCT [51]
kEN G [52]
FAIMAN [53]
METROATTEI [54]
SKOPLAKI [55]
módulo fotovoltaico miFURGONETAS [56]
Figura 5.Los modelos de componentes de las cadenas de modelos fotovoltaicos físicos para HULD [57]
convertir NWP en potencia fotovoltaica [8]. Los cuadros amarillos representan los siete pasos SDIODO INDIVIDUAL4PAR. S [58]
principales del modelado en los que se comparan múltiples variantes del modelo. DIODO INDIVIDUAL5PAR. [58]
Sombreado Ninguno

BSOMBREADO DE EAM [10]

información sobre el sesgo y la varianza de los pronósticos; debe usarse Inversor CCONSTANTE
junto con otras métricas que reflejen la calibración real de los pronósticos. El qUADRATIC [59]
sesgo incondicional entre las observaciones y los pronósticos se puede DRIESSE [59]
medir mediante el error de sesgo medio (MBE), calculado como

1∑ norte
3.5. Verificación de pronósticos probabilísticos de potencia
MBE = (Fi− Xi) . (6)
norte
i=1
Los dos atributos principales que caracterizan la calidad de los pronósticos
La dispersión de los pronósticos puede reflejarse mediante la relación de varianza, probabilísticos son la confiabilidad y la nitidez. La confiabilidad (o calibración)
tal como se presenta en la Ref. [8], que es el cociente de la varianza de los pronósticos y indica la consistencia estadística entre las observaciones y los pronósticos, lo que
las observaciones, significa que la diferencia entre las probabilidades nominales y observadas debe
ser pequeña. Una herramienta visual para evaluar la confianza
V(F)
F= , (7) capacidad es un diagrama de confiabilidad, que muestra las proporciones de los ob-
V(X)
servations como la función de la probabilidad nominal para todos los cuantiles (verFigura
6). Para pronósticos perfectamente confiables, todos los puntos de la confiabilidad
donde V (⋅)es el operador de varianza. Una razón de varianza más baja y más alta
que 1 indica subdispersión y respecial sobredispersión de los pronósticos, los ts
tively. tu subdispersadodelantero caso son menos capaces de cubrir. Sin embargo,
salidas de potencia extremadamente bajas y altas como se muestra en la Ref. [64],
Los pronósticos optimizados por MSE siempre están subdispersos. Por lo tanto, la
subdispersión, siempre que se haga conscientemente, no debe considerarse una
señal de un mal desempeño de los pronósticos.
Finalmente, quizás la recomendación más general para el análisis determinista
la verificación del pronóstico solar es usar el puntaje de habilidad RMSE para medir el
total habilidad ode las previsiones t [19]. El puntuación de habilidad es calculado como
la relación tivmi
RRMSE r mi
co de producción metrocomparado con un referencia ave metodo e,

RMSE F
sc.p.=1 - , (8)
RMSEc.p.

donde T élc.p.suscríbete pt significa el CLIPER r eferencia se reunió hod, que es

la opción imal convexo combinación nortede climatol ogy y pers istencia [sesenta y cinco].

El r METRO
Puntuación de habilidad SE yo es solo calcular tutarde para el MSE-optimi previsiones zed,
no consistir t con el directorio efectivo de la MAE-optimi previsiones zed.
como están las cosas
norte

Figura 6.Diagrama de confiabilidad para los seis métodos. MC: cadena modelo.

7
MJ Mayer y D. Yang
diagrama debe caer en la línea diagonal. Una métrica comúnmente
utilizada para medir la confiabilidad es la probabilidad de cobertura del
intervalo de predicción (PICP). Sin embargo, su inconveniente es que
puede sugerir una fiabilidad perfecta incluso si los dos cuantiles que
definen el intervalo de predicción están sesgados. Para superar este
inconveniente, en la Ref. [26], que se calcula como el error absoluto
medio entre las proporciones observadas y nominales para todos los
cuantiles, es decir,
1∑ k⃒ ⃒
YEGUA = q⃒k − qk ,⃒
k k=1
observación nombre
dóndekes el número de los cuantiles calculados, yqk
observado yqk nombrees la proporción nominal en elkelcalculado
cuantil. Visualmente, MARE es el MAE de la línea de calibración con respecto a la
diagonal en los diagramas de confiabilidad (verFigura 6).
La nitidez expresa cuán informativos son los pronósticos, lo que se
refleja en la concentración de la distribución predictiva. La nitidez se mide
comúnmente por los anchos promedio del intervalo de predicción (PIAW),
calculado como
1∑ norte
PIAW = (tui− Li ) ,
norte
i=1
dóndetuiyLison los límites superior e inferior del intervalo de predicción de interés.
PIAW se calcula y promedia para todos los intervalos de predicción simétricos
definidos por los cuantiles calculados, lo que da como resultado un
PIAW.Además, la nitidez de todos los intervalos de predicción simétricos por
separado se puede visualizar mediante un diagrama de nitidez, que muestra el
PIAW en función de la cobertura nominal de los intervalos de predicción.
El rendimiento general de los pronósticos probabilísticos se mide mediante reglas de
puntuación. La consistencia, en este caso, puede garantizarse mediante el uso de reglas
de puntuación estrictamente adecuadas, que asignan la mejor puntuación si los
pronósticos corresponden al mejor juicio de los pronosticadores [27]. La puntuación
estrictamente propia más utilizada es la puntuación de probabilidad clasificada continua
(CRPS), calculada como
1∑ norte
∫∞
SDRC = [Fyi(X) -1(X−yi)]2dx,
norte
i=1 −∞
dóndeFyi(X)es la distribución predictiva deyi,1(X−yi)es la función escalón de
Heaviside, ynortees el número de puntos de datos. El CRPS se puede
descomponer en componentes de confiabilidad (REL), incertidumbre (UNC) y
resolución (RES) [66], eso es,
CRPS =REL + UNC − RES.
ElUNCplazo depende sólo de la variabilidad de las observaciones; por lo tanto,
no puede ser afectado por el pronosticador. ElNIREl componente cuantifica la
contribución de la confiabilidad al CRPS, donde un valor más bajo representa
pronósticos más confiables. ElRESEl término expresa la capacidad de emitir
pronósticos dependientes del caso, es decir, se pronostican diferentes
distribuciones para diferentes condiciones. Aunque su definición es diferente, la
resolución está estrechamente relacionada (pero no es lo mismo) con la nitidez
para pronósticos confiables, ya que cuanto más dependientes de los casos sean
los pronósticos, más concentrada puede ser su distribución [28].
La puntuación del cuantil (QS) mide la precisión de un cuantil específico y se calcula
para cada cuantil como el promedio de la pérdida de pinball para todo el conjunto de
datos.
1∑ norte
QSτ= ψτ
norte
i=1
La suma ponderada del QS para todos los cuantiles es igual a la mitad del
CRPS [67]; por lo tanto, un diagrama de QS en función de los cuantiles puede
revelar cómo las estimaciones de los diferentes cuantiles contribuyen al CRPS.
Revisiones de energía renovable y sostenible 175 (2023) 113171
4. Resultados y discusión
Todos los resultados presentados aquí se calculan para los pronósticos de 15
minutos y las observaciones que cubren todo el año 2020. La generación y verificación de
todos los pronósticos se realizan individualmente para cada una de las 14 plantas
fotovoltaicas. El rendimiento relativo de todos los métodos es muy similar en cada planta
fotovoltaica. Por esa razón, los resultados no se presentan para las plantas individuales,
sino que se promedian sobre todas ellas para aumentar su confiabilidad general. Como
tres plantas fotovoltaicas tienen una potencia nominal significativamente más alta en
(9) comparación con otras, todas las métricas que son proporcionales a la potencia nominal
(a saber, MAE, RMSE, MBE, PIAW, CRPS, REL, RES y QS) se normalizan a la potencia de
salida media diurna. de las plantas fotovoltaicas antes de promediar para garantizar que
observación
es el todas las plantas fotovoltaicas contribuyan por igual a las métricas presentadas.
Primero, los resultados del pronóstico probabilístico se presentan en la Sección
4.1, seguido de los resultados de verificación para el pronóstico determinista en la
Sección4.2.
4.1. Pronóstico probabilístico de energía fotovoltaica
(10) Las métricas promediadas utilizadas para la verificación de pronósticos
probabilísticos se presentan enTabla 3. Primero, se evalúa la confiabilidad de los
pronósticos creados por los diferentes métodos. Tanto el componente REL del
CRPS como el MARE muestran que los conjuntos sin procesar no son confiables, lo
que también está respaldado por el diagrama de confiabilidad enFigura 6. El
método 1R, que solo cubre la incertidumbre de la conversión de irradiancia a
potencia, es el menos confiable, seguido del método 2R, que solo tiene en cuenta
la incertidumbre de la NWP, mientras que entre los conjuntos sin procesar, el más
confiable es el método 3R, que incluye la incertidumbre de ambas fuentes. Esto
respalda la creencia de que cuantas más fuentes de incertidumbre se incluyan en
el conjunto, más confiable puede ser [27].
La calibración lineal mejora en gran medida la fiabilidad de los pronósticos.
Según el MARE, los tres métodos son casi igualmente confiables, mientras que
según el componente REL, el método 1C es ligeramente más confiable que los
demás. El diagrama de confiabilidad enFigura 6apoya plenamente la conclusión
extraída de las métricas. Las curvas de calibración para métodos.
(11) 1C, 2C y 3C se superponen en gran medida, lo que sugiere que QR, basado en un
año de datos de ajuste, es una herramienta eficaz para la calibración,
independientemente de la fiabilidad del conjunto en bruto. Para los tres métodos
calibrados, existe un pequeño sesgo positivo en los cuantiles de hasta alrededor de 0,8
de probabilidad acumulada, que supuestamente se origina en las diferencias
interanuales en las características estadísticas del recurso solar, y se espera que
disminuya a medida que transcurre el tiempo. los datos históricos aumentan.
(12) La nitidez, medida por elPIA,varía inversamente con la confiabilidad en el caso
de cinco de estos seis métodos (la excepción es el método 3C), es decir, los
pronósticos más confiables son generalmente menos precisos. El paradigma de
Gneiting para el pronóstico probabilístico es maximizar la nitidez sujeta a
calibración.27], lo que sugiere que la confiabilidad es un requisito previo para los
buenos pronósticos, mientras que la nitidez se puede utilizar para identificar los
mejores entre los pronósticos confiables. Siguiendo esta línea de pensamiento,
solo los tres métodos calibrados pueden aceptarse como adecuados para el
pronóstico probabilístico y, entre estos tres, el método 3C es el más preciso y, por
lo tanto, el más recomendado. Una imagen más detallada de la nitidez de los
pronósticos creados por los diferentes métodos se puede ver en el diagrama de
nitidez enFigura 7. Las curvas de los seis métodos presentados no se cruzan entre
sí, lo que significa que los pronósticos que son más nítidos en promedio también
son más nítidos en todos los intervalos de predicción. La resolución, medida por el
componente RES, de los pronósticos se correlaciona bien con su nitidez promedio.
(13)
Los pronósticos con el CRPS más bajo son creados por el método 3C, lo que es
una clara consecuencia de su buena confiabilidad y su mejor resolución entre los
métodos calibrados. Le siguen los métodos 2C y 1C con un aumento relativo del
2,2-3,5% en el CRPS, respectivamente. El rendimiento relativamente bueno del
método 1C es notable, ya que logra este buen rendimiento sin necesidad de
pronósticos de predicción numérica del tiempo por conjuntos [26], cual
8
MJ Mayer y D. Yang Revisiones de energía renovable y sostenible 175 (2023) 113171

Tabla 3
Métricas de verificación de los pronósticos probabilísticos creados con los seis métodos diferentes promediados para todas las plantas fotovoltaicas. Las fuentes en negrita representan los mejores valores por columna.

Método código QR PNT Cadena modelo SDRC NIR RES YEGUA PIAW

1R Crudo Punto Aleatorio 26,8% 21,8% 45,2% 0.176 8,4%

2R Conjunto Mejor individual 20,6% 7,0% 36,5% 0.145 24,9%
3R Aleatorio 21,3% 6,7% 35,6% 0.120 28,4%
1C Calibrado Punto Aleatorio 19,1% 0,6% 31,7% 0.014 53,7%
2C Conjunto Mejor individual 18,8% 0,8% 32,1% 0.013 51,5%
3C Aleatorio 18,4% 0,7% 32,4% 0.014 50,7%

que está en línea con su CRPS más bajo. Todas las curvas muestran cierto grado
de asimetría, que es más pronunciada para los métodos sin procesar, lo que
refleja que los pronósticos para los cuantiles más altos son ligeramente más
precisos que los pronósticos para los cuantiles más bajos. La razón de esto debe
buscarse en la propagación de los errores a través del proceso de conversión de
irradiancia en potencia, como se analiza en detalle en la Ref. [68]. En particular, las
salidas de potencia superiores a la potencia de CA nominal de las plantas
fotovoltaicas son recortadas por el inversor, lo que significa que la planta
fotovoltaica reduce o incluso elimina los errores en el dominio de alta irradiancia,
lo que facilita la estimación de la potencia superior a los cuantiles inferiores.

4.2. Pronóstico de energía fotovoltaica determinista

Los resultados de verificación de los siete métodos para el pronóstico

Figura 7.PIAW normalizado, promediado para todas las plantas fotovoltaicas, en función de la
tasa de cobertura nominal de PI para los seis métodos. MC: cadena modelo.
tiene mucha importancia en aplicaciones prácticas donde no se dispone de
pronósticos probabilísticos de irradiancia. Entre los pronósticos sin procesar, el
método 2R tiene el CRPS más bajo, que es (en términos relativos) un 12,0 % más
alto que el CRPS más bajo general (método 3C). Esto sugiere que, incluso si la
calibración no es posible debido a la falta de datos históricos, el NWP del conjunto
contiene suficiente información sobre las incertidumbres esperadas para hacer
pronósticos probabilísticos con un CRPS relativamente bajo, aunque estos
pronósticos, como se muestra arriba, son altamente faltón.
El QS, en función de los cuantiles, se muestra enFigura 8. La forma cuadrática
general de la curva con los valores más altos alrededor de la mediana es típica del
QS [28], por lo que esta observación no requiere mayor explicación. El método 3C
tiene la puntuación más baja para todos los cuantiles,
determinista se resumen enTabla 4, en paralelo para los pronósticos
MAEoptimized y MSE-optimized. Para todos los métodos, los pronósticos
optimizados con MAE tienen MAE más bajos, y los pronósticos optimizados
con MSE tienen MSE más bajos en comparación con los pronósticos
optimizados para la otra directiva, lo que confirma las expectativas y justifica
la importancia de la optimización. En todos los casos, es importante tener en
cuenta la regla de consistencia, lo que significa que la distribución predictiva
siempre debe resumirse por el funcional elicitable que corresponde a la
directiva, es decir, la mediana y la media para los pronósticos optimizados
MAE y MSE, respectivamente. .
Los mejores pronósticos deterministas, optimizados para MAE o MSE, se crean
mediante el método 3C, el que también proporciona los pronósticos probabilísticos más
precisos. Entre los métodos no calibrados, el método 2R también ofrece una precisión
decente con solo un MAE un 1,8 % más alto y un RMSE un 1,3 % más alto en comparación
con el método 3C, lo que podría sugerir que la calibración solo tiene una importancia
marginal para el pronóstico determinista. Sin embargo, debe tenerse en cuenta que el
método 3R tiene errores significativamente más altos, lo que significa que el uso de
cadenas de modelos aleatorias solo se recomienda si la calibración es posible; de lo
contrario, es mejor quedarse con la cadena de modelos optimizada única para todos los
miembros del NWP del conjunto. El valor agregado del NWP del conjunto en el
pronóstico de energía fotovoltaica determinista está en línea con los resultados de
verificación del pronóstico GHI, que se muestran enFigura 2, que reveló que tanto la
media como la mediana del conjunto son más precisas que el pronóstico de control.

Si solo está disponible la PNT determinista, el método 1C aún puede ofrecer una
Reducción de 4.5% MAE y 4.6% RMSE en comparación con el caso base del método
0. La calibración es un contribuyente importante para el buen desempeño de este
método, ya que su versión no calibrada (método 1R) tiene los errores más altos en
todos los aspectos, lo cual es coherente con los hallazgos de [26]. La calibración
también disminuye el sesgo positivo bastante significativo de los pronósticos
brutos y también ayuda a establecer la relación de varianza cerca de su valor
óptimo. Por ejemplo, la relación de varianza óptima de un pronóstico optimizado
por MSE con un coeficiente de correlación de 0,883 es de alrededor del 78 % (que
es el cuadrado del coeficiente de correlación), que de hecho está cerca de la
relación de varianza real de los pronósticos creados con el método 3C. Para los
mejores métodos, los puntajes de habilidad de RMSE sobre la referencia CLIPER
superan el 40%, que es incluso más alto que la habilidad de otros métodos de
pronóstico de energía fotovoltaica de última generación, por ejemplo, la
hibridación de cadenas de modelos físicos con aprendizaje automático [29], que se
Figura 8. qu normalizado apuntuación ntil, una
norte yoplantas fotovoltaicas, una una función de
promediado para todos puede atribuir a la conocida buena precisión de los pronósticos ECMWF GHI [69],
el qua tiles para los seis
norte métodos. MC : cadena modelo . el valor añadido del conjunto NWP, y la eficacia de la

9
MJ Mayer y D. Yang Revisiones de energía renovable y sostenible 175 (2023) 113171

Tabla 4
Métricas de verificación de los pronósticos deterministas creados con los siete métodos diferentes promediados para todas las plantas fotovoltaicas. Las fuentes en negrita representan los mejores
valores por columna. MBE, MAE y RMSE se presentan como un porcentaje de la media de las observaciones.

Método código QR PNT Cadena modelo optimizado para MAE optimizado para MSE

MAE MBE RMSE ρ F RMSE MBE MAE ρ F sc.p.

0 Crudo Punto Mejor individual 27,8% 5,2% 45,7% 86,7% 89,6% 44,8% 2,7% 29,1% 86,8% 77,6% 36,6%
1R Aleatorio 29,1% 11,1% 48,0% 86,0% 92,5% 48,1% 11,2% 29,2% 86,0% 92,2% 32,2%
2R Conjunto Mejor individual 26,5% 5,6% 43,5% 87,9% 88,1% 42,7% 4,7% 27,0% 88,2% 83,5% 39,8%
3R Aleatorio 27,8% 11,3% 45,7% 87,4% 91,0% 44,8% 10,8% 28,1% 87,7% 86,1% 36,9%
1C Calibrado Punto Aleatorio 27,0% 2,6% 44,5% 87,2% 89,5% 43,5% − 0,3% 29,2% 87,6% 73,2% 38,8%
2C Conjunto Mejor individual 26,5% 1,2% 43,3% 87,8% 86,9% 42,5% − 0,7% 28,5% 88,1% 72,3% 40,1%
3C Aleatorio 26,1% 1,5% 43,1% 88,0% 89,1% 42,1% − 0,5% 27,9% 88,3% 74,8% 40,6%

métodos presentados. Conceptualización, Metodología, Investigación, Curación de datos, Redacción –

preparación del borrador original.
5. Conclusión
Declaración de competencia de intereses
El objetivo principal de este artículo es descubrir el método probabilístico de
pronóstico de energía fotovoltaica (FV) más efectivo basado en enfoques de modelado
Los autores declaran que no tienen intereses financieros en competencia ni
físico, a saber, predicción meteorológica numérica (NWP) para pronosticar la irradiación
relaciones personales conocidas que pudieran haber influido en el trabajo
solar y otras variables climáticas relevantes, y cadenas de modelos para simular la
informado en este documento.
operación de plantas fotovoltaicas y encubrir los pronósticos meteorológicos a la energía
fotovoltaica. En este marco general de dos pasos, la información sobre la incertidumbre
Disponibilidad de datos
se puede extraer de un conjunto de PNT o de un conjunto de cadenas de modelos (o de
ambos).
Los datos que se han utilizado son confidenciales.
El rendimiento de las versiones sin procesar y calibradas de tres métodos distintos se
evalúa empíricamente en 14 plantas fotovoltaicas montadas en suelo a escala de
Reconocimiento
servicios públicos en Hungría, según los pronósticos NWP del conjunto del ECMWF. Los
resultados revelaron que el mejor enfoque para el pronóstico probabilístico, en términos
Los autores agradecen a Norbert Péter de MVM Green Generation Ltd.
del CRPS más bajo, es convertir todos los cuantiles de NWP del conjunto en potencia
por los datos de diseño y producción de la planta fotovoltaica. Este trabajo
fotovoltaica mediante cadenas de modelos seleccionadas al azar y calibrar el conjunto
fue apoyado por el Fondo Nacional de Investigación, Desarrollo e
resultante mediante una regresión de cuantiles lineales (QR). Alternativamente, si no se
Innovación, proyecto no. OTKA-FK 142702, ÚNKP-22-5-BME-305, y TKP2021
dispone de NWP de conjunto, el método propuesto en la Ref. [26], que incluye la
concesión no. BME-NVA-02, y la Beca de Investigación János Bolyai de la
conversión de la NWP determinista en potencia mediante un conjunto de cadenas de
Academia Húngara de Ciencias.
modelos seleccionadas al azar y la calibración mediante un QR, también es favorable, con
Los datos de pronóstico y análisis operativos del Centro Europeo para el
solo un aumento de CRPS del 3,5 % en comparación con el mejor enfoque.
Pronóstico del Tiempo a Medio Plazo (ECMWF) utilizados en este estudio se
Alternativamente, si la calibración no es posible debido a la falta de un conjunto de datos
descargaron del Sistema de Recuperación y Archivo Meteorológico (MARS) del
históricos de al menos un año, los pronósticos de PNT del conjunto aún podrían
ECMWF en 2022. El acceso a los datos archivados del ECMWF fue proporcionado
convertirse en pronósticos de energía fotovoltaica mediante una cadena de modelo
por los Servicios de Datos del ECMWF. Un agradecimiento especial a Emma
optimizada, lo que arroja un CRPS 12% más alto que el mejor. caso. Sin embargo, los
Pidduck, Ruth Coughlan e Ilaria Parodi del equipo de Servicios de datos del
pronósticos de potencia resultantes estarían subdispersos, ya que la confiabilidad de los
ECMWF, por su rápida comunicación con respecto al acceso a los datos.
pronósticos probabilísticos no puede garantizarse sin calibración, incluso si se incluyen
las incertidumbres originadas tanto por el NWP como por las cadenas del modelo.
Referencias

Dado que cualquier pronóstico probabilístico se puede convertir

fácilmente en pronóstico determinista al resumir sus distribuciones
predictivas, los métodos presentados también se evalúan por su
rendimiento de pronóstico determinista. Los resultados revelan que el
método que resultó ser el mejor para el pronóstico probabilístico
también es el más preciso para el pronóstico determinista. Una ventaja
de crear pronósticos probabilísticos primero, incluso si el objetivo final
es el pronóstico determinista, es que no depende de una directiva, por
ejemplo, si se requieren pronósticos optimizados con MAE o con MSE.
Dicho de otra manera, no es necesario conocer la directiva de
antemano, pero se puede decidir en el último paso, en el que se
resumen las distribuciones predictivas. Un claro beneficio de esta
estrategia es que el pronosticador no requiere atender las directivas de
los usuarios,
Declaración de crédito del autor
Martín János Mayer: Conceptualización, Metodología, Análisis formal,
Investigación, Validación, Software, Curación de datos, Redacción -
preparación del borrador original, Visualización.dazhi yang:
[1] Yang D, Wang W, Gueymard CA, Hong T, Kleissl J, Huang J, et al. Una revisión del pronóstico
solar, su dependencia de las ciencias atmosféricas y las implicaciones para la integración
de la red: hacia la neutralidad del carbono. Renovar Sustain Energy Rev 2022;161: 112348.
https://doi.org/10.1016/j.rser.2022.112348.
[2] Yang D, Wang W, Xia X. Una descripción general concisa sobre la evaluación y el
pronóstico del recurso solar. Adv Atmos Sci 2022;39:1239–51.https://doi.org/10.1007/
s00376-021-1372-8.
[3] Hong T, Pinson P, Wang Y, Weron R, Yang D, Zareipour H. Pronóstico de energía: una
revisión y perspectiva. IEEE Open Access J Power Energy 2020;7:376–88.https://doi. org/
10.1109/OAJPE.2020.3029979.
[4] Yang D, van der Meer D. Posprocesamiento en el pronóstico solar: diez herramientas de
pensamiento generales. Renovar Sustain Energy Rev 2021;140:110735.https://doi.org/
10.1016/j.rser.2021.110735.
[5] Schulz B, El Ayari M, Lerch S, Baran S. Conjuntos numéricos de predicción meteorológica
posprocesamiento para la predicción probabilística de la irradiancia solar. Energía
solar 2021;220:1016–31.https://doi.org/10.1016/j.solener.2021.03.023.
[6] Leutbecher M, Palmer TN. Pronóstico por conjuntos. J Comput Phys 2008;227:
3515–39.https://doi.org/10.1016/j.jcp.2007.02.014.
[7] Du J, Berner J, Buizza R, Charron M, Houtekamer P, Hou D, et al. Métodos de conjuntos para
predicciones meteorológicas. Manob. hidrometeoro. Pronóstico de conjunto. Berlín,
Heidelberg: Springer Berlín Heidelberg; 2019. pág. 99–149.https://doi.org/
10.1007/978-3-642-39925-1_13.
[8] Mayer MJ, Gróf G. Comparación extensa de modelos físicos para la previsión de energía
fotovoltaica. Aplicación Energía 2021;283:116239.https://doi.org/10.1016/j.
apenergy.2020.116239.
[9] Mayer MJ. Optimización del diseño y previsión energética de plantas fotovoltaicas.
Universidad de Tecnología y Economía de Budapest; 2020.http://hdl.handle.net/
10890/15112.

10
MJ Mayer y D. Yang
[10] Mayer MJ, Gróf G. Optimización tecnoeconómica de plantas de energía fotovoltaica
conectadas a la red y montadas en tierra mediante un algoritmo genético basado en un
modelo matemático integral. Energía solar 2020;202:210–26.https://doi. org/10.1016/
j.solener.2020.03.109.
[11] Mayer MJ. Influencia de la disponibilidad de datos de diseño en la precisión de las
previsiones físicas de potencia fotovoltaica. Energía solar 2021;227:532–40.https://
doi.org/ 10.1016/j.solener.2021.09.044.
[12] Sun X, Yang D, Gueymard CA, Bright JM, Wang P. Efectos de la escala espacial de los datos de
reanálisis atmosférico en el modelado de radiación superficial de cielo despejado en climas
tropicales: un estudio de caso para Singapur. Energía solar 2022; 241: 525–37.https://doi.org/
10.1016/j.solener.2022.06.001.
[13] Yang D. Cuantificación del desajuste de escala espacial entre la irradiancia solar derivada
de satélites y las mediciones in situ: un estudio de caso utilizando el flujo de onda corta
de superficie sinóptica de CERES y Oklahoma Mesonet. J Renovar Sustain Energy 2020;12:
056104.https://doi.org/10.1063/5.0025771.
[14] Bonavita M, Isaksen L, Hólm E. Sobre el uso de las variaciones de error de fondo de
EDA en el ECMWF 4D-Var. QJR Meteorol Soc 2012;138:1540–59.https://doi.org/
10.1002/QJ.1899.
[15] Diaconescu EP, Laprise R. Vectores singulares en ciencias atmosféricas: una revisión. Earth
Sci Rev 2012;113:161–75.https://doi.org/10.1016/J.EARSCIREV.2012.05.005.
[16] Buizza R, Leutbecher M, Isaksen L. Uso potencial de un conjunto de análisis en el
sistema de predicción de conjunto ECMWF. QJR Meteorol Soc 2008;134:2051–66.
https://doi.org/10.1002/QJ.346.
[17] Lefèvre M, Oumbe A, Blanc P, Espinar B, Gschwind B, Qu Z, et al. McClear: un nuevo modelo
que estima la radiación solar descendente a nivel del suelo en condiciones de cielo
despejado. Atmos Meas Tech 2013;6:2403–18.https://doi.org/10.5194/AMT-6-2403-2013.
[18] Gschwind B, Wald L, Blanc P, Lefèvre M, Schroedter-Homscheidt M, Arola A.
Mejorando el modelo McClear estimando la radiación solar descendente a nivel
del suelo en condiciones libres de nubes – McClear-v3. Meteorol Z 2019;28:147–
63. https://doi.org/10.1127/metz/2019/0946.
[19] Yang D, Alessandrini S, Antonanzas J, Antonanzas-Torres F, Badescu V, Beyer HG, et al.
Verificación de previsiones solares deterministas. Energía solar 2020;210:20–37. https://
doi.org/10.1016/j.solener.2020.04.019.
[20] Yang D. Elección del modelo de cielo despejado en el pronóstico solar. J Renovar Sustain
Energy 2020;12:026101.https://doi.org/10.1063/5.0003495.
[21] Gilleland E, Ahijevych DA, Brown BG, Ebert EE. Verificación de pronósticos espacialmente.
Bull Am Meteorol Soc 2010;91:1365–76.https://doi.org/10.1175/2010BAMS2819.1.
[22] Gilleland E, Ahijevych D, Brown BG, Casati B, Ebert EE. Intercomparación de métodos de
verificación de pronósticos espaciales. Pronóstico del tiempo 2009;24:1416–30.https://doi.
org/10.1175/2009WAF2222269.1.
[23] Pérez R, Schlemmer J, Hemker K, Kivalov S, Kankiewicz A, Dise J. Validación de pronósticos de energía
solar para áreas extendidas e impacto económico de la precisión del pronóstico.
Conf Rec IEEE Photovolt Spec Conf 2016:1119–24.https://doi.org/10.1109/
PVSC.2016.7749787. 2016-noviembre.
[24] Yang D, Perez R. ¿Podemos medir los pronósticos utilizando la radiación solar derivada de
satélites? J Renovar Sustain Energy 2019;11:023704.https://doi.org/10.1063/1.5087588.
[25] Yang D, Bright JM. Validación mundial de 8 productos de radiación solar derivados de
satélites y reanálisis: una evaluación preliminar y métricas generales para datos por hora
durante 27 años. Energía solar 2020;210:3–19.https://doi.org/10.1016/j.
solener.2020.04.016.
[26] Mayer MJ, Yang D. Pronóstico probabilístico de energía fotovoltaica utilizando un conjunto
calibrado de cadenas modelo. Renovar Sustain Energy Rev 2022;168:112821.https://
doi.org/10.1016/j.rser.2022.112821.
[27] Gneiting T, Raftery AE. Reglas de puntuación, predicción y estimación estrictamente
adecuadas. J Am Stat Assoc 2007;102:359–78.https://doi.org/10.1198/
016214506000001437.
[28] Lauret P, David M, Pinson P. Verificación de pronósticos probabilísticos de irradiancia solar.
Sol Energy 2019;194:254–71.https://doi.org/10.1016/j.solener.2019.10.041.
[29] Mayer MJ. Beneficios de la hibridación de aprendizaje físico y automático para la
previsión de energía fotovoltaica. Renovar Sustain Energy Rev 2022;168:112772.
https://doi.org/10.1016/j.rser.2022.112772.
[30] Erbs DG, Klein SA, Duffie JA. Estimación de la fracción de radiación difusa para la
radiación global media horaria, diaria y mensual. Sol Energy 1982; 28: 293–302.
https://doi.org/10.1016/0038-092X(82)90302-4.
[31] Skartveit A, Olseth JA. Un modelo para la fracción difusa de la radiación global
horaria. Sol Energy 1987;38:271–4.https://doi.org/10.1016/0038-092X(87)90049-1.
[32]Maxwell EL. Un modelo cuasifísico para convertir la insolación horizontal global horaria
en insolación normal directa. Dorado, CO. 1987.
[33]Perez RR, Ineichen P, Maxwell EL, Seals RD, Zelenka A. Dynamic global-to-direct
irradiance conversion models. ASHRAE Trans 1992;98:354–69.
[34] Pérez R, Ineichen P, Moore K, Kmiecik M, Chain C, George R, et al. Un nuevo modelo
operativo para irradiancias derivadas de satélites: descripción y validación. Sol Energy
2002;73:307–17.https://doi.org/10.1016/S0038-092X(02)00122-6.
[35] Ridley B, Boland J, Lauret P. Modelado de fracción solar difusa con predictores
múltiples. Renovar Energía 2010;35:478–83.https://doi.org/10.1016/j.
reneno.2009.07.018.
[36] Engerer NA. Estimaciones de resolución de minutos de la fracción difusa de la irradiancia
global para el sureste de Australia. Energía solar 2015; 116: 215–37.https://doi.org/
10.1016/j.solener.2015.04.012.
[37] Starke AR, Lemos LFL, Boland J, Cardemil JM, Colle S. Resolución del problema de mejora de
la nube para la predicción de radiación difusa de un minuto. Renovar Energía
2018;125:472–84.https://doi.org/10.1016/j.renene.2018.02.107.
11
Revisiones de energía renovable y sostenible 175 (2023) 113171
[38] Abreu EFM, Canhoto P, Costa MJ. Predicción de la irradiancia horizontal difusa utilizando un
nuevo modelo de zona climática. Renovar Sustain Energy Rev 2019;110:28–42.https://
doi.org/10.1016/j.rser.2019.04.055.
[39]Liu B, Jordan R. Insolación diaria en superficies inclinadas hacia el ecuador. ASHRAE J
1961;3:53–9.
[40]Steven MD, Unsworth MH. La irradiancia solar difusa de las laderas bajo cielos
despejados. QJR Meteorol Soc 1979; 105: 593–602.
[41]Hay JE, Davies JA. Cálculo de la irradiancia solar incidente sobre una superficie inclinada. En:
Hay JE, Won TK, editores. Primera lata. Sol. radiar Trabajo de datos. Toronto, Ontario:
Canadá; 1980. pág. 59–72.
[42] Willmott CJ. Sobre la optimización climática de la inclinación y azimut de colectores solares
de placa plana. Sol Energy 1982; 28: 205–16.https://doi.org/10.1016/0038-092X(82)
90159-1.
[43] Skartveit A, Olseth JA. Modelado de la irradiancia de pendiente en latitudes altas. Sol
Energy 1986;36:333–44.https://doi.org/10.1016/0038-092X(86)90151-9.
[44] Gueymard C. Un modelo de irradiación solar anisotrópica para superficies inclinadas y su
comparación con algoritmos de ingeniería seleccionados. Sol Energy 1987;38:367–86.
https://doi.org/10.1016/0038-092X(87)90009-0.
[45] Muneer T. Modelo de radiación solar para Europa. Build Serv Eng Technol
1990;11: 153–63.https://doi.org/10.1177/014362449001100405.
[46] Klucher TM. Evaluación de modelos para predecir la insolación en superficies inclinadas.
Sol Energy 1979; 23: 111–4.https://doi.org/10.1016/0038-092X(79)90110-5.
[47] Pérez R, Ineichen P, Seals R, Michalsky J, Stewart R. Modelado de la disponibilidad de la luz
del día y los componentes de irradiancia de la irradiancia directa y global. Sol Energy
1990;44: 271–89.https://doi.org/10.1016/0038-092X(90)90055-H.
[48] Reindl DT, Beckman WA, Duffie JA. Evaluación de modelos horarios de radiación superficial
inclinada. Sol Energy 1990;45:9–17.https://doi.org/10.1016/0038-092X(90)90061-G.
[49] Martín N, Ruiz JM. Cálculo de las pérdidas angulares de los módulos fotovoltaicos en
condiciones de campo mediante un modelo analítico. Sol Energy Mater Sol Cells 2001;70:
25–38.https://doi.org/10.1016/S0927-0248(00)00408-6.
[50] Marion B. Método numérico para factores de corrección de ángulo de incidencia para
módulos fotovoltaicos incidentes de radiación difusa. Energía solar 2017;147:344–8.
https://doi. org/10.1016/j.solener.2017.03.027.
[51]Ross AG. Ingeniería de paneles y módulos fotovoltaicos Flat-Plate. En: Proc. año 1982
Encontrarse. Soy. Secta. En t. Sol. soc. energía; 1982. pág. 4321–4. Houston, Texas.
[52] King DL, Boyson WE, Kratochvil JA. Modelo de rendimiento de matriz fotovoltaica. Número de
representante de Sandia 2004-3535 2004;8:1–19. doi:10.2172/919131.
[53] Faiman D. Evaluación de la temperatura de funcionamiento exterior de los módulos fotovoltaicos.
Prog Photovoltaics Res Appl 2008;16:307–15.https://doi.org/10.1002/pip.813.
[54] Mattei M, Notton G, Cristofari C, Muselli M, Poggi P. Cálculo de la temperatura del módulo
fotovoltaico policristalino utilizando un método simple de balance de energía. Renovar
Energía 2006;31:553–67.https://doi.org/10.1016/j.renene.2005.03.010.
[55] Skoplaki E, Boudouvis AG, Palyvos JA. Una correlación simple para la temperatura de
funcionamiento de los módulos fotovoltaicos de montaje arbitrario. Sol Energy Mater Sol
Cells 2008;92:1393–402.https://doi.org/10.1016/j.solmat.2008.05.016.
[56] Evans DL, Florschuetz LW. Estudios de costes en sistemas de energía fotovoltaica terrestre
con concentración de luz solar. Sol Energy 1977; 19: 255–62.https://doi.org/
10.1016/0038-092X(77)90068-8.
[57] Huld T, Friesen G, Skoczek A, Kenny RP, Sample T, Field M, et al. Un modelo de potencia
nominal para módulos fotovoltaicos de silicio cristalino. Sol Energy Mater Sol Cells
2011;95: 3359–69.https://doi.org/10.1016/j.solmat.2011.07.026.
[58] De Soto W, Klein SA, Beckman WA. Mejora y validación de un modelo de
rendimiento de paneles fotovoltaicos. Sol Energy 2006;80:78–88.https://doi.org/
10.1016/j.solener.2005.06.010.
[59] Driesse A, Jain P, Harrison S. Más allá de las curvas: modelado de la eficiencia eléctrica de los
inversores fotovoltaicos. En: 2008 33a especificación fotovolática IEEE. Conf. IEEE; 2008.
pag. 1–6.https://doi.org/10.1109/PVSC.2008.4922827.
[60] Gneiting T. Realización y evaluación de pronósticos puntuales. J Am Stat Assoc 2011;106:
746–62.https://doi.org/10.1198/jasa.2011.r10138.
[61] Murphy AH. ¿Qué es un buen pronóstico? Un ensayo sobre la naturaleza de la bondad en el
pronóstico del tiempo. Pronóstico del tiempo 1993; 8: 281–93.https://doi.org/10.1175/
1520-0434(1993)008<0281:WIAGFA>2.0.CO;2.
[62] Kolassa S. Por qué el pronóstico puntual "mejor" depende del error o la medida de
precisión. Int J Pronóstico 2020;36:208–11.https://doi.org/10.1016/j.ijforecast.2019.02.017.
[63] Murphy AH, Epstein ES. Puntuaciones de habilidad y coeficientes de correlación en la
verificación de modelos. Mon Weather Rev 1989;117:572–82.https://doi.org/
10.1175/1520-0493(1989)117<0572:SSACCI>2.0.CO;2.
[64] Mayer MJ, Yang D. Calibración de pronósticos de predicción numérica del tiempo deterministas y su impacto en
la verificación. Pronóstico internacional J 2022.https://doi.org/10.1016/j. ijpronóstico.2022.03.008.
[65] Yang D. Estándar de referencia en el pronóstico solar determinista diario
operativo. J Renovar Sustain Energy 2019;11:053702.https://doi.org/10.1063/
1.5114985.
[66] Hersbach H. Descomposición de la puntuación de probabilidad clasificada continua para
sistemas de predicción por conjuntos. Pronóstico del tiempo 2000;15:559–70.https://
doi.org/10.1175/1520-0434(2000)015<0559:DOTCRP>2.0.CO;2.
[67] Bröcker J. Evaluación de conjuntos sin procesar con la puntuación de probabilidad
clasificada continua. QJR Meteorol Soc 2012;138:1611–7.https://doi.org/10.1002/qj.1891.
[68] Mayer MJ. Impacto del ángulo de inclinación, el factor de tamaño del inversor y el espacio entre filas
en la precisión del pronóstico de energía fotovoltaica. Aplicación Energía 2022;323:119598.https://
doi. org/10.1016/j.apenergy.2022.119598.
[69] Yang D, Wang W, Bright JM, Voyant C, Notton G, Zhang G, et al. Verificación de pronósticos
solares intradiarios operativos de ECMWF y NOAA. Energía Solar 2022; 236:743–55.
https://doi.org/10.1016/j.solener.2022.03.004.
Traducido del inglés al español - www.onlinedoctranslator.com

Pruebas preliminares de revistas

Impactos del nivel de dispersión de la carga del edificio en la precisión de su pronóstico de carga: ¿Datos

o algoritmos? Importancia de la confiabilidad y la interpretabilidad en el aprendizaje automático

Maomao Hu, Bruce Stephen, Jethro Browell, Stephen Haben, David CH

Wallom

IIP: S0378-7788(23)00126-3
DOI: https://doi.org/10.1016/j.enbuild.2023.112896
Referencia: ENB 112896

Aparecer en: Energía y Edificios

Fecha de recepción: 13 diciembre 2022

Fecha revisada: 5 febrero 2023
Fecha de aceptación: 12 febrero 2023

Cite este artículo como: M. Hu, B. Stephen, J. Browell, S. Haben, DCH Wallom, Impactos del nivel de dispersión de la carga del
edificio en la precisión del pronóstico de la carga: ¿datos o algoritmos? Importancia de la confiabilidad y la interpretabilidad
en el aprendizaje automático,Energía y Edificios(2023), doi:https://doi.org/10.1016/j.enbuild.2023.112896

Este es un archivo PDF de un artículo que experimentó mejoras después de la aceptación, como la adición de una portada y
metadatos, y el formato para mejorar la legibilidad, pero aún no es la versión definitiva registrada. Esta versión se someterá a
correcciones, composición tipográfica y revisión adicionales antes de que se publique en su forma final, pero proporcionamos esta
versión para dar visibilidad temprana al artículo. Tenga en cuenta que, durante el proceso de producción, se pueden descubrir
errores que podrían afectar el contenido, y todos los avisos legales que se aplican a la revista pertenecen.

© 2023 Publicado por Elsevier BV

Impactos del nivel de dispersión de la carga del edificio en la precisión de su pronóstico de carga:

¿datos o algoritmos? Importancia de la confiabilidad y la interpretabilidad en el aprendizaje

automático

maomao-hua, b, Bruce EstebanC, Jetro Browelld, Esteban Habenmiy David CH Wallomun,1

Oxford e-Research Centre, Departamento de Ciencias de la Ingeniería, Universidad de Oxford, Oxford OX1 3QG, Reino
a

Unido

bDepartamento de Ciencias e Ingeniería de la Energía, Universidad de Stanford, Stanford, CA 94305, Estados Unidos de

América

CInstituto de Energía y Medio Ambiente, Departamento de Ingeniería Electrónica y Eléctrica, Universidad de

Strathclyde, Glasgow G1 1RD, Reino Unido

dFacultad de Matemáticas y Estadística, Universidad de Glasgow, Reino Unido

miInstituto Matemático, Universidad de Oxford, Oxford OX2 6GG, Reino Unido

Abstracto

Las técnicas de pronóstico basadas en datos se han utilizado ampliamente para el pronóstico de carga de edificios debido a

su precisión y amplia disponibilidad de datos operativos. Los avances recientes se han visto respaldados por la mayor

capacidad de los algoritmos de aprendizaje automático (ML); sin embargo, la mayoría de los estudios solo probaron técnicas

de ML en un solo edificio o en una pequeña cantidad de edificios durante períodos cortos, sin pruebas confiables. Además,

pocos estudios se centraron en los efectos de las características de los perfiles de carga de los edificios en la precisión del

pronóstico, sin la interpretación de los resultados de predicción basados en ML. En este estudio, investigamos los impactos

del nivel de dispersión de la carga del edificio en su mejor precisión de pronóstico de carga, que se obtiene comparando los

rendimientos de pronóstico de 11 modelos de predicción durante 9 semanas para 56 edificios británicos no domésticos.

Descubrimos que los modelos convencionales de aprendizaje automático superficial aún superan a los modelos de

aprendizaje profundo cada vez más populares para el pronóstico de carga de series temporales, y el aprendizaje por

conjuntos puede ayudar a mejorar la precisión del pronóstico al integrar diversos modelos individuales. Demostramos que el

mejor desempeño de pronóstico de cada edificio está influenciado en gran medida por la carga

1 Autor correspondiente.

Dirección de correo electrónico:david.wallom@oerc.ox.ac.uk

1
nivel de dispersión. En la práctica, se recomiendan las métricas de dispersión propuestas para cuantificar los niveles de

dispersión de carga antes del desarrollo del modelo. Para un edificio con un nivel de dispersión bajo, el modelo de

persistencia simple tiene un desempeño satisfactorio y podría usarse directamente para el diseño, control y diagnóstico de

fallas de los sistemas de energía del edificio para eficiencia energética y flexibilidad energética.

Palabras clave:Pronóstico de carga de construcción; aprendizaje automático; aprendizaje profundo; memoria a largo plazo;

fiabilidad e interpretabilidad.

1. Introducción

Las operaciones y la construcción de edificios representan el 35 % del consumo total de energía final y el 38 % del

total de dióxido de carbono relacionado con la energía (CO2) emisiones en todo el mundo en 2019 [1]. El consumo de

electricidad en las operaciones de construcción es responsable de casi el 55% del consumo mundial de electricidad [2

] y el 59% del consumo de electricidad en el Reino Unido [3 ]. Para reducir el consumo de energía y el CO2

emisiones, se necesitan medidas de eficiencia energética para los edificios en todas las fases, desde el diseño,

pasando por la construcción y las operaciones hasta el mantenimiento. La previsión precisa de la carga del edificio es

esencial para respaldar las decisiones que afectan la eficiencia energética, incluido el diseño [4 ], control de manejo [5

,6 ] y detección y diagnóstico de fallas (FDD) [7 ]. También puede ayudar en la administración de energía al mejorar la

comprensión del equilibrio entre la demanda y la oferta para mejorar la confiabilidad de la energía [8 ,9 ].

Los enfoques existentes para el pronóstico de carga de edificios se pueden clasificar en tres categorías: basados en

la física (caja blanca), puramente basados en datos (caja negra) e híbridos (caja gris), es decir, enfoques parcialmente

basados en datos [6 ]. El desarrollo de modelos basados en la física requiere una amplia experiencia en el dominio

y una comprensión profunda de la dinámica térmica de los edificios y los sistemas de energía de los edificios. Se

necesita información detallada sobre el edificio a estudiar para las entradas del modelo, como los parámetros

termofísicos y geométricos de las envolventes de los edificios, que son difíciles de obtener incluso para edificios de

nueva construcción.5 ]. El modelado basado en la física se vuelve más laborioso, computacionalmente ineficiente y

consume más tiempo cuando la escala y la complejidad de los edificios aumentan.10 ]. Con la amplia disponibilidad

de datos operativos en los edificios actuales, los enfoques de modelado basados en datos, especialmente los

modelos de caja negra, han atraído un creciente interés de investigación en el campo de la previsión de carga para

edificios.7 ]. Dos ventajas principales de los modelos de caja negra son su simplicidad y facilidad de automatización.

En particular, el proceso de modelado de caja negra no requiere

2
cualquier información física del edificio. En cambio, utilizan herramientas estadísticas y técnicas de ML para producir

predicciones basadas en datos operativos históricos, que pueden automatizarse por completo e

implementarse fácilmente para uso de ingeniería [11 ].

Además de la mayor disponibilidad de datos en los edificios, el auge de las técnicas de inteligencia artificial y

aprendizaje automático (ML) es otra fuerza impulsora detrás del éxito de la previsión de carga de edificios basada en

datos [7 ,12 ,13 ]. En respuesta, se ha publicado una cantidad considerable de literatura sobre el pronóstico de carga

de edificios basado en ML durante la última década. En general, las técnicas de ML para la previsión de carga de

edificios se pueden clasificar entécnicas convencionales de aprendizaje automático[7 , 10 ,12 ] ytécnicas de

aprendizaje profundo[14 ,15 ]. Una arquitectura de aprendizaje profundo consta de una serie de módulos de

aprendizaje simples. En cada módulo, la entrada se transforma de manera lineal o no lineal para mejorar la

selectividad e invariancia de la representación [dieciséis ]. Por el contrario, las técnicas de ML convencionales adoptan

arquitecturas 'superficiales' y los datos de entrada solo se transforman una o dos veces [14 ].

1.1. Técnicas de ML convencionales

Redes neuronales artificiales (ANN), Regresión de vectores de soporte (SVR), y los árboles de decisión (DT) son

enfoques de ML convencionales comunes y potentes que se han utilizado ampliamente en el área de

pronóstico de carga de edificios debido a su capacidad para manejar relaciones complejas y no lineales [17 ].

Se informó que las ANN y SVR representan el 47 % y el 25 % del total de estudios sobre el pronóstico de carga

de edificios basado en datos, respectivamente [11 ]. Seyedzadeh et al. [18 ] y Ahmad et al. [17 ] han revisado

exhaustivamente las aplicaciones de ANN y SVR para la previsión del uso de electricidad en edificios. Varios

estudios se han centrado en comparar el rendimiento de predicción del modelo SVR con diferentes modelos

ANN [19-23 ] y, en general, se encontró que el modelo SVR tiene una mayor precisión de predicción que los

modelos ANN.

Los DT utilizan una estructura similar a un árbol para clasificar los datos históricos en varias clases objetivo (es

decir, problemas de clasificación) o valores continuos (es decir, problemas de regresión). Una de las técnicas

basadas en árboles de decisión más populares para la previsión de carga de edificios es el bosque aleatorio

(RF) [24 ]. Su desempeño de predicción ha sido comparado con otros algoritmos, incluyendo ANNs [25 ,26 ] y

RVS [24 , 27 ,28 ]. En los últimos años, ha habido un interés creciente en la combinación de DT y técnicas de

aumento de gradiente, incluidos los árboles de aumento de gradiente extremo (XGB, propuesto por primera

vez en 2016) [29 ], máquina potenciadora de gradiente de luz (LightGBM, propuesta por primera vez en 2017) [

30 ] y refuerzo categórico (CatBoost, propuesto por primera vez en 2017) [31 ]. En ASHRAE Gran Energía

3
Competición Predictor III [32 ], los árboles de decisión potenciados por gradiente superaron a otros algoritmos de

predicción y dominaron la competencia de predicción de energía.

1.2. Técnicas de aprendizaje profundo

Tal como lo definen LeCun et al. en 2015 [dieciséis ], “el aprendizaje profundo es una técnica que permite

que los modelos computacionales que se componen de múltiples capas de procesamiento aprendan

representaciones de datos con múltiples niveles de abstracción”. A diferencia de las ANN convencionales

(redes neuronales 'superficiales'), que normalmente tienen 1 capa oculta junto con 1 capa de entrada y 1

capa de salida, los modelos de aprendizaje profundo podrían tener varias capas ocultas, donde cada

capa transforma la representación de un nivel ( comenzando con la entrada sin procesar inicial) a un

nivel más alto y más abstracto. En el área del aprendizaje profundo, las redes neuronales recurrentes

(RNN) y las redes neuronales convolucionales (CNN) son dos de las redes neuronales profundas más

utilizadas. Los RNN se han aplicado con éxito al procesamiento del lenguaje natural y al reconocimiento

de voz debido a su capacidad para manejar entradas secuenciales,

Entre las diferentes arquitecturas RNN, la red de memoria a corto plazo (LSTM) [33 ] ha sido reconocido como

el más exitoso ya que puede aprender correlaciones temporales a largo plazo en comparación con los RNN

convencionales. Varios estudios han aplicado LSTM para predecir el consumo de energía del edificio [34-36 ].

Gao et al. [37 ] incluso integró el modelo LSTM en marcos de aprendizaje de transferencia para aumentar el

rendimiento de predicción para edificios con poca información. Para integrar la capacidad de las CNN en

términos de extracción de características, algunos estudios han intentado combinar CNN con LSTM, formando

modelos híbridos CNN-LSTM.15 ,38 ,39 ]. Fan et al. desarrolló una metodología de aprendizaje de transferencia

basada en la estructura del modelo CNN-LSTM para mejorar la precisión del pronóstico de carga para edificios

con datos de observación limitados [40 ].

1.3. Interpretabilidad de las técnicas de aprendizaje automático

Aunque las técnicas de ML se han utilizado ampliamente para construir pronósticos de carga y otros campos, es un

gran desafío para los usuarios finales comprenderlas y confiar en ellas debido a su "caja negra". [41 , 42 ]. Por lo

tanto, los investigadores han mostrado un interés creciente en la interpretabilidad del aprendizaje automático en los

últimos años. Las técnicas de ML interpretables se pueden clasificar en enfoques ante-hoc y post-hoc según el

momento en que se adopten las medidas interpretables. [43 ]. Se aplican técnicas interpretables ante-hoc y post-hoc

durante y después del proceso de entrenamiento del modelo, respectivamente. Para

4
técnicas interpretables ante-hoc en el pronóstico de carga de edificios, Gao y Ruan [44] integraron el mecanismo de

atención en modelos de codificador y decodificador basados en LSTM para mejorar la interpretabilidad de los

modelos de aprendizaje profundo .Los resultados de las pruebas para un edificio de oficinas mostraron que las

características de temperatura máxima diaria, temperatura media, temperatura mínima y temperatura de punto de

rocío eran las características más importantes en términos de mejora de la interpretabilidad. Li y Xiao et al. [45] aplicó

el mecanismo de atención a los RNN para una predicción de la carga de enfriamiento del edificio con 24 horas de

anticipación .Los resultados mostraron que los RNN con mecanismos de atención pueden mejorar la precisión de la

predicción y la interpretabilidad en comparación con los RNN sin mecanismos de atención. Para técnicas

interpretables posthoc, Explicaciones locales interpretables agnósticas del modelo (LIME) [46 ]y explicaciones del

aditivo de Shapley (SHAP) [47 ]son las herramientas agnósticas del modelo más utilizadas para interpretar

predicciones individuales. Wastesteiner et al. [48] aplicó LIME para interpretar los resultados de clasificación de

datos de consumo de energía de edificios de series temporales y evaluó la confiabilidad de la interpretación .

Zdravkovic et al. [49] empleó LIME para generar las características importantes para los pronósticos locales para la

demanda de calefacción urbana. Jin et al. [50] desarrolló un marco de referencia de energía de construcción

interpretable basado en el método LIME para hacer que los resultados sean más comprensibles. Chang y Li. et al. [51]

utilizó el método SHAP para mejorar la interpretabilidad de los modelos de generación de energía fotovoltaica,

incluidos XGBoost, SVR y LSTM, midiendo la importancia de las características. Los resultados mostraron que la

irradiancia horizontal global fue la característica más influyente según los valores SHAP. Bellahsen y Dagdougui [52]

emplearon SHAP para clasificar la importancia de varias características para las predicciones de carga eléctrica a nivel

de edificio y de distrito. Los resultados indicaron que la carga histórica justo antes del tiempo de pronóstico actual

fue la característica más importante.

1.4 3. Investigaciónpreguntas, objetivos, y contribuciones

Aunque las técnicas convencionales de ML y las técnicas de aprendizaje profundo para la previsión de carga de edificios se

han estudiado ampliamente, quedan dos problemas importantes por abordar: 1) Evaluación de previsión no concluyente y

evaluación comparativa que implican técnicas de ML. La mayoría de los estudios existentes probaron el rendimiento de los

algoritmos de predicción en un solo edificio o en un pequeño número de edificios durante períodos cortos. En el área de

pronóstico de carga de edificios, se desea una técnica que tenga un desempeño confiable y robusto bajo diferentes

condiciones climáticas y comportamientos de los ocupantes para diferentes edificios. Además, algunos estudios afirmaron

que desarrollaron un modelo más preciso sobre puntos de referencia simples

5
pero carecía de justificación del aumento de la complejidad del modelo. 2) Falta de interpretación de los resultados

de predicción logrados por las técnicas de MLdesde la perspectiva de las características de carga del edificio .Los

estudios previos sobre técnicas de ML interpretables mejoraron la interpretabilidad al mejorar la estructura de los

modelos individuales durante el proceso de entrenamiento del modelo. [44 ,45 ]o medir la importancia de la

característica después del entrenamiento [48-52 ]. Pocos estudios han tratado de explicar el rendimiento de

predicción de las técnicas de ML en función de las características de los perfiles de carga de los edificios. En resumen,

El éxito de una técnica de pronóstico, especialmente el modelo ML de caja negra, debe interpretarse en términos de

conocimiento del dominio, como las características de los perfiles de carga del edificio.t TLas preguntas de

investigación esenciales de este estudio son:

- ¿Qué algoritmos? Específicamente, ¿qué algoritmos tienen más probabilidades de superar a otros en el campo de la

previsión de carga de edificios? ¿Los modelos de aprendizaje profundo superan a los modelos de aprendizaje

automático convencionales? ¿Qué modelo es el modelo factible para la evaluación comparativa?

- ¿Por qué ese edificio? Específicamente, ¿por qué el Edificio X tiene una mayor precisión de pronóstico que el

Edificio Y? ¿Cuál es el principal factor que contribuye a la alta precisión del pronóstico del Edificio X? ¿Datos (es

decir, dispersión del perfil de carga) o algoritmos? Además, ¿cómo podemos cuantificar el nivel de dispersión del

perfil de carga influyente?

Para cerrar las brechas de investigación y mejorar la confiabilidad y la interpretabilidad de las técnicas de ML,

realizamos un estudio comparativo sobre el pronóstico de carga de edificios, en el que se utilizan 56 edificios

británicos no domésticos con diferentes tipos de uso principal para probar el rendimiento de 11 modelos de

predicción diferentes con diferentes mecanismos durante un período de tiempo de 9 semanas. Después de la

comparación de rendimiento, investigamos las influencias del nivel de dispersión de la carga del edificio en su mejor

rendimiento de pronóstico mediante el análisis de correlación. En resumen, nuestro trabajo hace las siguientes

contribuciones:

1) Proponemos métricas novedosas para cuantificar el nivel de dispersión de la construcción de perfiles de carga intradía

basados en un nuevo método de visualización de carga. El nuevo método de visualización de carga nos permite

capturar rápidamente algunos conocimientos útiles e intuitivos, incluida la forma de carga intradiaria, la discrepancia de

carga intrasemanal y la dispersión de carga intradiaria.

2) Mediante un estudio comparativo a gran escala y de largo plazo, encontramos que los modelos de ML convencionales aún

superan a los modelos de aprendizaje profundo, a pesar de su creciente aplicación para el pronóstico de carga de

edificios en los últimos años. El aprendizaje por conjuntos puede ayudar a mejorar la precisión del pronóstico y

6
 proporcionar un mejor rendimiento de pronóstico que el uso de modelos base individuales por sí solos. También

demostramos que el modelo persistente ingenuo (el mismo día de la semana anterior) no es ingenuo en absoluto, pero

tiene una precisión de pronóstico cercana con algunos modelos de ML después de un largo período de prueba. Es

factible usarlo como modelo de evaluación comparativa en el problema de pronóstico de carga de edificios debido a su

simplicidad y eficiencia computacional.

3) Encontramos que el mejor rendimiento de pronóstico alcanzable está influenciado en gran medida por su nivel de

dispersión de carga por análisis de correlación. Es más probable que los edificios con niveles de dispersión más altos

tengan una precisión de pronóstico más baja.

El documento está organizado de la siguiente manera: la Sección 2 presenta la metodología completa, comenzando

con una descripción general del enfoque propuesto (Sección 2.1), el desarrollo de métricas de dispersión de carga

basadas en un mejor método de visualización del perfil de carga (Sección 2.2), descripciones y opciones de diferentes

categorías de técnicas de predicción (Sección 2.3), y análisis de correlación a utilizar (Sección 2.4). En la Sección 3, los

conjuntos de datos de los edificios objetivo se introducen y visualizan primero en función del enfoque propuesto. A

continuación, se realizan la comparación del rendimiento de predicción y el análisis de correlación. En la Sección 4, se

presenta la discusión en profundidad con base en los resultados de la Sección 3. Finalmente, se brindan comentarios

finales en la Sección 5.

2. Metodología

2.1. Descripción general del enfoque propuesto

7
 Fig. 1. Visión general del enfoque propuesto.

Como se muestra en la Fig. 1, para investigar los efectos de la cargacaracterísticasnivel de dispersión En cuanto a la precisión

del pronóstico de carga, el enfoque propuesto consta de tres pasos. En el Paso 1, primero se propone un nuevo enfoque

para visualizar los perfiles de carga de edificios para obtener información intuitiva directamente de los gráficos. Con base en

el nuevo método de visualización propuesto, luego desarrollamos nuevas métricas para cuantificar la dispersión de la carga

intradiaria del edificio para el análisis de correlación. En el Paso 2, se desarrollan y aplican diferentes categorías de técnicas

de predicción a un pronóstico de carga a corto plazo con 24 horas de anticipación en intervalos de tiempo de 30 minutos,

incluidos modelos de persistencia ingenuos, modelos de ML convencionales, modelos de aprendizaje profundo, y un modelo

de conjunto. En el Paso 3, se evalúan y comparan los rendimientos de estos modelos enumerados anteriormente.

Finalmente, se lleva a cabo un análisis de correlación para investigar los efectos de la carga del edificiocaracterísticasnivel de

dispersión en la precisión de su pronóstico de carga.

8
2.2. Cuantificación de la dispersión de carga basada en un nuevo método de visualización

2.2.1. Visualización del perfil de carga

La visualización de datos es un paso crucial del proceso de análisis de datos [53 ]. Su objetivo es transformar los datos en un

contexto visual para proporcionar a los usuarios de datos una mejor comprensión de la información, como patrones y

relaciones claros, tendencias y valores atípicos. En el dominio del análisis de datos de energía, la visualización inicial de datos

antes de análisis de datos adicionales, como el pronóstico de energía, es deseable y necesaria para proporcionar

información oculta sobre los comportamientos de uso de energía y los estilos de vida de los clientes. En este estudio,

proponemos un enfoque para mejorar la visualización de los datos de consumo de electricidad de los edificios para obtener

información intuitiva directamente de las parcelas.

Los datos de consumo de electricidad de serie temporal de dos edificios de ejemplo (Edificio #1 y Edificio

# 2) se trazan contra la época del año en la Fig. 2-a y la Fig. 2-c, respectivamente. Se puede encontrar que ambos

edificios tienen un patrón dinámico de consumo de energía durante todo el año, y los patrones son diferentes entre

sí. Sin embargo, no se puede encontrar ninguna otra información útil, como tendencias y patrones frecuentes, a

partir de estas representaciones. Para explorar los patrones de carga intradiarios, los datos de consumo de

electricidad del Edificio n.° 1 y el Edificio n.° 2 se trazan frente a la hora del día en la Fig. 2-b y la Fig. 2-d,

respectivamente. Al graficar juntos los perfiles de carga intradía, podemos observar la tendencia de la carga durante

un día. Para que la tendencia intradiaria sea más clara, 5 niveles diferentes de percentiles (es decir, 5el, 25el, 50el, 75el,

y 95elpercentiles) se utilizan para ilustrar las distribuciones de las observaciones. los 5elpercentil es, por ejemplo, la

puntuación por debajo de la cual se puede encontrar el 5% de las observaciones. Para mostrar la discrepancia del

patrón de carga entre los días de semana y los fines de semana, los perfiles de carga promedio en los días de semana

y los fines de semana se trazan junto con los percentiles. En resumen, las siguientes ideas se pueden capturar

directamente de las parcelas propuestas (Fig. 2-b y Fig. 2-d):

1)Forma de carga intradía: al observar los percentiles, podemos identificar de forma rápida y clara las

tendencias intradiarias y los picos de carga durante un día. Por ejemplo, en comparación con el Edificio n.º

1, que tiene un pico al mediodía y otro al anochecer, el Edificio n.º 2 tiene un pico a la mañana y otro al

anochecer.

2)Discrepancia de carga intrasemanal: al comparar los perfiles de carga promedio entre semana y los fines de

semana, podemos saber si los ocupantes del edificio tienen comportamientos de uso de energía similares a lo

largo de la semana. Por ejemplo, el Edificio #1 tiene una discrepancia de patrón de carga más grande entre

9
 días de semana y fines de semana que el Edificio #2. Esto también puede permitir alguna inferencia sobre los tipos de

ocupantes y sus comportamientos relacionados con la energía.

3)Dispersión de carga intradiaria: Aparte de la forma de carga intradía, el conjunto de percentiles también puede

ayudar a indicar el nivel de dispersión de los perfiles de carga, es decir, ampliamente o densamente distribuidos.

El nivel de dispersión de la carga tiene dos dimensiones: la dispersión en un momento específico (por ejemplo,

cada hora y cada subhora) y la dispersión durante todo el día. Para la dispersión a una hora específica, los

perfiles de carga del Edificio #1 a las 18:00 están más dispersos que los perfiles a las 06:00. Para la dispersión

general, el Edificio n.° 2 tiene una dispersión relativa general más baja que el Edificio n.° 1, ya que los percentiles

del Edificio n.° 2 se superponen y son indistinguibles durante algunos períodos, y están menos generalizados

que el Edificio n.° 1.

Fig. 2. Dos ejemplos de trazado de perfiles de carga de edificios: (a y c) perfil de carga de edificios contra la época del año, y (b y d)
perfil de carga del edificio contra la hora del día con percentiles trazados.

2.2.2. Cuantificación de la dispersión de la carga basada en la visualización

Con base en el nuevo método de visualización propuesto para la construcción de datos de carga de energía, se puede

observar el nivel de dispersión de la carga intradiaria. Para respaldar el análisis de correlación, es necesario cuantificar el

nivel de dispersión. Por lo tanto, se proponen dos métricas en esta subsección para cuantificar el nivel de dispersión intradía

de la carga energética del edificio.

10
La Fig. 3 ilustra el esquema de cuantificación de las dispersiones de carga en un momento específico y durante

todo el día. La dispersión de la carga en un momento específico. se puede determinar usando el coeficiente de

variación,   , y el coeficiente de variación del cuartil,    , como se muestra en la Ec. (1) y Ec. (2),

respectivamente.   es una medida estandarizada de la dispersión de una distribución de probabilidad;    es

una medida de dispersión relativa que se basa en el rango intercuartílico, es decir, 3, ―  1, . para la carga

dispersión durante todo un día, se puede describir por         en la ecuación (3) y          en la ecuación (4),

respectivamente, en la que es el número de intervalos de tiempo dentro de un día.Tenga en cuenta queCVes útil para

comparar conjuntos de datos con diferentes unidades o escalas de medida, mientras queCQVes más útil cuando se

comparan conjuntos de datos con valores atípicos extremos.

  
 =    (1)

,  ―  1, 
 = 3
3, +  1, 
(2)

∑   
1
       =  =0   (3)

1
       = ∑
        (4)
=0

11
 Fig. 3. Esquema de cuantificación de las dispersiones de carga en un momento determinado ya lo largo de todo el día. Cada uno tiene dos métricas: coeficiente de
varianza (CV) y coeficiente de varianza del cuartil (CQV).

2.3. Técnicas de predicción

2.3.1. Modelos individuales

En este estudio se analizan diferentes categorías de técnicas de predicción para predecir perfiles de carga de

edificios, incluidos dos modelos de persistencia ingenuos, cinco modelos de aprendizaje automático convencionales

(ANN, SVR, RF, XGB y LightGBM) y tres modelos de aprendizaje profundo (modelo LSTM clásico, modelo LSTM modelo

codificador-decodificador y modelo híbrido CNN-LSTM). Además, se utilizan técnicas de aprendizaje de conjuntos

para integrar las actuaciones de los modelos básicos individuales. La descripción detallada de los modelos de

predicción es la siguiente:

- Modelos ingenuos. Se utilizan dos modelos ingenuos como modelos de evaluación comparativa: 1) para utilizar

el perfil de carga del día anterior como el perfil pronosticado (indicado como "día anterior"), y 2) para utilizar el

perfil de carga del mismo día de la semana anterior como el perfil pronosticado (anotado como 'mismo-día-

semana-anterior'). Vale la pena mencionar que aunque los dos modelos ingenuos son simples, puede ser un

desafío para otras técnicas de predicción superarlos debido a los patrones dependientes del tiempo diarios y

semanales.40 ].

12
- RNA[54 ]. La red feedforward más simple y popular consta de una capa de entrada, una capa oculta y una

capa de salida. El entrenamiento de ANN es un proceso para determinar los mejores pesos en las

entradas, y el algoritmo de retropropagación es el método más común para calcular el gradiente de error

para una red de alimentación hacia adelante.

- RVS[55 ]. A diferencia de las redes neuronales convencionales que se basan en la minimización empírica

del riesgo, SVM se basa en el principio de minimización del riesgo estructural, cuyo objetivo es minimizar

un límite superior del error de generalización.

- Técnicas basadas en árboles de decisión, incluidas RF, XGB y LightGBM. RF, propuesta por primera vez por

Breiman en 2001 [56 ], es una técnica de aprendizaje por conjuntos que consta de un conjunto de numerosos

árboles de regresión. En comparación con un solo árbol de regresión, RF puede abordar los problemas de

inestabilidad mediante la creación de una colección diversa de árboles, que se entrenan a través de la selección

de variables de entrada aleatoria y embolsado [24 ]. Ambos XGB [29 ] y Light GBM [30 ] son extensiones de

marcos de refuerzo de gradiente basados en árboles de decisión. La principal diferencia entre XGB y LightGBM

es que XGB usa la estrategia de crecimiento de árbol por capas horizontal, y LightGBM usa la estrategia de

crecimiento de árbol por hoja vertical.

- Modelo clásico LSTM. La arquitectura LSTM, una versión avanzada de RNN, fue propuesta por primera vez por

Hochreiter y Schmidhuber [33 ] y ha recibido una enorme atención debido a su competencia en el procesamiento

de secuencias largas que las RNN tradicionales. Como se muestra en la Fig. 4-b, un bloque LTSM completo consta

de una puerta de olvido (  ), una puerta de entrada (  ), una puerta de actualización (  ), un

puerta de salida (  ) y una unidad de memoria llamada celda. Las operaciones de todos los nodos en el paso de tiempo poder

encontrarse en [36 ,37 ].

- Modelo codificador-decodificador LSTM.El modelo codificador-decodificador también se conoce como

modelo secuencia a secuencia, que se ha utilizado con éxito para traducir una secuencia a otra en el

campo de la traducción automática. En este estudio, la técnica LSTM se integra en el marco del modelo

codificador-decodificador para formar el modelo codificador-decodificador LSTM. Como se muestra en la

Fig. 4-c, el modelo de codificador-decodificador LSTM consta de dos componentes: codificador LSTM y

decodificador LSTM.

- Modelo híbrido CNN-LSTM. CNN es una técnica eficaz para la extracción automática de características,

que se ha aplicado con éxito al reconocimiento de texto, voz e imagen. Para combinar las ventajas de CNN

y LSTM, en este estudio se utiliza un modelo híbrido CNN-LSTM para predecir los perfiles de carga de

energía. Como se muestra en la Fig. 4-d, la arquitectura de una CNN típica consta de un

13
 capa de convolución y una capa de agrupación. Se emplea una capa de agrupación para reducir la cantidad de

parámetros y los costos de computación de la red al calcular el valor máximo de un área determinada en un

mapa de características. Se agrega una capa de aplanamiento para transformar los datos al formato aceptado

por la capa LSTM.

Fig. 4. Arquitecturas de RNN convencional y técnicas basadas en LSTM: a) RNN convencional; b) modelo LSTM clásico; c) modelo codificador-
decodificador LSTM; d) modelo híbrido CNN-LSTM.

14
El ajuste de hiperparámetros juega un papel importante en la precisión del pronóstico tanto para los modelos de aprendizaje

profundo como para los modelos de aprendizaje automático convencionales. Sin embargo, el sobreajuste es más común en

los modelos de aprendizaje profundo en comparación con los modelos de aprendizaje automático convencionales. Esto se

debe a la gran cantidad de parámetros que se pueden ajustar, lo que aumenta el riesgo de incluir ruido en los datos de

entrenamiento. El sobreajuste es un problema común para todas las redes neuronales profundas.Para abordar este asunto

para modelos de aprendizaje profundo , en este estudio se adopta la técnica de abandono, que es una técnica de

regularización popular. Se refiere al proceso de eliminar aleatoriamente algunas unidades en función de una cierta

probabilidad (es decir, la tasa de abandono) de la red neuronal durante el entrenamiento.57 ]. Además de la tasa de

abandono, también es necesario optimizar otros hiperparámetros, que tienen una gran influencia en el rendimiento del

modelo de aprendizaje profundo. La técnica de búsqueda en cuadrícula se utiliza en este estudio para optimizar los

hiperparámetros críticos para los tres modelos de aprendizaje profundo basados en los conjuntos de datos de

entrenamiento. Los rangos de búsqueda de los hiperparámetros en cada modelo de predicción cuando se utiliza la técnica

de búsqueda en cuadrícula se presentarán en el Apéndice A.

2.3.2. modelo de conjunto

Además de los modelos basados en IA anteriores, en este estudio se adopta la técnica de aprendizaje por conjuntos, que

genera el resultado final de la predicción mediante la integración de múltiples modelos base. Los modelos de conjunto han

ganado una creciente popularidad debido a la capacidad de proporcionar una mayor precisión y una mejor generalización

que los modelos de pronóstico individuales.58 ]. Las principales razones detrás de esto incluyen 1) el modelo único más

preciso podría estar sesgado debido a datos de entrenamiento inadecuados; 2) cada modelo de pronóstico tiene sus

fortalezas y debilidades, el aprendizaje conjunto permite que los modelos base se complementen entre sí [27 ,58 ]. En este

estudio, se adopta un modelo de conjunto simple, es decir, se promedian los resultados de predicción de los diez modelos

base anteriores.

15
2.3.3. Entradas y salidas para diferentes categorías de modelos.

Fig. 5. Comparación de las entradas del modelo para diferentes categorías de modelos.

dieciséis
Como se muestra en la Fig. 5, las diferentes categorías de modelos utilizados en este estudio tienen diferentes

entradas de modelo. Para los dos modelos ingenuos, la entrada es simplemente el perfil de carga del día anterior o el

perfil de carga del mismo día de la semana anterior. Para los cinco modelos ML convencionales, las entradas incluyen

las características históricas de los últimos 7 días, incluidas las lecturas del medidor y las condiciones meteorológicas,

y las características de las próximas 24 horas, incluidas las predicciones de las condiciones meteorológicas y las

características temporales. La temperatura de bulbo seco del aire, el punto de rocío del aire y la velocidad del viento

se seleccionan en este estudio para describir las condiciones climáticas, ya que es probable que influyan en el

comportamiento del consumo de energía del edificio. Para los tres modelos de aprendizaje profundo, las entradas

incluyen las características históricas de los últimos 7 días, incluidas las lecturas de medidores, las condiciones

climáticas y las características temporales.

Las características temporales categóricas consisten en la hora (es decir, de 00:00 a 23:00), el tipo de día (es decir, de

lunes a domingo) y el mes (es decir, de enero a diciembre), que se utilizan como indicadores de estacionalidad y

ocupación interior. . Deben transformarse en formatos numéricos para que los modelos de aprendizaje profundo los

acepten. En este estudio se utiliza la codificación one-hot, un enfoque de uso común, para generar la matriz de

características para cada variable temporal categórica. Después de la codificación one-hot, las columnas de las

matrices de hora, tipo de día y mes son 24, 7 y 12, respectivamente.

Tenga en cuenta que los modelos de aprendizaje profundo de nuestro estudio tienen dos categorías de características con diferentes

tamaños de ventana. Por lo tanto, las características deben incluirse en las redes neuronales profundas mediante el uso de dos

cabezales de entrada separados (es decir, matrices de entrada) y cada cabezal tiene un grupo correspondiente de características

temporales. Por el contrario, solo hay un cabezal de entrada para los modelos ML convencionales, y solo las características

temporales en las próximas 24 horas se adoptan como entradas temporales para etiquetar la matriz de entrada, lo que ayuda a

evitar la información temporal repetida, reduce la dimensión de la entrada Matrix, y ahorra tiempo de entrenamiento. En el Apéndice

A se presentarán más detalles sobre los modelos de aprendizaje profundo de múltiples cabezas.

17
2.3.4. Métricas de evaluación de predicciones

Formación y validación Prueba

… Día de prueba 1

… Día de prueba 2

… Día de prueba 3

día histórico Día previsto … Día de prueba M

Fig. 6. Diagrama esquemático del proceso de prueba de avance continuo para modelos de predicción.

En nuestro estudio, los modelos de predicción se evalúan utilizando un enfoque de prueba de avance continuo. Como se

muestra en la Fig. 6, es un enfoque en el que se usa un modelo para hacer un pronóstico de carga de 24 horas por delante

en un día. Después de cada pronóstico, la observación real de ese día se pone a disposición del modelo para que pueda

usarse para predecir el perfil de carga del día siguiente. El proceso de prueba de avance continuo es la forma en que se

puede usar un modelo en la práctica y permite que el modelo haga un uso completo de los datos históricos disponibles.

Después de la prueba de avance continuo, tres métricas diferentes, como se define en las Ecs. (5-a) - (5-c), se

utilizan en este estudio para evaluar el rendimiento general de la predicción del modelo durante toda la sesión

de prueba, incluido el error absoluto medio general (          ), error cuadrático medio global (           ),

y el coeficiente de variación general del error cuadrático medio raíz (  –           ). En el contexto

de la aproximación de prueba de avance rodante, el número de puntos de observación, en la ecuación (5), es el

número total de puntos de observación durante toda la sesión de prueba (es decir,norte=Número de días de prueba

× Puntos de observación dentro de un día). Tenga en cuenta que   y    son métricas dependientes de la escala,

mientras que  –    es independiente de la escala, lo cual es factible para las comparaciones de rendimiento entre

diferentes edificios. Cuando el  –    es de alrededor del 30%, significa que el modelo desarrollado está calibrado y es

aceptable para fines de ingeniería [14 ,59 ].

∑ | 
=1 
―    |
       =   (5-a)

18
 ∑ ( 
  ―    )2
       = (5-b)
=1

∑ = 1 (   ―   )2 ∑ = 1   

–           =  
(5-c)
 

2.4. Análisis de correlación: mejor desempeño de pronóstico vs. nivel de dispersión de carga

El objetivo principal de nuestro estudio es investigar los efectos de la carganivel de dispersión característicasen

su mejor rendimiento de pronóstico de carga. La métrica adimensional de  –    se utiliza para cuantificar la

precisión del pronóstico en el análisis de correlación para la comparación entre edificios. Para lograr ese

objetivo, en este estudio se utiliza el coeficiente de correlación de Pearson comúnmente utilizado para medir la

correlación entre el mejor desempeño de pronóstico alcanzable (es decir,  –    ∗  ,

el valor mínimo de  –    logrado por todos los modelos) y el nivel de dispersión de carga intradía (es decir,  

en la ecuación (3)). El procesamiento del análisis de correlación viene dado por las Ecs. (6-a) y (6-b).

–    ∗ = min {  –     , 1, …,   –     ,  ,…,   –     ,  } (6-a)

∈ [1,  ]

(  –    ∗,          )
  –    ∗,           = (6-b)
  –     ∗          

dónde   –    ∗,           denota el coeficiente de correlación de Pearson entre el conjunto de datos de la mejor

desempeño de pronóstico alcanzable  –    ∗y el conjunto de datos del nivel de dispersión de carga intradía

       ;  –    ∗ denota el mejor desempeño de pronóstico alcanzable de Building ;

–     ,  denota el coeficiente de variación de la raíz del error cuadrático medio del modelo para

Edificio ;  denota el número total de modelos de predicción para cada edificio;   y se refieren a la covarianza y la

desviación estándar, respectivamente. Tenga en cuenta que las variables pueden considerarse altamente

correlacionadas cuando la magnitud de su coeficiente de correlación es mayor que 0,7 [60 ].

19
3. Edificios objetivo y resultados

3.1. Descripción del conjunto de datos y configuración experimental

Fig. 7. Apunte a edificios no domésticos con varios tipos de uso principal en todo el Reino Unido. El número de edificios en cada grupo.
y las estaciones meteorológicas se indican entre corchetes.

Los edificios objetivo utilizados en este estudio son 56 edificios no domésticos con varios tipos de uso principal en todo el

Reino Unido, como se muestra en la Fig. 7. El conjunto de datos que se analizará para cada edificio incluye:

- Lecturas de contadores de electricidad: las lecturas del medidor de electricidad tienen un intervalo de tiempo de 30 minutos y

abarcan desde el 5 de enero de 2009 hasta el 26 de septiembre de 2010 (630 días, 90 semanas y alrededor de 1,73 años).

- Crear metadatos: los metadatos del edificio proporcionan la información general del edificio,
incluida la ubicación geográfica (longitud y latitud) y el tipo de uso principal. Los 56 edificios se

clasifican en 7 tipos de uso principales, y son 3 edificios agrícolas, 5 hoteles, 5 edificios de

fabricación, 4 oficinas, 30 pubs, 4 restaurantes y 5 supermercados.

- Condiciones climáticas al aire libre: las condiciones climáticas exteriores son los factores clave que influyen en el

uso de electricidad en los edificios. En este estudio, los datos meteorológicos correspondientes se recopilaron de

la base de datos de superficie integrada (ISD), los Centros Nacionales de Información Ambiental [61 ]. Los datos

meteorológicos de 40 estaciones meteorológicas en todo el Reino Unido, como se muestra en la Fig. 7, se

recuperaron primero del ISD. Al calcular la distancia euclidiana, la meteorología más cercana

20
 Luego se seleccionó la estación para cada edificio. Las variables meteorológicas coincidentes utilizadas en este estudio

incluyen la velocidad del viento (EM), temperatura de bulbo seco del aire (℃) y el punto de rocío del aire (℃).

Todos los modelos de predicción se desarrollan en el lenguaje de programación Python. Específicamente, SVR

y RF se desarrollan utilizando la biblioteca Scikit-learn ML [62 ]. XGB y LightGBM se desarrollan utilizando

XGBoost [63 ] y Light GBM [30 ] bibliotecas de software, respectivamente. Los modelos de redes neuronales,

incluidos ANN y tres modelos de aprendizaje profundo, se desarrollan en base a Keras [64 ], que es una

biblioteca de código abierto para redes neuronales artificiales. En cuanto a las herramientas de cómputo, los

dos modelos naive y cinco modelos ML convencionales se desarrollan y ejecutan en una computadora de

escritorio (Dell Optiplex 7070) con Intel Core i7-9700 (3.00 GHz) y 16 GB de memoria bajo el sistema operativo

Windows 10 de 64 bits. . Los tres modelos de aprendizaje profundo se implementan en la plataforma Google

Colab Pro [sesenta y cinco ] para usar las GPU de alto rendimiento (NVIDIA Tesla P100 PCIe 16G) para

computación paralela acelerada por GPU.

3.2. Visualización del perfil de carga y cuantificación de la dispersión

21
Fig. 8. Visualización de perfiles de carga para 14 edificios seleccionados (90 semanas). Para cada tipo de edificio, un edificio de baja dispersión
y un edificio de alta dispersión se seleccionan con fines comparativos.

Antes de la previsión de carga a corto plazo utilizando diferentes modelos de predicción, primero se visualizan los

perfiles de carga de 56 edificios no domésticos en función del nuevo método de visualización propuesto. La Fig. 8

muestra los perfiles de carga para 14 edificios seleccionados y para cada tipo de edificio, se seleccionan dos edificios

con diferentes niveles de dispersión con fines comparativos. Como se discutió en la Sección 2.2., se pueden observar

tres dimensiones de conocimiento directamente de los gráficos, incluida la forma de la carga intradiaria, la

discrepancia de la carga intradiaria y la dispersión de la carga intradiaria. Primero, se puede encontrar que los

edificios con diferentes tipos de uso primario tienen diferencias evidentes en las formas de carga intradía. Por

ejemplo, los edificios agrícolas (Fig. 8-a y Fig. 8-b) tienen dos picos de demanda breves en la mañana y la tarde,

mientras que los edificios de oficinas (Fig. 8-g y Fig. 8-h) tienen picos de demanda de larga duración durante la

jornada laboral común. Para edificios con el mismo tipo de uso principal, sus formas de carga intradía pueden diferir

significativamente. Por ejemplo, el Restaurante #01 (Fig. 8-k) tiene un pico de demanda al mediodía y un pico de

demanda tarde en la noche, mientras que el Restaurante #00 (Fig. 8-l) solo tiene un pico de demanda

22
antes del mediodía. Esto puede deberse a los diferentes horarios de apertura de los distintos restaurantes. En

segundo lugar, podemos encontrar que diferentes edificios tienen diferentes niveles de discrepancia de carga

dentro de la semana al comparar los perfiles de carga promedio entre semana y los fines de semana. Por

ejemplo, el Pub n.° 15 (Fig. 8-j) tiene una mayor discrepancia en el patrón de carga entre los días de semana y

los fines de semana que el Pub n.° 11 (Fig. 8-i), lo que indica que el propietario del Pub n.° 15 tiene una mayor

diferencia en el consumo de energía Comportamientos a lo largo de la semana. Por último, se puede encontrar

que los edificios tienen diferentes niveles de dispersión de carga intradiaria (amplia o densamente distribuida)

al observar el conjunto de percentiles, incluso para el mismo tipo de edificios. Para cada tipo de edificio, en la

Fig. 8 se dan un edificio de baja dispersión y un edificio de alta dispersión a modo de comparación. Tomando

edificios de hoteles por ejemplo,

23
Fig. 9. Niveles de dispersión de los perfiles de carga intradía (90 semanas) para 56 edificios británicos no domésticos: a) nivel de dispersión ordenado por
ID de edificio. Para cada tipo de edificio, un edificio de baja dispersión y un edificio de alta dispersión están marcados en diferentes colores para
comparar. b) nivel de dispersión ordenado por CV global ascendente.

Además de desarrollar un método para visualizar mejor la dispersión de carga intradiaria, en este estudio se desarrollan dos

métricas para cuantificar el nivel de dispersión de carga como se define en las ecuaciones. (3) - (4). Después de aplicar las métricas a

56 edificios no domésticos en el Reino Unido, sus niveles de dispersión de carga intradía se pueden obtener como se muestra en la Fig.

9. Dos edificios del mismo tipo pero con diferentes niveles de dispersión también están marcados en la Fig. 9-a para propósitos de

comparación. Se puede encontrar que los niveles de dispersión difieren mucho entre todos los edificios ydentro

el mismo tipo de edificios. Como se muestra en la Fig. 9-b, las dos métricas para la dispersión de la carga intradiaria, es decir, el CV y

el CQV generales, tienen una tendencia similar, lo que indica que ambas métricas se pueden usar para describir efectivamente el

nivel de dispersión de la carga y capturar la diferencia de dispersión entre edificios en una manera cuantitativa.

24
3.3. Evaluación y comparación del rendimiento del modelo

Fig. 10. División de datos para cada edificio.

El conjunto de datos completo para cada edificio (90 semanas) se divide en datos de entrenamiento, validación y prueba con

proporciones de 72 % (65 semanas), 18 % (16 semanas) y 10 % (9 semanas), como se muestra en la Fig. 10. El proceso

detallado de desarrollo del modelo se presenta en el Apéndice A. Después de entrenar los hiperparámetros óptimos en los

modelos de aprendizaje automático convencionales y modelos de aprendizaje profundo basados en los conjuntos de datos

de entrenamiento (65 semanas) y validación (16 semanas), carga con 24 horas de anticipación Los perfiles durante la sesión

de prueba (9 semanas) se pronostican usando los 11 modelos desarrollados y se evalúan usando tres métricas, es decir,          ,    

, y  –           . El número total de puntos de observación, en

ecuación (6), es igual a 3024 (63 días de prueba × 48 puntos de observación en cada día).

La Fig. 11 - La Fig. 13 muestran los rendimientos de pronóstico de 11 modelos de predicción para 56 edificios basados

en diferentes métricas de rendimiento. Se utilizan tres tipos de características estadísticas, que incluyen la media, la

mediana y el recuento de ser el mejor (es decir, tiempos de tener el valor mínimo de una métrica específica), para

evaluar el rendimiento general del modelo en 56 edificios, como se muestra en la Tabla 1 Las distribuciones de

rendimiento de pronóstico también se muestran en la Fig. 14 utilizando un diagrama de violín, que es una

combinación de KDE (estimación de densidad del núcleo) y un diagrama de caja.

25
 Fig. 11. Desempeño del pronóstico (MAE) durante la sesión de prueba (56 edificios × 11 modelos × 63 días de prueba).

En esta sección se hacen dos tipos de comparaciones: 1)comparación de modelos cruzados, por lo

que intentamos responder qué modelo es el mejor en general; y 2)comparación de edificios

cruzados, mediante el cual intentamos investigar las diferencias de rendimiento entre diferentes
edificios. Vale la pena mencionar dos puntos: 1) las tres métricas, es decir,          ,           , y  –           ,

se puede utilizar para la comparación entre modelos, mientras que sólo  –           se puede usar para cruzar

comparación de edificios, ya que los otros dos son métricas que dependen de la escala y no son adecuadas para la

comparación entre edificios; y 2) en función de diferentes combinaciones de métricas de desempeño y características

estadísticas (métricas de desempeño × características estadísticas), las clasificaciones de los mejores modelos de pronóstico

pueden diferir ligeramente, como se muestra a continuación.

3.3.1. Comparación entre modelos

Para la comparación entre modelos, en esta subsección se comparan tanto el rendimiento de la misma

categoría de modelos como el rendimiento en diferentes categorías de modelos.

26
-Comparación entre la misma categoría de modelos

Para la categoría de modelos ingenuos, se encuentra que el modelo ingenuo 2 (mismo día de la semana

anterior) supera al modelo ingenuo 1 (día anterior), independientemente del tipo de métrica de rendimiento

que se utilice. Esto se debe a que el comportamiento de uso de energía de los ocupantes y los perfiles de carga

de energía tienen no solo la estacionalidad diaria sino también la estacionalidad semanal. Entre los cinco

modelos de ML convencionales (ML 1-5), XGB o LightGBM logran el mejor rendimiento de pronóstico, según la

métrica de rendimiento elegida. RF o ANN están en tercer lugar, y SVR es el modelo con la menor precisión en

todos los casos. Hasta cierto punto, el hallazgo es consistente con los resultados de la competencia ASHRAE

Great Energy Predictor III [32 ], en el que los árboles de decisión impulsados por gradientes, incluidos XGB y

LightGBM, dominan esta competencia de predicción de energía. En la categoría de modelo de aprendizaje

profundo (DL 1-3), el modelo LSTM clásico logra el mejor desempeño de pronóstico en la mayoría de los casos,

excepto cuando en el orden de la mediana de          y la cuenta de tener el

mínimo          . El modelo DL menos preciso es el modelo híbrido CNN-LSTM en la mayoría de los casos

excepto cuando la cuenta de tener el mínimo          se utiliza como métrica de rendimiento.

27
 Fig. 12. Desempeño del pronóstico (RMSE) durante la sesión de prueba (56 edificios × 11 modelos × 63 días de prueba).

-Comparación entre diferentes categorías de modelos

Como se indica en la Tabla 1, bajo 9 criterios de clasificación diferentes, el mejor rendimiento de pronóstico se

logra con el modelo de conjunto 6 veces y con ML 4 (XGB) 3 veces. Los 3 modelos más precisos (sin ningún

orden en particular) son el modelo de conjunto, ML 4 (XGB) y ML 5 (LightGBM) en la mayoría de los casos,

excepto cuando están en el orden del valor medio de          . El modelo 1 ingenuo (día anterior) es el menos

precisa en la mayoría de los casos, excepto cuando el valor medio de          es elegido como el ranking

criterio, en el que el modelo menos preciso es DL 3 (Hybrid CNN-LSTM).

En resumen, mediante la comparación de modelos cruzados de los resultados de la prueba (56 edificios × 11 modelos

× 63 días de prueba), se pueden observar los siguientes hallazgos: 1) Modelo ingenuo 2 (el mismo día de la semana

anterior), ML 4 ( XGB) y DL 1 (modelo Classic LSTM) son los mejores de su tipo, respectivamente; 2) entre todas las

categorías de modelos, el mejor desempeño de pronóstico se logra mediante el modelo de conjunto o ML 4 (XGB),

dependiendo de la característica estadística y métrica de desempeño seleccionada; 3) modelo ingenuo

28
 2 (el mismo día de la semana anterior) no es ingenuo. En general, tiene una precisión de pronóstico cercana con los modelos ML, pero tiene un

mejor rendimiento que los modelos de aprendizaje profundo después de una prueba de 9 semanas.

alta definición LD alta definición LD

LD alta definición

alta definición LD

Fig. 13. Rendimiento de la previsión (CV-RMSE) durante la sesión de prueba (56 edificios × 11 modelos × 63 días de prueba) y perfiles de carga
de edificios seleccionados con un nivel de dispersión relativamente bajo o alto (LD o HD).

Tabla 1. Características estadísticas de diferentes métricas de desempeño de 11 modelos de predicción para 56 edificios. (***,**, y*denote los 3 mejores
modelos más precisos al usar la característica estadística correspondiente)

Actuación Características estadísticas (N = Ingenuo 1 Ingenuo 2 ML 1 ML 2 ML 3 ML 4 ML 5 DL 1 DL 2 DL 3 Conjunto

métrica 56) (Anterior- (Mismo- (ANA) (RVS) (RF) (XGB) (LightGB (Clásico (LSTM (Híbrido
día) día-anterior- METRO) LSTM) codificador- CNN-
semana) descifrador) LSTM)
       (kilovatios) Significado de           0.967 0.754 0.720 0.741 0.694 0.670*** 0.673** 0.865 0.894 0.938 0.686*

mediana de           0.727 0.664 0.603 0.615 0.572* 0.562*** 0.567** 0.736 0.731 0.742 0.595

Cuenta de tener el min. 0 3 3 1 4 20*** 9* 0 0 1 15**

       
       (kilovatios) Significado de            1.563 1.169 1.053 1.075 1.033 1.007* 1** 1.199 1.238 1.287 0.982***

mediana de            1.184 0.926 0.796 0.826 0.811 0.771** 0.772* 0.948 0.977 1.023 0.767***

Cuenta de tener el min. 0 3 5 0 3 7** 7** 1 1 0 29***

       

Significado de 42,5% 31,6% 28,1% 28,8% 27,5% 26,8%* 26,6%** 33,4% 34,0% 35,8% 26,5%***
–           
–           
mediana de 32,4% 26,3% 23,3% 23,8% 22,6% 22,5%* 22,3%** 26,0% 26,7% 27,0% 21,7%***
–           

29
 Cuenta de tener el min. 0 3 5 0 3 7** 7** 1 1 0 29***
–           

Fig. 14. Gráficos de violín de distribuciones de desempeño de pronóstico de 11 modelos de predicción para 56 edificios: a) MAE; b) RMSE; c) CV-RMSE. El
diagrama de violín es una combinación de KDE (estimación de densidad del kernel) y diagrama de caja. Para cada gráfico de violín, el ancho del violín
refleja la frecuencia relativa; el punto blanco interior y el recuadro negro indican la mediana y el rango intercuartílico, respectivamente. Las parcelas de
distribución aquí están ordenadas por media ascendente.

30
3.3.2. Comparación de edificios cruzados

Además de la comparación entre modelos, se realiza una comparación entre edificios para analizar las

diferencias de rendimiento entre diferentes edificios en función de la métrica de rendimiento de

previsión independiente de escala.  –           . Para investigar el vínculo entre la cargaperfil perfil

Rendimiento de pronóstico de dispersión y carga, los perfiles de carga de edificios seleccionados con un nivel

de dispersión relativamente bajo o alto también se visualizan en la Fig. 13 para facilitar la comparación.

Se puede observar en la Fig. 13 que los mejores desempeños de pronóstico (es decir, mínimo   –           

logrado por 11 modelos de predicción) de 56 edificios difieren significativamente y cada uno

edificio tiene su mejor desempeño de pronóstico. Por ejemplo, la mayor precisión de

pronóstico alcanzable de Farming #00, Hotel #3, Manufacturing #1, Office #00, Pub #15,
Restaurant #0 y Supermarket #4 es menor que los otros edificios con el mismo tipo de uso
principal. Más importante aún, se puede encontrar un vínculo significativo entre los
mejores desempeños de pronóstico de los edificios y sus niveles de dispersión de carga. Es
más probable que los edificios con niveles de dispersión más altos tengan un desempeño
de pronóstico más bajo. Por ejemplo, los edificios de alta dispersión en la Fig. 13, incluidos
el hotel n.° 3, la oficina n.° 00, el bar n.° 15 y el restaurante n.° 00, tienen un rendimiento
de pronóstico más bajo en comparación con los edificios de baja dispersión con el mismo
tipo de uso principal, es decir , Hotel #04, Oficina #03, Pub #11 y Restaurante #01.

3.4. Análisis de correlación

El análisis de correlación se lleva a cabo en esta subsección para investigar los efectos del nivel de

dispersión de la carga en el mejor desempeño de pronóstico alcanzable. Para tener una idea intuitiva del

vínculo entre estas dos variables, la precisión del pronóstico (  –       ) y el nivel de dispersión (         y

       ) se trazan primero contra los ID de edificio en orden ascendente  –       , como

se muestra en la Fig. 15. Los niveles de dispersión en todos los conjuntos de datos (90 semanas, Fig. 15-a) y en el conjunto de datos

de prueba (9 semanas, Fig. 15-b) se calculan y se representan en comparación con los ID de los edificios. Las correlaciones entre los

mejores rendimientos de pronóstico alcanzables y los diferentes tipos de niveles de dispersión se muestran en la Fig. 16 utilizando la

matriz de diagrama de dispersión.

31
 Fig. 15. Mejor desempeño de pronóstico frente al nivel de dispersión de carga basado en a) todos los conjuntos de datos o b) conjunto de datos de prueba.

Las dos métricas de nivel de dispersión (         y          ) en todos los conjuntos de datos (Fig. 15-a) y el conjunto de datos de prueba (Fig.

15-b) tienen tendencias idénticas y los coeficientes de correlación entre ellos en todos los conjuntos de datos y el conjunto de datos

de prueba son 0.92 y 0.9, respectivamente, como se muestra en la Fig. .16, lo que significa que las dos métricas están altamente

correlacionadas y ambas pueden desempeñar el mismo papel en la caracterización de los niveles de dispersión de los perfiles de

carga. Además, el nivel de dispersión en todos los conjuntos de datos y el nivel de dispersión en el conjunto de datos de prueba

difieren pero están relacionados, lo que puede indicarse mediante el coeficiente de correlación entre

       ,             y         ,             (es decir, 0.83) y el coeficiente de correlación entre
       ,             y          ,             (es decir, 0,78). Lo más importante es que se puede encontrar que

el mejor rendimiento de pronóstico (  –       ) tiene la misma tendencia con ambos niveles de dispersión

métricas (         y          ). Las métricas del nivel de dispersión en diferentes conjuntos de datos, incluidos

       ,             ,          ,             ,         ,             , y          ,             , son todos

32
correlacionado con el mejor desempeño de pronóstico,  –       , con los coeficientes de correlación

de 0,78, 0,76, 0,86 y 0,78, respectivamente. En comparación con el nivel de dispersión en todos los conjuntos de datos, el

nivel de dispersión en el conjunto de datos de prueba tiene una correlación ligeramente mayor con el mejor rendimiento de

pronóstico.

r=0.78

r=0.76 r=0.92

r=0.86 r=0.83 r=0.75

r=0.78 r=0.75 r=0.78 r=0.90

Fig. 16. Matriz de diagramas de dispersión para las correlaciones entre el mejor desempeño de pronóstico alcanzable y diferentes tipos de dispersión
niveles r denota el coeficiente de correlación de Pearson.

33
4. Discusión

La confiabilidad y la interpretabilidad juegan un papel clave en el desarrollo y la aplicación

práctica de la inteligencia artificial y las técnicas de ML en los sistemas de potencia y
energía. Para el pronóstico de carga de edificios, una técnica de pronóstico idealmente
tendrá un rendimiento confiable y sólido bajo diferentes condiciones climáticas y
comportamientos de los ocupantes en diferentes edificios. También se espera que el éxito
de una técnica de pronóstico, especialmente un modelo ML de caja negra, pueda
interpretarse en términos de conocimiento del dominio para ayudar con el apoyo a la
toma de decisiones operativas. Sin embargo, sin aplicar diferentes técnicas de pronóstico a
numerosos edificios a gran escala durante un largo período, es difícil evaluar la
confiabilidad de los modelos de predicción e interpretar los resultados de predicción solo
con el conocimiento del dominio. En esta sección,

4.1. Cuantificación de la dispersión de carga basada en una mejor visualización

Una mejor visualización de los datos de consumo de electricidad del edificio puede ayudar a proporcionar información intuitiva sobre

los comportamientos de uso de energía de los clientes. Mediante el uso del método de visualización recientemente desarrollado, se

pueden capturar rápidamente los siguientes conocimientos sobre los perfiles de carga, incluida la forma de la carga intradiaria (es

decir, las tendencias y los picos de carga durante un día), la discrepancia de carga intrasemanal (es decir, la discrepancia del patrón

de carga entre los días de semana y los fines de semana) y la dispersión de la carga intradiaria (el nivel de dispersión de los perfiles

de carga, es decir, ampliamente o densamente distribuidos). Dos métricas de nivel de dispersión (         y

       ) están desarrollados para cuantificar los niveles de dispersión de carga intradiaria, y los resultados de las pruebas muestran que

las dos métricas están altamente correlacionadas y ambas pueden desempeñar el mismo papel en la caracterización de los niveles

de dispersión de los perfiles de carga.

4.2. Efectos de los algoritmos en la precisión del pronóstico

Las técnicas de predicción utilizadas en este estudio incluyen dos modelos ingenuos, cinco modelos de aprendizaje

automático convencionales y tres modelos de aprendizaje profundo. Además, la técnica de aprendizaje por conjuntos

se utiliza para integrar las actuaciones de los modelos base individuales. Se utilizan 9 criterios de clasificación

diferentes para evaluar y clasificar los rendimientos de pronóstico de 11 modelos basados en una prueba de 9

semanas (56 edificios × 11 modelos × 63 días de prueba). Los criterios de clasificación son las combinaciones de

métricas de rendimiento (          ,           , o  –           ) y características estadísticas (media, mediana o el recuento

34
de ser el mejor). Los resultados de las pruebas muestran que, en general, el aprendizaje conjunto puede ayudar a

mejorar la precisión del pronóstico y proporcionar un mejor rendimiento del pronóstico que el uso de modelos base

individuales por sí solos. Aunque el rendimiento de algunos modelos individuales es deficiente, el modelo de

conjunto puede lograr un rendimiento satisfactorio. Esto se debe a que el aprendizaje conjunto puede aprovechar al

máximo los modelos base individuales y hacer predicciones sólidas.

Además, aunque las técnicas de aprendizaje profundo se han utilizado cada vez más para la previsión de carga de edificios

en los últimos años [15 ,34-39 ], encontramos que los modelos ML convencionales aún brindan rendimientos de pronóstico

más precisos que los modelos complejos de aprendizaje profundo. Asimismo, un estudio reciente de Elsayed et al. [66 ]

demostró que los enfoques de ML convencionales, como los modelos de árbol de aumento de gradiente, superaron los

enfoques de aprendizaje profundo en el contexto de pronóstico de series temporales.

Otro hallazgo imprevisto de este estudio es que el modelo persistente ingenuo 2 (es decir, que utiliza el perfil de carga del

mismo día de la semana anterior como el perfil pronosticado) no es ingenuo en absoluto, pero tiene una precisión de

pronóstico cercana con algunos modelos ML y supera a todos. modelos de aprendizaje profundo después de una prueba de

9 semanas. Hasta cierto punto, este hallazgo es consistente con el hallazgo en una competencia de pronóstico de demanda

de electricidad del día siguiente [67 ], en el que el modelo persistente de evaluación comparativa superó a la mayoría de los

equipos después de 30 rondas de predicción diaria. La razón por la que el modelo Naive 2 (mismo día, semana anterior)

supera algunos modelos complicados basados en IA en nuestro estudio es que los perfiles de carga de construcción son,

por naturaleza, datos de series temporales y contienen dependencias temporales ocultas (por ejemplo, estacionalidad diaria

y semanal) entre las observaciones. . La esencia del problema de predicción en este estudio es un problema de pronóstico de

serie de tiempo multivariante de múltiples pasos. Además, los comportamientos relacionados con la energía son variables, y

el aprendizaje estadístico basado en un período prolongado de datos históricos a veces es menos resistente a los cambios en

dichos comportamientos que el enfoque ingenuo.

4.3. Efectos del nivel de dispersión de carga en la precisión del pronóstico

Después de la comparación entre edificios, encontramos que cada edificio tiene su mejor desempeño de pronóstico

alcanzable; y lo que es más importante, se puede observar un fuerte vínculo entre los mejores rendimientos de

pronóstico de los edificios y sus niveles de dispersión de carga.Como se muestra en la Fig. 13, b BLos edificios con

niveles de dispersión más altos sonencontró más probabilidades de tener un desempeño de pronóstico más bajo.

Para evaluar cuantitativamente la relación entre las dos variables, se lleva a cabo un análisis de correlación para

investigar los efectos del nivel de dispersión de la carga en el mejor rendimiento de pronóstico de carga. Los

resultados muestran que las métricas del nivel de dispersión están altamente correlacionadas con las mejores

35
desempeño de pronóstico alcanzable. Esto significa que el nivel de dispersión de los perfiles de carga tiene una gran

influencia en el rendimiento de la previsión. En comparación con los algoritmos (es decir, modelos de predicción), la carga

características del perfil, es decir,nivel de dispersión, podría contribuir más a la precisión del pronóstico cuando se prueba

durante un largo período de tiempo.

5. Conclusiones

En este documento, examinamos los impactos del nivel de dispersión de carga del edificio en su mejor precisión de

pronóstico de carga. Esto se logró comparando el rendimiento de 11 modelos de predicción diferentes durante 9

semanas de funcionamiento para 56 edificios no domésticos con diferentes tipos de uso principal en el Reino Unido.

Las principales conclusiones y sugerencias para los investigadores e ingenieros en el área de pronóstico de carga de

edificios se dan a continuación:

1)Cuantificación de la dispersión de carga basada en una mejor visualización. Una mejor visualización brinda mejores

perspectivas. Antes de desarrollar modelos de predicción para un edificio específico, se recomienda trazar los perfiles

de carga del edificio utilizando nuestro método de visualización propuesto, que puede ayudar a capturar rápidamente

algunos conocimientos intuitivos y útiles, incluida la forma de la carga intradiaria, la discrepancia de la carga

intrasemana y la dispersión de la carga intradiaria. Basándonos en el nuevo método de visualización propuesto,

proponemos métricas novedosas para cuantificar el nivel de dispersión de los perfiles de carga intradiarios de edificios.

2)Técnicas de predicción.No existe un modelo individual tipo panacea para todas las cargas de construcción

problemas de previsión. Se necesitan comparaciones entre diferentes categorías de modelos basadas en

diferentes mecanismos para determinar el mejor modelo para un edificio específico. Específicamente, se dan los

siguientes hallazgos y sugerencias para el desarrollo del modelo de predicción:i)Una estructura de modelo

compleja no garantiza un mayor rendimiento de pronóstico, y los modelos con estructuras simples podrían

superar a otros complicados. Descubrimos que los modelos de aprendizaje automático convencionales aún

superan a los modelos complejos de aprendizaje profundo, a pesar de la creciente aplicación de técnicas de

aprendizaje profundo para la previsión de carga de edificios en los últimos años. También demostramos que el

modelo persistente ingenuo (es decir, que utiliza el perfil de carga del mismo día de la semana anterior como el

perfil pronosticado) no es ingenuo en absoluto, pero tiene una precisión de pronóstico cercana con algunos

modelos ML después de un largo período de prueba. Concluimos que es factible utilizar el modelo persistente

ingenuo como modelo de evaluación comparativa en el problema de pronóstico de carga de edificios debido a su

simplicidad y eficiencia computacional.ii)Los modelos de predicción individuales tienen sus puntos fuertes y

36
 debilidades, y sus resultados de predicción pueden ser pobres debido a datos de entrenamiento inadecuados.

Para resolver este problema, se recomienda el aprendizaje conjunto para aprovechar al máximo los modelos

base individuales y hacer predicciones sólidas. Además, es clave diversificar las categorías de los modelos base

para garantizar el desempeño del modelo de conjunto.

3)¿Datos o algoritmo?Descubrimos que cada edificio tiene su mejor desempeño de pronóstico alcanzable y, lo que es más

importante, está influenciado en gran medida por su nivel de dispersión de carga. Es más probable que los edificios con

niveles de dispersión más altos tengan una precisión de pronóstico más baja. Para un edificio específico, se recomienda

cuantificar los niveles de dispersión utilizando las métricas de dispersión propuestas de los perfiles de carga del edificio.

Cuando sus perfiles de carga tienen un nivel de dispersión bajo, es más probable que el modelo ingenuo (el mismo día

de la semana anterior) tenga un desempeño de pronóstico satisfactorio y podría usarse directamente con fines de

ingeniería, lo que ayuda a ahorrar una gran cantidad de tiempo para modelo de desarrollo.

Nuestro estudio es un punto de partida fundamental para comprender la relación entre la precisión del

pronóstico de carga del edificio y los factores influyentes provenientes de las características de la carga.

Complementariamente al nivel de dispersión de carga propuesto, exploraremos otras métricas para

caracterizar los perfiles de carga del edificio en el futuro. Además, dado que los datos de uso de energía del

edificio en nuestro estudio se recopilaron alrededor de 2010, debemos probar nuestra metodología

nuevamente cuando se recopilen los datos de consumo de energía actualizados, considerando que los

patrones de consumo de energía podrían verse afectados por los cambios de comportamiento de los

ocupantes. Además, se recopilarán los datos de consumo de energía de más consumidores, de modo que

podamos categorizar los perfiles de carga utilizando técnicas de agrupamiento como k-means. Último, En el

futuro, para los modelos de predicción individuales, probaremos el rendimiento del modelo extrayendo

características más interpretables de los perfiles de carga de los edificios. Para el aprendizaje conjunto,

mejoraremos el rendimiento del aprendizaje conjunto optimizando los pesos de los modelos base individuales.

Agradecimientos

Los autores desean agradecer a Opus Energy (www.opusenergy.com ) por proporcionar los datos utilizados en

este documento. El trabajo de investigación presentado en este documento fue apoyado financieramente por

el Consejo de Investigación de Ingeniería y Ciencias Físicas del Reino Unido (EPSRC) bajo la subvención (EP/

S030131/1).

37
Apéndice A. Desarrollo de modelos de predicción

Para los modelos de ML convencionales y los modelos de aprendizaje profundo, los hiperparámetros de cada modelo

deben optimizarse con la ayuda de técnicas de validación cruzada y búsqueda en cuadrícula. Los hiperparámetros a

optimizar y sus rangos de búsqueda en cada modelo de predicción se enumeran en la Tabla A. Además, para evitar el

sobreajuste de los datos de entrenamiento, se utiliza la técnica de entrenamiento de parada anticipada, en la que el

proceso de entrenamiento finaliza cuando la precisión resultante en la validación los datos dejan de aumentar

después de un cierto número de épocas.

Tabla A. Rangos de búsqueda de los hiperparámetros cuando se utiliza la técnica de búsqueda en cuadrícula para cada modelo de predicción.

modelo de predicción Hiperparámetros en cada modelo Rangos de búsqueda

RNA Número de capas ocultas 2

Unidades en cada capa 12, 24, 36, 48
Función de activación ReLU, Sigmoide, Tanh
Optimizador Adán
RVS Núcleo rbf (función de base radial)
Parámetro de regularizaciónC 0.1, 1, 10
Coeficiente kernel, γ 0.001, 0.01, 0.1
RF Número de árboles 50, 100
Profundidad máxima de cada árbol 4, 5, 6, 7
Oreja Verdadero Falso

XGB / LightGBM Profundidad máxima de cada árbol 4, 5, 6, 7

Modelo clásico LSTM /
Codificador-decodificador LSTM
modelo
Modelo híbrido CNN-LSTM
Tasa de aprendizaje 0,01, 0,025, 0,05, 0,075, 0,1, 0,2
Unidades en cada capa LSTM 12, 24, 36, 48
Función de activación en cada capa LSTM ReLU, Sigmoide, Tanh
Tasa de abandono en cada capa LSTM 0, 0,1, 0,2, 0,3
Unidades en cada capa densa 12, 24, 36, 48
Función de activación en cada capa densa ReLU, Sigmoide, Tanh
Número de filtro en cada capa de convolución 1D 12, 24, 36, 48
Función de activación en cada capa de convolución ReLU, Sigmoide, Tanh
Tamaño del kernel en cada capa de convolución 4, 6, 8
Tamaño de zancada en cada capa de convolución 1, 2
Unidades en cada capa LSTM 12, 24, 36, 48
Función de activación en cada capa LSTM ReLU, Sigmoide, Tanh
Tasa de abandono en cada capa LSTM 0, 0,1, 0,2, 0,3
Unidades en cada capa densa 12, 24, 36, 48
Función de activación en cada capa densa ReLU, Sigmoide, Tanh

38
Para las ANN, teniendo en cuenta el volumen del conjunto de datos para cada edificio, en este estudio se

adopta un modelo común de red neuronal de propagación inversa de cuatro capas, que consta de una capa de

entrada, dos capas ocultas y una capa de salida. El algoritmo de Adam se selecciona como el optimizador que

tiene como objetivo encontrar la tasa de aprendizaje óptima para cada parámetro [68 ]. Otros parámetros a

optimizar en ANN consisten en las unidades en cada capa (que van de 12 a 48 con un incremento de 12) y

funciones de activación (incluyendo   ℎ,        ,y    ).Para SVM, una función de base radial gaussiana (FBR) kernel se

usa en este estudio y otros parámetros importantes que se determinarán son el parámetro de regularización  (

que va de 0,1 a 10) y el núcleo eficiente  (oscilando entre 0,001 y 0,1). RF, XGB y LightGBM son todas técnicas

basadas en árboles de decisión. Los principales hiperparámetros sintonizados de los modelos de RF incluyen el

número total de árboles (que van de 50 a 100) y la profundidad máxima de cada árbol (que van de 4 a 7). XGB y

LightGBM tienen los mismos parámetros para ajustar, incluida la profundidad máxima de cada árbol (que va de

4 a 7) y la tasa de aprendizaje (que va de 0,01 a 0,2). La tasa de aprendizaje indica la rapidez con que un modelo

de árbol ajusta los errores en la iteración anterior.

En nuestro estudio, los tres modelos de aprendizaje profundo, incluido el modelo LSTM clásico, el modelo

codificador-decodificador LSTM y el modelo híbrido CNN-LSTM, se desarrollan en base a Keras [64 ], que es una

biblioteca de código abierto para redes neuronales artificiales. Tomando el edificio agrícola #00 como ejemplo,

las estructuras de red detalladas de los tres modelos de aprendizaje profundo de múltiples cabezas basados

en la plataforma Keras se muestran en las Fig. A.1 - A.3. Como se muestra en la Tabla A, el modelo LSTM clásico

y el modelo codificador-decodificador LSTM incluyen dos tipos de capas de redes neuronales: capa LSTM y capa

totalmente conectada (es decir, capa densa). Para las capas LSTM, los hiperparámetros optimizados consisten

en las unidades en cada capa (que van de 12 a 48 con un incremento de 12), funciones de activación

(incluyendo   ℎ,        ,y    ),y tasa de deserción (rango de 0 a 0,3). Para las capas densas, las unidades en cada

capa y las funciones de activación son los parámetros principales. En el modelo híbrido CNN-LSTM, junto con

las capas LSTM y Dense, se incluyen capas de convolución para la extracción de características. Los parámetros

en las capas de convolución incluyen el número de filtro (que va de 12 a 48 con un incremento de 12), la

función de activación, el tamaño del núcleo (que va de 4 a 8) y el tamaño de zancada (que incluye 1 y 2).

39
 Figura A.1. Estructura de red del modelo LSTM clásico multicabezal basado en la plataforma Keras.

Figura A.2. Estructura de red del modelo de codificador-decodificador LSTM multicabezal basado en la plataforma Keras.

40
Figura A.3. Estructura de red del modelo híbrido multicabezal CNN-LSTM basado en la plataforma Keras.

41
Referencias

[1] Programa de las Naciones Unidas para el Medio Ambiente. Informe de estado global de 2020 para edificios
y construcción: hacia un sector de edificios y construcción de cero emisiones, eficiente y resiliente. Programa
de las Naciones Unidas para el Medio Ambiente Nairobi, Kenia; 2020.

[2] AIE. Perspectivas de tecnología energética 2020. 2020.https://www.iea.org/reports/

energytechnology-perspectives-2020
[3] Comité de Cambio Climático. El Sexto Presupuesto de Carbono: Edificios. 2020. https://
www.theccc.org.uk/wp-content/uploads/2020/12/Sector-summary-Buildings.pdf
[4] Asadi S, Amiri SS, Mottahedi M. Sobre el desarrollo del análisis de regresión multilineal para
evaluar el consumo de energía en las primeras etapas del diseño de edificios. Energía y Edificación.
2014;85:246-55.
[5] Hu M, Xiao F, Jørgensen JB, Li R. Control predictivo del modelo sensible al precio de los sistemas de calefacción por
suelo radiante para la respuesta a la demanda utilizando la masa térmica del edificio. Ingeniería Térmica Aplicada.
2019;153:316-29.

[6] Li X, Wen J. Revisión del modelado energético de edificios para control y operación. Revisiones de
energía renovable y sostenible. 2014;37:517-37.

[7] Zhang L, Wen J, Li Y, Chen J, Ye Y, Fu Y, et al. Una revisión del aprendizaje automático en la predicción de
carga de edificios. Energía Aplicada. 2021;285.

[8] Hu M, Xiao F, Jørgensen JB, Wang S. Control de frecuencia de acondicionadores de aire en respuesta a precios de
electricidad dinámicos en tiempo real en redes inteligentes. Energía Aplicada. 2019;242:92-106.

[9] Fontenot H, Dong B. Modelado y control de microrredes integradas en edificios para una gestión
energética óptima: una revisión. Energía Aplicada. 2019;254.

[10] Wei Y, Zhang X, Shi Y, Xia L, Pan S, Wu J, et al. Una revisión de los enfoques basados en datos para la
predicción y clasificación del consumo de energía de los edificios. Revisiones de energía renovable y sostenible.
2018;82:1027-47.

[11] Amasyali K, El-Gohary NM. Una revisión de los estudios de predicción del consumo de energía de edificios
basados en datos. Revisiones de energía renovable y sostenible. 2018;81:1192-205.

[12] Sun Y, Haghighat F, Fung BCM. Una revisión del estado del arte en enfoques basados en datos para la
predicción de energía en edificios. Energía y Edificación. 2020;221.

[13] Hu M, Ge D, Telford R, Stephen B, Wallom DCH. Clasificación y caracterización de las curvas de carga intradía de
los hogares fotovoltaicos y no fotovoltaicos mediante la extracción de características interpretables y la agrupación
basada en características. Ciudades Sostenibles y Sociedad. 2021;75:103380.

[14] Fan C, Xiao F, Zhao Y. Un método de predicción de carga de enfriamiento de edificios a corto plazo utilizando algoritmos
de aprendizaje profundo. Energía Aplicada. 2017;195:222-33.

[15] Song J, Zhang L, Xue G, Ma Y, Gao S, Jiang Q. Predicción de la carga de calefacción por hora en un sistema de
calefacción de distrito basado en un modelo híbrido CNN-LSTM. Energía y Edificación. 2021;243.

[16] LeCun Y, Bengio Y, Hinton G. Aprendizaje profundo. Naturaleza. 2015;521:436-44.

42
[17] Ahmad AS, Hassan MY, Abdullah MP, Rahman HA, Hussin F, Abdullah H, et al. Una revisión de
las aplicaciones de ANN y SVM para la previsión del consumo de energía eléctrica en edificios.
Revisiones de energía renovable y sostenible. 2014;33:102-9.
[18] Seyedzadeh S, Rahimian FP, Glesk I, Roper M. Aprendizaje automático para la estimación del consumo y el
rendimiento energético de los edificios: una revisión. Visualización en Ingeniería. 2018;6:5.

[19] Li Q, Meng Q, Cai J, Yoshino H, Mochida A. Aplicación de la máquina de vector de soporte para predecir la carga
de enfriamiento por hora en el edificio. Energía Aplicada. 2009;86:2249-56.

[20] Li Q, Meng Q, Cai J, Yoshino H, Mochida A. Predicción de la carga de enfriamiento por hora en el edificio:
una comparación de la máquina de vectores de soporte y diferentes redes neuronales artificiales. Conversión y
Gestión de Energía. 2009;50:90-6.

[21] Xuemei L, Lixing D, Yan L, Gang X, Jibin L. Algoritmo genético híbrido y regresión de vector de soporte en la
predicción de carga de enfriamiento. Descubrimiento de conocimientos y minería de datos, 2010 WKDD'10 Tercera
conferencia internacional sobre: IEEE; 2010. pág. 527-31.

[22] Edwards RE, Nueva J, Parker LE. Predicción del consumo eléctrico residencial futuro por hora: un estudio
de caso de aprendizaje automático. Energía y Edificación. 2012;49:591-603.

[23] Liu D, Chen Q. Predicción del consumo de energía de iluminación de edificios basada en la regresión del vector
de soporte. 2013 9ª Conferencia Asiática de Control (ASCC) 2013. pag. 1-5.

[24] Wang Z, Wang Y, Zeng R, Srinivasan RS, Ahrentzen S. Predicción de energía de edificios por hora basada en
Random Forest. Energía y Edificación. 2018;171:11-25.

[25] Tso GKF, Yau KKW. Predicción del consumo de energía eléctrica: una comparación de análisis de regresión,
árbol de decisiones y redes neuronales. Energía. 2007;32:1761-8.

[26] Ahmad MW, Mourshed M, Rezgui Y. Trees vs Neurons: Comparación entre el bosque aleatorio y ANN
para la predicción de alta resolución del consumo de energía del edificio. Energía y Edificación.
2017;147:77-89.

[27] Fan C, Xiao F, Wang S. Desarrollo de modelos de predicción para el consumo de energía del edificio al día
siguiente y la demanda máxima de energía utilizando técnicas de minería de datos. Energía Aplicada. 2014;127:1-10.

[28] Wang X, Sun Y, Luo D, Peng J. Estudio comparativo de enfoques de aprendizaje automático para predecir la
producción de energía fotovoltaica a corto plazo según la clasificación del tipo de clima. Energía. 2022;240.

[29] Chen T, Guestrin C. XGBoost: un sistema escalable de refuerzo de árboles. Actas de la 22ª
Conferencia Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos. San
Francisco, California, EE. UU.: Asociación de Maquinaria de Computación; 2016. pág. 785–94.

[30] Ke G, Meng Q, Finley T, Wang T, Chen W, Ma W, et al. Lightgbm: un árbol de decisión de aumento de gradiente
altamente eficiente. Avances en los sistemas de procesamiento de información neuronal. 2017;30:3146-54.

[31] Prokhorenkova L, Gusev G, Vorobev A, Dorogush AV, Gulin A. CatBoost: refuerzo imparcial con
características categóricas. preimpresión de arXiv arXiv:170609516. 2017.

[32] Miller C, Arjunan P, Kathirgamanathan A, Fu C, Roth J, Park JY, et al. La competencia ASHRAE
Great Energy Predictor III: Resumen y resultados. Ciencia y Tecnología para el Medio Ambiente
Construido. 2020;26:1427-47.

43
[33] Hochreiter S, Schmidhuber J. Memoria larga a corto plazo. Computación neuronal. 1997;9:1735-
80.
[34] Sehovac L, Grolinger K. Aprendizaje profundo para el pronóstico de carga: secuencia a secuencia de
redes neuronales recurrentes con atención. Acceso IEEE. 2020;8:36411-26.

[35] Kim CH, Kim M, Song YJ. Modelo de aprendizaje profundo de secuencia a secuencia para la predicción del
consumo de energía de edificios con modelado de simulación dinámica. Revista de Ingeniería de la Construcción.
2021;43.

[36] Kong W, Dong ZY, Jia Y, Hill DJ, Xu Y, Zhang Y. Pronóstico de carga residencial a corto plazo
basado en la red neuronal recurrente LSTM. Transacciones IEEE en Smart Grid. 2019;10:841-51.
[37] Gao Y, Ruan Y, Fang C, Yin S. Aprendizaje profundo y modelos de aprendizaje de transferencia de
pronóstico de consumo de energía para un edificio con datos de información deficientes. Energía y Edificación.
2020;223.

[38] Kim TY, Cho SB. Predicción del consumo de energía residencial utilizando redes neuronales
CNN-LSTM. Energía. 2019;182:72-81.
[39] Shao X, Kim CS, Sontakke P. Modelo preciso y profundo para la previsión del consumo de electricidad
mediante la fusión de características multicanal y multiescala CNN–LSTM. Energías. 2020;13.

[40] Fan C, Sun Y, Xiao F, Ma J, Lee D, Wang J, et al. Investigaciones estadísticas de la metodología basada en el
aprendizaje de transferencia para predicciones de energía de construcción a corto plazo. Energía Aplicada.
2020;262.

[41] Lipton ZC. Los mitos de la interpretabilidad del modelo: en el aprendizaje automático, el concepto de
interpretabilidad es importante y resbaladizo. Cola. 2018;16:31-57.

[42] Hamon R, Junklewitz H, Sanchez I. Robustez y explicabilidad de la inteligencia artificial. Oficina

de Publicaciones de la Unión Europea. 2020.
[43] Chen Z, Xiao F, Guo F, Yan J. Aprendizaje automático interpretable para la gestión energética de
edificios: una revisión de vanguardia. Avances en Energía Aplicada. 2023;9.

[44] Gao Y, Ruan Y. Modelo de aprendizaje profundo interpretable para la predicción del consumo de energía
de edificios basado en el mecanismo de atención. Energía y Edificación. 2021;252.

[45] Li A, Xiao F, Zhang C, Fan C. Red neuronal interpretable basada en la atención para la predicción de la carga de
enfriamiento de edificios. Energía Aplicada. 2021;299.

[46] Ribeiro MT, Singh S, Guestrin C. "¿Por qué debería confiar en ti?" Explicar las predicciones de cualquier
clasificador. Actas de la 22.ª conferencia internacional ACM SIGKDD sobre descubrimiento de conocimiento y
minería de datos 2016. pag. 1135-44.

[47] Lundberg SM, Lee SI. Un enfoque unificado para interpretar las predicciones del modelo. Avances en los sistemas
de procesamiento de información neuronal. 2017;30.

[48] Wastensteiner J, Weiss TM, Haag F, Hopf K. AI explicable para retroalimentación de consumo
de electricidad a medida: una evaluación experimental de visualizaciones. preimpresión de arXiv
arXiv:220811408. 2022.
[49] Zdravković M, Ćirić I, Ignjatović M. Previsión explicable de la demanda de calor para las nuevas estrategias
de control de los sistemas de calefacción urbana. Revisiones Anuales en Control. 2022;53:405-13.

44
[50] Jin X, Xiao F, Zhang C, Li A. GEIN: un marco de evaluación comparativa interpretable para todos los tipos de
edificios basado en el aprendizaje automático. Energía y Edificación. 2022; 260.

[51] Chang X, Li W, Ma J, Yang T, Zomaya AY. Aprendizaje automático interpretable en computación de borde
sostenible: un estudio de caso de predicción de producción de energía fotovoltaica a corto plazo. ICASSP 2020-
2020 Conferencia internacional IEEE sobre acústica, voz y procesamiento de señales (ICASSP): IEEE; 2020. pág.
8981-5.

[52] Bellahsen A, Dagdougui H. Pronóstico de carga agregada a corto plazo para edificios heterogéneos
utilizando aprendizaje automático con estimación máxima. Energía y Edificación. 2021;237.

[53] Hyndman RJ, Liu X, Pinson P. Visualización de Big Energy Data: soluciones para este componente
crucial del análisis de datos. Revista de potencia y energía del IEEE. 2018;16:18-25.

[54] McCulloch WS, Pitts W. Un cálculo lógico de las ideas inmanentes en la actividad nerviosa. El
boletín de biofísica matemática. 1943; 5:115-33.
[55] Cortés C, Vapnik V. Redes de vectores de soporte. Aprendizaje automático. 1995;20:273-97.

[56] Breiman L. Bosques aleatorios. Aprendizaje automático. 2001; 45:5-32.

[57] Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Abandono: una forma sencilla de
evitar el sobreajuste de las redes neuronales. La revista de investigación de aprendizaje automático.
2014;15:1929-58.

[58] Dietterich TG. Métodos de conjunto en aprendizaje automático. Berlín, Heidelberg: Springer Berlín
Heidelberg; 2000. pág. 1-15.

[59] Reddy TA, Maor I, Panjapornpon C. Calibración de programas detallados de simulación energética de
edificios con datos medidos—Parte II: Aplicación a tres edificios de oficinas de estudio de caso (RP-1051).
Investigación HVAC&R. 2007;13:243-65.

[60] Mukaka MM. Rincón de estadísticas: una guía para el uso apropiado del coeficiente de correlación en la
investigación médica. Malawi Med J. 2012;24:69-71.

[61] Centros Nacionales de Información Ambiental. Base de datos de superficie integrada. 2021.
Disponible:https://www.ncei.noaa.gov/products/land-based-station/integrated-surface-database

[62] Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn: aprendizaje
automático en Python. la revista de investigación de aprendizaje automático. 2011;12:2825-30.

[63] Chen T, Guestrin C. XGBoost: Un sistema de refuerzo de árboles escalable En Actas de la 22.ª Conferencia
Internacional ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos, (págs. 785–794). Nueva
York, NY, EE. UU.: ACM. 2016;10.

[64] Chollet F. Keras. 2015. Disponible:https://github.com/fchollet/keras

[65] Bisong E. Colaborador de Google. Creación de modelos de aprendizaje automático y aprendizaje profundo
en Google Cloud Platform: una guía completa para principiantes. Berkeley, CA: Apress; 2019. pág. 59-64.

[66] Elsayed S, Thyssens D, Rashed A, Jomaa HS, Schmidt-Thieme L. ¿Realmente necesitamos modelos de aprendizaje
profundo para la previsión de series temporales? preimpresión de arXiv arXiv:210102118. 2021.

[67] Farrokhabadi M. Pronóstico de la demanda de electricidad para el día siguiente: Paradigma posterior a la COVID. Puerto de
datos IEEE. 2020.

45
[68] Kingma DP, Ba J. Adam: Un método para la optimización estocástica. preimpresión de arXiv
arXiv:14126980. 2014.

46