ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ

MANUEL FÉLIX LÓPEZ

CARRERA DE INFORMÁTICA

TRABAJO DE TITULACIÓN PREVIA LA OBTENCIÓN DEL TÍTULO DE

INGENIERO EN INFORMÁTICA

MODALIDAD: SISTEMATIZACIÓN DE EXPERIENCIAS

TEMA:
MODELO DE PREDICCIÓN CLIMÁTICA

AUTORES:
MARJORIE STEFANY KUFFÓ ZAMBRANO
JUAN JOSÉ PINARGOTE ZAMBRANO

TUTOR:
ING. JAVIER HERNÁN LÓPEZ ZAMBRANO, MG. TI.

CALCETA, OCTUBRE 2021

 ii

DERECHOS DE AUTORÍA

Yo Marjorie Stefany Kuffó Zambrano, con cédula de ciudadanía 131391902-7; y

Juan José Pinargote Zambrano, con cédula de ciudadanía 131522880-7;
declaran bajo juramento que el trabajo de Titulación titulado: MODELO DE
PREDICCÓN CLIMÁTICA es de nuestra autoría, que no ha sido previamente
presentado para ningún grado o calificación profesional, y que hemos consultado
las referencias bibliográficas que se incluyen en este documento.

A través de la presente declaración, concedemos a favor de la Escuela Superior

Politécnica Agropecuaria de Manabí Manuel Félix López una licencia gratuita,
intransferible y no exclusiva para el uso no comercial de la obra, con fines
estrictamente académicos, conservando a nuestro favor todos los derechos
patrimoniales de autor sobre la obra, en conformidad con el Artículo 114 del
Código Orgánico de la Economía Social de los Conocimientos, Creatividad e
Innovación.

…………………………………………… ……………………………………………
MARJORIE S. KUFFÓ ZAMBRANO JUAN J. PINARGOTE ZAMBRANO
 iii

CERTIFICACIÓN DE TUTOR

Javier Hernán López Zambrano certifica haber tutelado el trabajo de titulación

MODELO DE PREDICCIÓN CLIMÁTICA, que ha sido desarrollado por Marjorie
Stefany Kuffó Zambrano y Juan José Pinargote Zambrano, previa la obtención
del título de Ingeniero en Informática, de acuerdo al REGLAMENTO DE LA
UNIDAD DE TITULACIÓN ESPECIAL DE PROGRAMAS DE GRADO de la
Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López.

Firmado digitalmente
por JAVIER HERNAN
LOPEZ ZAMBRANO
………………………………………………….....
ING. JAVIER H. LÓPEZ ZAMBRANO. MG. TI
 iv

APROBACIÓN DEL TRIBUNAL

Los suscritos integrantes del tribunal correspondiente, declaran que han

APROBADO el trabajo de titulación MODELO DE PREDICCIÓN CLIMÁTICA,
que ha sido propuesto, desarrollado y sustentado por Marjorie Stefany Kuffó
Zambrano y Juan José Pinargote Zambrano, previa la obtención del título de
Ingeniero en Informática, de acuerdo al REGLAMENTO DE LA UNIDAD DE
TITULACIÓN ESPECIAL DE PROGRAMAS DE GRADO de la Escuela Superior
Politécnica Agropecuaria de Manabí Manuel Félix López.

ANGEL ALBERTO
VELEZ MERO Firmado electrónicamente por:

Firmado digitalmente. ALFONSO

avelez@espam.edu.ec TOMAS LOOR

……………………………………..... …………………………………………
ING. ÁNGEL A. VÉLEZ MERO, MG ING. ALFONSO T. LOOR VERA, MG
MIEMBRO MIEMBRO

Firmado electrónicamente por:

LUIS CRISTOBAL
CEDENO VALAREZO

……………………………………….....
ING. LUIS C. CEDEÑO VALAREZO, MG
PRESIDENTE
 v

AGRADECIMIENTO

A la Escuela Superior Politécnica Agropecuaria de Manabí–Manuel Félix López

por su trabajo arduo en la formación de profesionales, lo cual, nos ofreció la
oportunidad de formarnos como profesionales con una educación de calidad,

Así mismo, expresamos nuestro agradecimiento a la Carrera de Informática por

sus enseñanzas durante todo el proceso formativo dentro de sus aulas y a sus
docentes que, con su labor y compromiso, nos guiaron con conocimientos,
consejos y pautas para alcanzar el éxito dentro de la carrera,

A nuestro tutor de tesis Ing. Javier Hernán López Zambrano, MG. TI. quien con
su experiencia, conocimiento y motivación nos orientó en el transcurso de la
investigación,

A nuestros padres por habernos apoyado incondicionalmente, pese a las

adversidades e inconvenientes que se presentaron.

LOS AUTORES
 vi

DEDICATORIA

A Dios por haberme dado la fortaleza y la fuerza necesaria para cumplir con cada
una de mis metas, objetivos, propósitos y en especial mi formación profesional.

A mis padres Estalin y Yesenia por apoyarme tanto en lo moral como en lo

financiero, por brindarme la confianza necesaria y permitirme cumplir cada uno
de mis sueños.

A mis familiares por su voz de aliento e inspirarme a convertirme en una

profesional de éxito, con ética y principios, capaz de superar cada una de los
obstáculos que se presenten a lo largo de mi profesión.

MARJORIE S. KUFFÓ ZAMBRANO

 vii

DEDICATORIA

Dedico este trabajo principalmente a Dios, por permitirme haber llegado hasta
este momento tan importante en mi vida, y por haberme escuchado en mis
oraciones para poder alcanzar la meta de ser un profesional en el área
informática.

A mi madre, Yenny Monserrate Zambrano por ser el pilar más importante y por
demostrarme siempre su amor y apoyo incondicional en los momentos más
difíciles de mi vida, enseñándome que nunca debo perder la fe para poder
alcanzar mis sueños.

A mi padre, Juan Bosco Pinargote Zambrano por su apoyo moral y económico

durante mi proceso de formación, brindándome sus consejos y experiencias para
no llevar un mal camino tanto como persona y profesional.

A mis amigos y demás familiares, que de una u otra forma me apoyaron en el

transcurso de poder alcanzar mi sueño de ser profesional.

JUAN J. PINARGOTE ZAMBRANO

 viii

CONTENIDO GENERAL

DERECHOS DE AUTORÍA ................................................................................ ii

CERTIFICACIÓN DE TUTOR ........................................................................... iii
APROBACIÓN DEL TRIBUNAL ........................................................................ iv
AGRADECIMIENTO .......................................................................................... v
DEDICATORIA ................................................................................................. vi
DEDICATORIA ................................................................................................ vii
RESUMEN ...................................................................................................... xiv
PALABRAS CLAVE ........................................................................................ xiv
ABSTRACT ...................................................................................................... xv
KEY WORDS ................................................................................................... xv
CAPÍTULO I. ANTECEDENTES ........................................................................1
1.1. DESCRIPCIÓN DE LA INSTITUCIÓN ....................................................1
1.2. DESCRIPCIÓN DE LA INTERVENCIÓN................................................3
1.3. OBJETIVOS ...........................................................................................5
1.3.1. OBJETIVO GENERAL .......................................................................5
1.3.2. OBJETIVOS ESPECÍFICOS ..............................................................5
CAPÍTULO II. DESARROLLO METODOLÓGICO DE LA INTERVENCIÓN .......6
2.1. REVISIÓN DEL ESTADO DEL ARTE ......................................................6
2.1.1. REVISIÓN SISTEMÁTICA..................................................................6
2.1.1.1. ELABORACIÓN DE LA PREGUNTA ............................................8
2.1.1.2. ESTABLECIMIENTO DE LOS CRITERIOS DE INCLUSIÓN Y
BÚSQUEDA SISTEMÁTICA ......................................................................8
2.1.1.3. SELECCIÓN DE LOS ESTUDIOS ................................................9
2.1.1.4. EXTRACCIÓN DE LOS DATOS ...................................................9
2.2. DETERMINACIÓN DE ALGORITMOS PARA LA CREACIÓN DEL
MODELO ......................................................................................................10
2.2.1. RESUMEN Y DIFUSIÓN DE LOS RESULTADOS ........................10
2.3. OBTENCIÓN DEL CONJUNTO DE DATOS ..........................................10
2.4. CONSTRUCCIÓN DEL MODELO ..........................................................12
CAPÍTULO III. DESCRIPCIÓN DE LA EXPERIENCIA .....................................14
3.1. REVISIÓN DEL ESTADO DEL ARTE ....................................................14
3.1.1. ELABORACIÓN DE LA PREGUNTA .............................................14
 ix
3.1.2. ESTABLECIMIENTO DE LOS CRITERIOS DE INCLUSIÓN Y
BÚSQUEDA SISTEMÁTICA ...................................................................14
3.1.3. REVISIÓN Y SELECCIÓN DE ESTUDIOS ....................................15
3.1.4. EXTRACCIÓN DE DATOS ............................................................16
3.2. DETERMINACIÓN DE ALGORITMOS PARA LA CREACIÓN DEL
MODELO ......................................................................................................17
3.2.1. RESUMEN Y DIFUSIÓN DE LOS RESULTADOS DE LA REVISIÓN
SISTEMÁTICA ...........................................................................................17
3.2.1.1. ¿CUÁLES SON LOS MODELOS COMPUTACIONALES MÁS
EMPLEADOS EN LAS PREDICCIONES CLIMÁTICAS? ........................17
3.2.1.2. ¿CUÁLES SON LOS ALGORITMOS QUE EMPLEAN ESTOS
MODELOS COMPUTACIONALES EN LAS PREDICCIONES
CLIMÁTICAS? .........................................................................................18
3.2.1.3. ¿CUÁL FUE EL MODELO Y ALGORITMO CON MEJOR
PORCENTAJE DE EFECTIVIDAD EN LAS PREDICCIONES CLIMÁTICAS
............................................................................................................... 20
3.2.1.4. ¿CUÁLES FUERON LAS HERRAMIENTAS EMPLEADAS PARA
LA CONSTRUCCIÓN DEL MODELO Y ALGORITMO? ..........................21
3.2.1.5. MÈTRICAS .................................................................................22
3.2.1.6. VARIABLES CLIMÁTICAS .........................................................22
3.3. OBTENCIÓN DEL CONJUNTO DE DATOS ..........................................23
3.4. CONSTRUCCIÓN DEL MODELO ..........................................................26
CAPÍTULO IV. CONCLUSIONES Y RECOMENDACIONES ............................39
4.1. CONCLUSIONES ..................................................................................39
4.2. RECOMENDACIONES ..........................................................................40
BIBLIOGRAFÍA ................................................................................................41
ANEXOS………………………………………………………………………………45
 x

CONTENIDO DE TABLAS
Tabla 2.1. Fases de las Revisiones Sistemáticas ..............................................7
Tabla 2.2. Interpretación del coeficiente de correlación....................................12
Tabla 3.1. Formulación de las Preguntas de Investigación ..............................14
Tabla 3.2. Criterios de inclusión y búsqueda sistemáticas ...............................15
Tabla 3.4. Variables existentes en los datasets ..............................................23
Tabla 3.5. Librerías utilizadas para el desarrollo del modelo ............................26
Tabla 3.6. Error Cuadrático Medio obtenido durante el entrenamiento con 150
epochs .............................................................................................................29
Tabla 3.7. Variables adicionales empleadas en el entrenamiento ....................30
Tabla 3.8. Precisión del modelo con los datos de la Estación Meteorológica de
la ESPAM - MFL ..............................................................................................35
Tabla 3.9. Precisión del modelo con los datos del sitio web Power Data Access
Viewer ..............................................................................................................36
Tabla 3.10. Pronóstico del clima con los datos de la estación meteorológica de
la ESPAM – MFL para los próximos 15 días ....................................................37
Tabla 3.11. Pronóstico del clima con los datos del sitio web Power Data Acces
Viewer para los próximos 15 días.....................................................................37
 xi

CONTENIDO DE GRÁFICOS
Gráfico 3.1. Modelos Computacionales empleados para las predicciones
relacionadas al clima ........................................................................................17
Gráfico 3.2. Porcentajes de Efectividad de la Red Neuronal Recurrente con el
algoritmo LSTM. ...............................................................................................18
Gráfico 3.3. Porcentajes de Efectividad de la Red Neuronal Feedforward con el
algoritmo de Backpropagation ..........................................................................18
Gráfico 3.4. Porcentajes de Efectividad de la Red Neuronal Multicapa con el
algoritmo de Backpropagation ..........................................................................19
Gráfico 3.5. Porcentajes de Efectividad del modelo ARIMA empleando los
algoritmos de SVM y Naive Bayes. ..................................................................19
Gráfico 3.6. Porcentajes de Efectividad de Efectividad del modelo ARIMA
empleando el algoritmo Autoregressive Integrated Moving Average ................20
Gráfico 3.7. Lenguajes de Programación empleados en la elaboración de
modelos computacionales ................................................................................21
Gráfico 3.8. Métrica empleada para la efectividad de los modelos
computacionales ..............................................................................................22
Gráfico 3.9. Variables más utilizadas en los artículos científicos .....................22
Gráfico 3.10. Valores Reales y Predichos de la Humedad Relativa .................30
Gráfico 3.11. Valores Reales y Predichos de la Temperatura Máxima ............31
Gráfico 3.12. Valores Reales y Predichos de la Temperatura Mínima .............31
Gráfico 3.13. Valores Reales y Predichos de la Precipitación .........................31
Gráfico 3.14. Valores Reales y Predichos de la Velocidad del Viento ..............32
Gráfico 3.15. Valores Reales y Predichos de la Humedad Relativa .................32
Gráfico 3.16. Valores Reales y Predichos de la Temperatura Máxima ............33
Gráfico 3.17. Valores Reales y Predichos de la Temperatura Mínima .............33
Gráfico 3.18. Valores Reales y Predichos de la Precipitación .........................33
Gráfico 3.19. Valores Reales y Predichos de la Velocidad del Viento ..............34
Gráfico 3.20. Valores Reales y Predichos de la Temperatura Ambiente ..........34
Gráfico 3.21. Valores Reales y Predichos de la Evaporación ..........................35
 xii

CONTENIDO DE FIGURAS
Figura 2.1. Flujo de ejecución para la construcción del modelo .......................13
Figura 3.1. Proceso de selección de los artículos ............................................16
Figura 3.2. Exploración de los Datos ...............................................................23
Figura 3.3 Matriz de correlación de Pearson - Set_ESPAM.............................24
Figura 3.4. Matriz de correlación de Pearson - Set_PowerData .......................25
Figura 3.5. Procesamientos de los datos .........................................................26
Figura 3.6. Código en Python de la configuración de los parámetros que serán
procesados ......................................................................................................27
Figura 3.7. Código fuente en Python de la estructura de la red neuronal
recurrente – LSTM ...........................................................................................28
Figura 3.8. Resumen del entrenamiento de la red neuronal recurrente – LSTM
........................................................................................................................ 29
Figura 3.9. Ecuación de exactitud....................................................................35
 xiii

CONTENIDO DE ANEXOS

Anexo 1. Datos extraídos de los artículos seleccionados ................................47

Anexo 2(A). Medidas mensuales de la estación meteorológica de la ESPAM –
MFL .................................................................................................................54
Anexo 2(B). Informe - Power Data Access Viewer...........................................57
Anexo 2(C). Medidas mensuales del visor de acceso de datos .......................61
Anexo 3(A). Data set de la estación meteorológica de la espam - mfl .............64
Anexo 3(B). Data set power data acces viewer ...............................................65
Anexo 4(A). Disperción de los datos con la correlación de pearson – set_espam
........................................................................................................................ 66
Anexo 4(B). Disperción de los datos con la correlación de pearson –
set_powerdata .................................................................................................67
Anexo 5(A). Entrenamiento y testeo con la red Neuronal Feedforward ...........68
Anexo 5(B). Entrenamiento y testeo con la red neuronal Perceptron Multicapa
........................................................................................................................ 69
Anexo 6(A). Predicciones de los próximos 15 días con los datos de la estación
meteorológica de espam-mfl ............................................................................70
Anexo 6(B). Predicciones de los próximos 15 días con los datos del sitio web
power data acces viewer. .................................................................................71
 xiv

RESUMEN

El presente trabajo de titulación tuvo como objetivo desarrollar un modelo de

predicción climática para el pronóstico meteorológico en el Cantón Bolívar, fue
necesario emplear técnicas como la revisión bibliográfica, recopilación de datos
y análisis. Se resumió la información y resultados de otras investigaciones, con
el propósito de estar al tanto con las aportaciones realizadas dentro de los
últimos cinco años acerca del objeto de estudio. Luego, empleando un análisis
comparativo dentro del estado del arte, se determinó que el modelo más factible
para su aplicación dentro del trabajo fue la Red Neuronal Recurrente en conjunto
a la estructura del algoritmo de memoria larga a corto plazo o LSTM.
Seguidamente, se recopiló información histórica del clima perteneciente a la
zona, para el entrenamiento y testeo del modelo se empleó registros de la
estación Meteorológica de la ESPAM - MFL y del sitio web meteorológico Power
Data Access Viewer (NASA), efectuándose también una exploración de datos y
la correlación de Pearson para observar cuán relacionadas están las variables
de los dataset, determinando que las mismas poseen comportamientos
independientes entre sí. Finalmente, se construyó el modelo utilizando el
lenguaje de programación Python en una versión 3.7.5, se definieron 150 epochs
para el entrenamiento, obteniéndose mejores resultados en las variables de la
humedad, temperatura máxima y la temperatura mínima, teniendo una exactitud
entre los valores reales y predichos del 89.27%, 92.00%, y 90.61% con los datos
de estación meteorológica y con el segundo dataset consiguieron un 93.75%,
94.54%, y 96.96%.

PALABRAS CLAVE

Modelo de predicción, pronóstico del clima, series de tiempo climáticas,

aprendizaje automático
 xv

ABSTRACT

The objective of this degree work was to develop a climate prediction model for
weather forecasting in Canton Bolivar, it was necessary to use techniques such
as the review of the state of the art, data collection and analysis. The information
and results of other research were summarized, with the purpose of being up to
date with the contributions made within the last five years about the object of
study. Then, using a comparative analysis within the state of the art, it was
determined that the most feasible model for its application within the work was
the Recurrent Neural Network in conjunction with the structure of the long short-
term memory or LSTM algorithm. Next, historical climate information pertaining
to the area was collected, and for training and testing the model, records from the
ESPAM - MFL meteorological station and the meteorological website Power Data
Access Viewer (NASA) were used, and a data exploration and Pearson
correlation was also performed to observe how related the variables of the
datasets are, determining that they have independent behaviors among them.
Finally, the model was built using the Python programming language in version
3.7.5, 150 epochs were defined for training, obtaining better results in the
variables of humidity, maximum temperature and minimum temperature, with an
accuracy between the real and predicted values of 89.27%, 92.00%, and 90.61%
with the data from the meteorological station and with the second dataset they
obtained 93.75%, 94.54%, and 96.96%.

KEY WORDS

Prediction model, weather forecast, climate time series, machine learning.

 CAPÍTULO I. ANTECEDENTES

1.1. DESCRIPCIÓN DE LA INSTITUCIÓN

La Escuela Superior Politécnica Agropecuaria de Manabí "Manuel Félix López",

ESPAM MFL, es una universidad pública ecuatoriana y sin fines de lucro ubicada
en la ciudad de Calceta, Cantón Bolívar, establecida a través de la Ley 99-25 en
el padrón 181 de 30 de abril de 1999 reformatoria a la Ley 116 expedida por el
Congreso Nacional, publicada de manera oficial el 29 de abril de 1996, Ley No.
95, publicada en el Registro Oficial No. 728, de 19 de septiembre de 2002 y
modificada mediante Ley 2006-49 anunciada en el Suplemento Registro Oficial
298 del 23 de junio del 2006 (ESPAM, 2019).

La universidad busca que sus profesionales que egresan de sus aulas con
conocimientos para proponer proyectos que adviertan y den propuestas que
aminoren los inconvenientes en sus espacios de formación; consecuentemente
la misión de la ESPAM MFL es la de “formar profesionales pertinentes con
compromiso ético y social desde la calidad de las funciones sustantivas”, y se
proyecta en “ser un centro de referencia en la formación de profesionales que
contribuyan al desarrollo agropecuario regional (PEDI, 2017).

Entre las funciones sustantivas de la ESPAM MFL se encuentra la docencia,

investigación y vinculación y cada una de ellas están ligadas a las carreras
pertenecientes a la institución. Después de lo anterior expuesto, mediante la
Coordinación General de investigación se encuentra realizando trabajos
mancomunados por el aporte de la universidad a la ciencia. La programación
principal de la ESPAM MFL, proyecta un subsistema de la investigación para que
contribuya al desarrollo de la zona 4, por dichas consideraciones , en la carrera
de Computación emerge la creación del grupo de investigación Sistemas
Computacionales (SISCOM), para mejorar los procesos investigativos en esta
área, y que aportará directamente a la línea de investigación institucional,
teniendo como propósito “contribuir al sector agro-productivo y de servicios con
soluciones computacionales, que aporten al desarrollo tecnológico y al entorno
social” (PEDI, 2017). Este grupo contempla principalmente los siguientes
 2

campos de la ciencia, tales como: el aprendizaje automático y asistido, minería

de datos, robótica (Inteligencia artificial), optimización de procesos, sistemas
distribuidos, entre otros; mismos que son aplicados para el desarrollo de
proyectos. En la actualidad, el grupo de SISCOM en conjunto con los alumnos
de la carrera de computación se encuentran realizando proyectos de
investigación con la finalidad de contribuir a la ciencia e investigación ante
problemáticas emergentes de la zona.
 3

1.2. DESCRIPCIÓN DE LA INTERVENCIÓN

La meteorología es la ciencia que se encarga en estudiar las propiedades de la

atmósfera que rodea la Tierra; tales como son las temperaturas, presión,
humedad, vientos, lluvias, y otros que constituyen el tiempo atmosférico
(Rodríguez, 2018). El poder proporcionar alertas del estado del tiempo y del
clima de manera estratégica para el mundo son parte de los objetivos de la
meteorología, ya que no solo estudia los fenómenos que se desarrollan en la
atmósfera sino también las consecuencias que estos asocian (López, 2017). En
un escenario de cambio climático, la adaptación hacia la resiliencia es
fundamental para reducir la vulnerabilidad y apuntar al desarrollo de los medios
de vida sostenibles, es decir, impulsar la capacidad de adaptación de loscambios
severos del clima (Selva, 2016).

Velásquez (2019), señala que, es evidente el cambio climático debido al aumento

de los gases de efecto invernadero, observándose un incremento en la
temperatura superficial de los océanos como de la atmósfera terrestre. Según
Luque et al (2016), sino se aplican nuevas medidas de adaptación ante grandes
cambios climáticos implicaría un impacto enorme, lo que dejaría como resultado
personas en riesgo tanto económicos, alimenticios u otros. Covarrubias (2017),
señala que, la predicción climática brinda alta prioridad para generar
conocimientos más precisos acerca de los impactos del cambio climático,
identificando a su vez las opciones de adaptación que se pueden poner al
alcance de la población rural de escasos recursos. También Rosales et al (2017),
destaca que, las predicciones climáticas proporcionan los elementos de apoyo
necesarios para tomar decisiones acerca del manejo y planificación de las
actividades sensibles al clima.

Las predicciones tradicionalmente se las realiza a partir de métodos estadísticos

de frecuencias, que consisten en estudiar eventos pasados para estimar las
probabilidades de ocurrencias futuras. Sin embargo, debido a que la variabilidad
climática provoca cambios en la media y la varianza en las series de tiempo, los
diseños no son confiables sino se aplican métodos que contemplen cambios
en las características de los datos a través del tiempo (Olguín, 2020).
 4

Actualmente, uno de los métodos más eficiente es el uso de la inteligencia

artificial, que es una realidad en el sector global, siendo aplicada en modo masivo
por empresas de punta e innovadoras, a través del desarrollo de aplicaciones
predictivas es una de las potencias destacables de esta técnica, ya que facilita
la automatización de procesos, la toma de decisiones y el continuo aprendizaje
basado en datos (Sandoval, 2018).

Existen investigaciones de modelos predictivos para el pronóstico del clima, por

ejemplo, para la predicción del Fenómeno El Niño en Piura, Perú, que consistió
en encontrar un patrón de comportamiento de las precipitaciones y luego para
predecir el fenómeno alcanzando una tasa de acierto del 98.4% (Carrión et al,
2018). También se destaca la predicción temprana de heladas meteorológicas,
que según Riabani et al (2016), las pérdidas en los cultivos son consecuencia de
las heladas varían entre 20 a 100% dependiendo de la intensidad y tipo de
cultivo, con este modelo se logró obtener una predicción con márgenes de
confianza superiores al 90%.

Con todos estos antecedentes mencionados, este trabajo de titulación se vinculó

al grupo de investigación “SISCOM” de la carrera de Computación en uno de sus
proyectos denominado, “Optimización de riego automatizado en cultivos
tropicales basado en sensorización del entorno y predicciones climáticas” que
tiene como objetivo “Plantear un sistema de riego automatizado basado en
sensorización del entorno y predicción climática, para contribuir a optimizar el
riego en cultivos tropicales en la provincia de Manabí. Por ello, los autores
tuvieron como finalidad desarrollar un modelo de predicción climática para el
pronóstico meteorológico en el cantón Bolívar, empleando técnicas de
inteligencia artificial para poder predecir diferentes variables asociadas al clima,
los resultados que se obtendrán de la creación del modelo aportará al grupo
SISCOM en la etapa predictiva del proyecto de automatización, para que
posteriormente sea implementado en la solución de la problemática planteada
por el grupo investigativo mencionado.
 5

1.3. OBJETIVOS

1.3.1. OBJETIVO GENERAL

Desarrollar un modelo para el pronóstico meteorológico en el Cantón Bolívar.

1.3.2. OBJETIVOS ESPECÍFICOS

● Revisar el estado del arte sobre modelos de predicción climática.

● Determinar los algoritmos adecuados para la creación del modelo de
predicción.
● Obtener los conjuntos de datos (dataset) para el entrenamiento del
modelo.
● Construir el modelo de predicción con el/los algoritmos seleccionados.
 CAPÍTULO II. DESARROLLO METODOLÓGICO DE LA
INTERVENCIÓN

Este trabajo de titulación se desarrolló a través de etapas, donde cada una es

correspondiente a la consecución de los objetivos específicos, las cuales fueron
definidas como: revisión del estado del arte, determinación de algoritmos para la
creación del modelo, obtención del conjunto de datos, y construcción del modelo.
Cabe agregar que, en la etapa de revisión del estado del arte, se empleó la
metodología de revisión sistemática. De la misma manera, para la determinación
de algoritmos se utilizó la última fase de la metodología indicada empleando
observaciones y comparativas de los estudios seleccionados. A continuación, se
describen las etapas.

2.1. REVISIÓN DEL ESTADO DEL ARTE

En esta etapa se recurrió a la revisión del estado del arte sobre investigaciones
documentales de los modelos computacionales empleados para la predicción
climática. Guevara (2016), alega que esta técnica permite a los investigadores
comprender nuevos sentidos que determinan enfoques y tendencias. En este
propósito, los autores pudieron estar en contexto sobre los avances más
importantes que se han logrado con respecto al conocimiento del tema,
obteniendo información oportuna a considerar con los fines del presente trabajo.
Dadas las condiciones que anteceden, se empleó la metodología de Revisión
Sistemática con la finalidad de llevar a cabo el proceso del estado del arte de
modo ordenado, permitiendo a los autores obtener investigaciones relevantes y
precisas acerca del objeto de estudio por medio de sus etapas descritas a
continuación:

2.1.1. REVISIÓN SISTEMÁTICA

Esta metodología permite efectuar resúmenes claros y estructurados de la

información disponible y está orientada a responder una o varias preguntas
referentes a un tema de estudio (Moreno, 2018). Según Fernández et al (2019)
se compone de cinco fases descritas en la siguiente tabla, mismas que permiten
llevar a cabo un proceso puntual para la recolección de información.
 7

Tabla 2.1. Fases de las Revisiones Sistemáticas

Fases Resumen

a.- Elaborar la pregunta de investigación en relación

Fase I. Elaboración de la
con el/los objetivo(s) de la Revisión Sistemática.
pregunta.

a.- Establecer los criterios de inclusión (i.e. años,

idiomas, tipo de evidencia).
Fase II. Establecimiento de
b.- Elegir las palabras clave adecuadas para la
los criterios de inclusión, y
búsqueda de información.
búsqueda sistemática.
c.- Describir todas las fuentes de información en la
búsqueda.

a.- Identificar y eliminar estudios que sean

duplicados.
Fase III. Revisión y
selección de estudios. b.- Revisar títulos y resúmenes, lo pueden realizar
dos revisores de manera autónoma utilizando los
criterios de inclusión y exclusión considerados.

a.- Se realiza la extracción de los datos de acuerdo

con las necesidades de cada R.S. (objetivo, diseño,

Fase IV. Extracción de muestra, contexto, resultados relevantes).

datos. b.- Lo pueden realizar un revisor y un segundo la

confirma o dos revisores en conjunto extraen los
datos y posteriormente los verifican.

a.- Los resultados cuantitativos de las investigaciones

Fase V. Análisis y reporte se estudian de manera numérica, mientras los
de los resultados. hallazgos de los estudios cualitativos se examinan
utilizando observaciones temáticas.

Fuente: Fernández et al (2019)

Cabe destacar que el proceso de una revisión sistemática no es una simple

recolección de investigaciones, además de sistematizar lo que se ha transmitido,
 8

se trata de aportar conocimiento al identificar o configurar tendencia o líneas de

investigación, crear categorías que recojan las investigaciones, aportar a la
construcción de teorías, llevar a cabo análisis críticos del estado de la
investigación y establecer derroteros para futuros estudios (Páramo, 2020).
Ahora bien, el proceso realizado de orden sistemático (tabla 2.1.) se lo efectuó de
la siguiente manera:

2.1.1.1. ELABORACIÓN DE LA PREGUNTA

Toda búsqueda de información parte con la aparición de una o varias incógnitas,

de las cuales se determinarán las preguntas clínicas, y dichas preguntas deben
ser claras y precisas (Moreno et al, 2018). Es decir, plantear qué incertidumbres
se encuentran inmersas dentro del tema a tratar y a medida que el proceso
metodológico se vaya efectuando estas deben ser respondidas, lo cual
representa una gran ventaja debido a que manifiesta de una vez lo que se desea
obtener y conocer, siendo el primer aspecto fundamental y necesario para saber
en qué dirección hay que diseñar la investigación y con qué aportes científicos
se puede contar.

2.1.1.2. ESTABLECIMIENTO DE LOS CRITERIOS DE INCLUSIÓN Y

BÚSQUEDA SISTEMÁTICA

Fernández et al, (2019) alega que en esta etapa se predeterminan los criterios
de inclusión alineados con la pregunta de investigación. Estos pueden incluir
fechas, idiomas, tipo de fuentes de información (artículos científicos publicados,
literatura gris). Según Moreno (2018), la exploración de documentos científicos
tiene que ser efectuada en bases de datos electrónicas y de manera manual en
revistas de alto nivel. De igual manera se emplearon como criterios de
búsquedas las palabras claves relacionadas al tema, las cuales permitieron
realizar la exploración exhaustiva en los buscadores electrónicos, y así obtener
resultados concretos e información de mejor calidad. La plataforma Springerlink
(2020) fundamenta que las palabras clave son una herramienta para ayudar a
los indexadores y motores de búsqueda a encontrar artículos relevantes, si los
motores de búsqueda de bases de datos pueden encontrar manuscrito de
 9

revista, los lectores podrán encontrarlo también, aumentando el número de

personas que lean un manuscrito y facilitando el proceso de indagación.

2.1.1.3. SELECCIÓN DE LOS ESTUDIOS

La elección inicial se realiza basándose en primera instancia en los criterios de

inclusión, posteriormente se realiza una lectura en la descripción de los
resúmenes y títulos de la información disponible para poder identificar los
artículos potencialmente elegibles. Una vez culminado el proceso anterior, se
examinan por completo los artículos escogidos y se ejecuta una selección final
por medio de los criterios de inclusión y así obtener la información pertinente que
respondan claramente la pregunta clínica planteada, en efecto, es ventajoso el
uso de diagramas de flujo para demostrar el proceso de selección de artículos,
donde se especifica desde el número inicial de artículos potencialmente elegibles
según la búsqueda realizada hasta los finalmente incluidos (Moreno, 2018).

Los problemas que surjan entre los revisores pueden ser resueltos por
consentimiento (entre revisores) por un tercer revisor experto en el tema
(Fernández et al, 2019). Posteriormente, una vez que se tenga el número final
de estudios que se incluirán para el análisis se seleccionaron aquellos
documentos que cumplieron con los criterios establecidos, teniendo como
resultado, documentos científicos útiles para los fines del trabajo de titulación.

2.1.1.4. EXTRACCIÓN DE LOS DATOS

Una vez finalizada la selección de las investigaciones, se debe obtener toda la

información referente a la pregunta: quiénes y cuántos participaron, cuál fue la
intervención, cuáles fueron los resultados medidos, entre otros. Este apartado se
puede realizar de dos formas: a) un revisor sustrae los datos y otro revisa y
verifica la información; o bien, b) dos revisores extraen los datos de manera
independiente para después comparar la información (Fernández et al, 2019).
Para registrar de manera ordenada estos datos extraídos, fueron tabulados en
un formulario de recolección de datos, de tal forma que estos datos están
resumidos de manera ordenada y oportuna para su entendimiento, esto con el
fin de presentar la información y aportes relacionados al tema de titulación para
 10

posteriormente evaluar en la última etapa de la metodología aquellas

perspectivas que servirán dentro del trabajo.

2.2. DETERMINACIÓN DE ALGORITMOS PARA LA CREACIÓN DEL

MODELO

2.2.1. RESUMEN Y DIFUSIÓN DE LOS RESULTADOS

Consiste en fusionar estadísticamente los resultados de diversos estudios

independientes, pero en cierta medida combinables entre sí, con el objetivo de
verificar si existe un efecto y qué tan grande o significativo puede ser este al ser
evaluado (Páramo, 2020). Según Fernández et al (2019) los hallazgos se
sintetizan empleando la estadística descriptiva (numérica) para los datos
cuantitativos como metodología para la síntesis del conocimiento y un análisis
temático para los datos cualitativos. No obstante, de ser necesario antes de
iniciar con la redacción del manuscrito es recomendable que se vuelva a realizar
la búsqueda en las bases de datos electrónicas para capturar estudios
publicados recientemente.

2.3. OBTENCIÓN DEL CONJUNTO DE DATOS

En coordinación con el Director de la Carrera de Computación el Mgtr. Joffre

Moreira Pico, se solicitaron los registros históricos de la Estación Meteorológica
de la Escuela Superior Politécnica Agropecuaria de Manabí Manuel Félix López,
ubicada en el sitio El Limón, en el cual, se obtuvieron los reportes mensuales a
partir del 1 septiembre del 2010 hasta el 30 junio del 2019 con las siguientes
medidas: humedad relativa, temperatura máxima, temperatura mínima,
temperatura ambiente, velocidad del viento, evaporación y precipitación, siendo
la fuente principal para el desarrollo del trabajo. Por consiguiente como fuente
secundaria, se descargaron los registros históricos del Visor de Acceso a Datos
de Energía (Power Data Access Viewer) de la Administración Nacional de la
Aeronáutica y del Espacio más conocida como NASA (National Aeronautics and
Space Administration) (Anexo 2B), este sitio es un proyecto de predicción de los
recursos energéticos mundiales, se inició para mejorar el conjunto de datos de
energía renovable actual y crear nuevos conjuntos de datos a partir de nuevos
sistemas satelitales, dirigiéndose a tres comunidades de usuarios: Energía
 11

Renovable, Edificios Sostenibles y Agroclimatología (Administración Nacional de

la Aeronáutica y del Espacio [NASA], 2020) obteniéndose los registros históricos
de la localidad de Calceta a partir del 1 de enero del 2010 hasta el 30 de junio
del 2020 con las siguientes medidas: precipitación, humedad relativa, velocidad
del viento, temperaturas máximas y temperaturas mínimas.

Luego, se analizaron las variables meteorológicas obtenidas de ambas fuentes,

en el cual, se organizó la información recolectada en el programa Microsoft Excel
para la preparación del conjunto de datos en formato CSV (valores separados
por comas) siendo un tipo de extensión de archivos que permite almacenar
información y manipularla en los diferentes lenguajes de programación de
inteligencia artificial, utilizándose específicamente Python debido que posee un
sinnúmero de librerías que agilizan el proceso exploratorio de los datos
ofreciendo una gran profundidad en el análisis y en la detección de posibles
anomalías y errores de los mismos. Para la selección de las variables a utilizar,
los autores emplearon aquellas más utilizadas en las investigaciones selectas
adicionando también aquellas que no frecuentaban en el proceso de revisión
sistemática (capítulo anterior), esto indica que se aprovechó toda la información
recolectada para su procesamiento en la elaboración del modelo.

Una de las principales características de estos datos recolectados, es que al ser

registros históricos tomados diariamente adoptan la característica de una serie
temporal, es decir, un conjunto de observaciones medidas de forma secuencial
a lo largo del tiempo (Chatfield, 2000, como se citó en López, 2017) y según
Dávila (2020) los procesos que son series de tiempo frecuentemente presentan
una tendencia, sea al crecimiento o decrecimiento, esto indica se puedenestudiar
dichas tendencias pasadas para a partir de ello pronosticar nuevos datos y su
comportamiento a futuro. En cuanto a las variables meteorológicas definidas, se
realizó una matriz de correlación de Pearson, siendo un indicador usado para
describir cuantitativamente la fuerza y dirección de la relación entre dos variables
numéricas de distribución normal, ayudando a establecer sus tendencias, a lo
que también se denomina covarianza (García, 2019).
 12

Tabla 2.2. Interpretación del coeficiente de correlación

0 Sin correlación

± 0.20 Correlación débil

± 0.50 Correlación moderada

± 0.80 Correlación buena

1 Correlación perfecta

Fuente: García (2019)

Según García (2019), el factor de correlación es simbolizado con la letra “r” en el

cual, pueden tomar valores de −1 y + 1. Un resultado de valor 0 significa que no
hay correlación, es decir, una variable no se relaciona con el proceder de la otra
variable, por ello, es recomendable que el coeficiente de correlación sea lo más
cercano a 1, mayor la fuerza de asociación (tabla 2.2). No obstante, se pudo
determinar la relación existente entre las variables recopiladas de ambos sets,
de tal modo que si el coeficiente es mayor o igual a r = 0.80 entre los datos, el
modelo se lo establece para un pronóstico multivariante caso contrario si el
coeficiente de correlación se encuentra por debajo del valor establecido la
predicción se la construye de carácter invariante debido que los
comportamientos de los datos serían independiente entre uno y otros en cuanto
a su distribución se refiere.

2.4. CONSTRUCCIÓN DEL MODELO

En esta fase se detalla el proceso para la construcción del modelo de predicción

en el cual se aplicó el modelo/algoritmo definido en la etapa de análisis y difusión
de resultados, no obstante, se empleó el aprendizaje supervisado siendo una
técnica para deducir fenómenos o acontecimientos a partir de datos de
entrenamiento, en la que se entrena un modelo con ejemplos predefinidos y
luego se usa ese modelo para predecir los resultados de los datos de entrada
que le pasemos, y mediante un test de validación nos permitirá afinar los
parámetros del algoritmo para obtener el resultado esperado (Sanz, 2016).
 13

Preparación de
los Datos

Resultados de Configuración
la predicción del Modelo

Validación Entrenamiento

Figura 2.1. Flujo de ejecución para la construcción del modelo

Fuente: Los autores

Para la construcción del modelo se llevaron a cabo los procesos correspondientes

al flujo (figura 2.1) describiéndose a continuación:
● Preparación de los datos: se configuró los datos periféricos que el
modelo va a procesar desde el dataset en el cual se parametriza la
cantidad de valores pasados de las series de tiempo de las variables
empleadas para la predicción.
● Configuración del modelo: implica instanciar la clase mediante la cual
se implementa el algoritmo en cuestión, considerando los parámetros que
le son propios a su tipo.
● Entrenamiento: el algoritmo experimenta con el dataset deentrenamiento
con la finalidad de aprender el comportamiento de la serie que se le va a
pasar, comúnmente todos los datos se los dividen en subconjuntos
normalmente con una proporción del 75 al 80 %.
● Validación: Por lo general se utiliza un 20 al 25 % para evaluación o
testeo con finalidad de ajustar la calidad de predicción del modelo
entrenado al comparar las predicciones en el conjunto de datos de
evaluación con valores verdaderos (conocidos como datos reales).
● Resultados de la predicción: empleando una variedad de métricas de
error se deduce si el modelo posee un buen rendimiento, con base a ello,
se presentarán los resultados obtenidos de las variables predichas.
 CAPÍTULO III. DESCRIPCIÓN DE LA EXPERIENCIA

En esta sección se exponen y describen los resultados obtenidos en el presente

trabajo de titulación, mismo que están relacionados con los objetivos planteados,
siguiendo la misma organización general del desarrollo metodológico de la
intervención abarcado en la sección anterior.

3.1. REVISIÓN DEL ESTADO DEL ARTE

A través de las fases de la metodología de revisión sistemática se pudo llevar a

cabo el proceso de revisión del estado del arte de los modelos de predicción
climática de manera detallada y ordenada, de tal forma, que permitió a los
autores recabar información precisa para los fines del trabajo de titulación, en las
fases de la metodología mencionada se obtuvo lo siguiente:

3.1.1. ELABORACIÓN DE LA PREGUNTA

Los autores formularon las siguientes preguntas de investigación, mismas que

se presentan a continuación:

Tabla 3.1. Formulación de las Preguntas de Investigación

¿Cuáles son los modelos computacionales más

Pregunta 1
empleados en las predicciones climáticas?
¿Cuáles son los algoritmos que emplean estos modelos
Pregunta 2
computacionales en las predicciones climáticas?
¿Cuál fue el modelo y algoritmo con mejor porcentaje
Pregunta 3
de efectividad en las predicciones climáticas?
¿Cuáles fueron las herramientas empleadas para la
Pregunta 4
construcción del modelo y algoritmo?
Fuente: Los autores

3.1.2. ESTABLECIMIENTO DE LOS CRITERIOS DE INCLUSIÓN Y BÚSQUEDA

SISTEMÁTICA

Para el desarrollo de esta fase se establecieron los siguientes criterios inclusión

y búsqueda sistemática:
 15

Tabla 3.2. Criterios de inclusión y búsqueda sistemáticas

Artículos
Criterios de
científicos – 2015 - 2020 español inglés
inclusión
Tesis
Series de
Palabras Modelo de Pronóstico Aprendizaje
tiempo
claves predicción del clima automático
climática
Fuente: Los autores

Los criterios definidos (tabla 3.2) facilitaron a los autores la búsqueda de las
investigaciones en distintas fuentes de información, se incluyeron los
documentos de tipo artículos científicos y tesis en los idiomas español o inglés
publicados dentro de los años 2015-2020, no obstante, se excluyeron los
documentos que sean de tipo monografías, informes, y blogs publicados,
además se descartaron las investigaciones que no cumplen con el año de
publicación definidos, por lo consiguiente, para la realización de dicha búsqueda
las palabras claves determinadas facilitaron el proceso de filtrado de los artículos
científicos e investigaciones relacionados al tema de estudio.

3.1.3. REVISIÓN Y SELECCIÓN DE ESTUDIOS

Para el proceso de revisión en las bases de datos electrónicas se generó varias

cadenas de búsqueda utilizando las siguientes palabras claves: “modelo de
predicción, pronóstico del clima, series de tiempo climática, aprendizaje
automático”, en Google Scholar se reflejaron 1.360 resultados y en Springerlink
91 resultados referentes al tema, obteniéndose 1451 resultados entre ambas
fuentes, luego, aplicando los criterios de inclusión definidos “artículos
científicos – tesis, 2015 – 2020, español o inglés” se logró extraer una
muestra de 102 artículos publicados en los periodos 2015 – 2020 de los
resultados totales obtenidos en el proceso anterior, de los cuales 78 artículos
correspondieron a Google Scholar y 24 investigaciones a Springerlink;
posteriormente, para la etapa de preselección se analizaron los títulos y
resúmenes de la muestra obtenida, lográndose aceptar 18 artículos
correspondiste a Google Scholar y se rechazaron 60 artículos de poca
relevancia, se repitió el mismo proceso con los documentos de Springerlink
lográndose obtener 12 artículos de interés y rechazándose 12 investigaciones
teniendo un total de 30 artículos entre ambas fuentes. Para la selección final, se
 16

procedió a dar lectura a las 30 investigaciones a texto completo, y de modo

independiente los autores efectuaron dicha revisión, en el cual, se consiguió
seleccionar 16 artículos que registraron aportaciones de interés para el presente
tema de estudio y se descartaron 14 artículos que si bien cumplieron con los
criterios definidos no tuvieron aportes notables a tomar en cuenta para los
propósitos del trabajo de titulación. Se realizó el siguiente flujo (Figura 3.1) para
la representación de la selección de los documentos dentro de la revisión:

Cadenas de Búsqueda aplicando las palabras claves:

Resultado de búsqueda:
 Google Académico: 1.360resultados
 Springerlink: 91 resultados
 Total: 1451 resultados

Aplicación de los Criterios de Inclusión

 Google Académico: 78 artículos
 Springerlink: 24 artículos
Extrajeron: 102 Artículos (2015 – 2020)

Revisión de Títulos y Resúmenes

Google Académico Springerlink

 Aceptados: 18 artículos  Aceptados: 12 artículos
 Rechazados: 60 artículos  Rechazados: 12 artículos

30 artículos elegibles

Revisión a texto completo

Seleccionados: 16 artículos
Descartados:14 artículos
Figura 3.1. Proceso de selección de los artículos
Fuente: Los autores

3.1.4. EXTRACCIÓN DE DATOS

Los datos extraídos de los artículos seleccionados fueron los siguientes: año,
autor, título, descripción, modelo, algoritmo, variables, efectividad, métricas y
herramienta. La revisión fue útil para proporcionar indicaciones metodológicas
que guíen la investigación, en el cual, la documentación detallada puso en
 17

contexto a los autores con lo que se ha aportado dentro del campo estudio,
contribuyendo de manera directa la aclaración del problema planteado,
aportando técnicas y sugerencias para poder llevar a cabo de manera eficiente
el desarrollo de la investigación de interés (Anexo 1).

3.2. DETERMINACIÓN DE ALGORITMOS PARA LA CREACIÓN DEL

MODELO

3.2.1. RESUMEN Y DIFUSIÓN DE LOS RESULTADOS DE LA REVISIÓN

SISTEMÁTICA

3.2.1.1. ¿CUÁLES SON LOS MODELOS COMPUTACIONALES MÁS EMPLEADOS

EN LAS PREDICCIONES CLIMÁTICAS?

Los resultados obtenidos en cada artículo fueron resumidos a través del

siguiente análisis estadístico, determinando lo siguiente:

Gráfico 3.1. Modelos Computacionales empleados para las predicciones relacionadas al clima
Fuente: Los autores

Entre los tipos de modelos computacionales encontrados para las predicciones

del clima se destacaron las redes neuronales artificiales, empleándose variantes
de estas mencionadas para los diferentes pronósticos meteorológicos existentes
(gráfico 3.1), en dicho campo, cinco artículos científicos analizados hacían
mención a la Red Neuronal Recurrente para su empleabilidad, siendo
correspondiente a un 31% de la muestra de los estudios seleccionados, en ese
 18

mismo sentido cuatro estudios hicieron referencia al uso de la Red Neuronal

Feedforward y de igual manera mencionaron a la Red Neuronal Perceptrón
Multicapa las cuales competen al 25% de las muestras estudiadas. No obstante,
tres de los estudios considerados, nombraron al modelo estadístico ARIMA,
mismo que emplea técnicas de aprendizaje automático (machine learning) para
los pronósticos climáticos, perteneciendo al 19% de las investigaciones restante.

3.2.1.2. ¿CUÁLES SON LOS ALGORITMOS QUE EMPLEAN ESTOS MODELOS

COMPUTACIONALES EN LAS PREDICCIONES CLIMÁTICAS?

Gráfico 3.2. Porcentajes de Efectividad de la Red Neuronal Recurrente con el algoritmo LSTM.
Fuente: Los autores

En el (gráfico 3.2) con respecto a la red neuronal recurrente observamos que el

algoritmo LSTM (Long Short Term Memory) tiene un rango efectividad entre el
98% hasta el 70% con las predicciones.
 19

Entre los algoritmos utilizados en las redes neuronales, se observó la

empleabilidad del algoritmo Backpropagation, este consiste en utilizar el error
generado por la red y propagarlo hacia atrás, es decir, reproducirlo hacia las
neuronas de las capas anteriores (Polo, 2015), en lo que respecta en su
usabilidad con la Red Neuronal Feedforward (gráfico 3.3), se observa que alcanzó
rangos del 86% hasta el 95,5% de efectividad en sus predicciones según
estudios analizados.

Gráfico 3.4. Porcentajes de Efectividad de la Red Neuronal Multicapa con el algoritmo de Backpropagation
Fuente: Los autores

De la misma manera, como puede observarse en la ilustración (gráfico 3.4) el

algoritmo de Backpropagation empleado con Red Neuronal Multicapa alcanzó
porcentajes de efectividad entre 72% hasta el 94.80% obteniendo resultados
apropiados en las predicciones realizadas.

Gráfico 3.5. Porcentajes de Efectividad del modelo ARIMA empleando los algoritmos de SVM y Naive Bayes.
Fuente: Los autores
 20

Como se observa en la ilustración (gráfico 3.5) los algoritmos SVM alcanzaron un

porcentaje de efectividad en las predicciones del 67%, mientras que el Naive
Bayes obtuvo un porcentaje de 87%, esto en conjunto con el modelo ARIMA.

Autoregressive Integrated
Moving Average
100,00%
76,09% 80%
PORCENTAJE

50,00%

0,00%
Arima

Gráfico 3.6. Porcentajes de Efectividad de Efectividad del modelo ARIMA empleando el algoritmo Autoregressive Integrated Moving
Average
Fuente: Los autores

Por último, como se puede observar en la ilustración (gráfico 3.6) el algoritmo

Autoregressive Integrated Moving Average propio del modelo ARIMA en dos
investigaciones obtuvieron rangos de efectividad del 76,09% y el 80% en las
predicciones. Este algoritmo es usualmente utilizado para análisis de series
temporales, es decir, regularidades en el comportamiento a través del tiempo de
una o más variables en la que podamos extraer una estructura probabilística
(Cazalla, 2015).

3.2.1.3. ¿CUÁL FUE EL MODELO Y ALGORITMO CON MEJOR PORCENTAJE DE

EFECTIVIDAD EN LAS PREDICCIONES CLIMÁTICAS

Durante el proceso de Revisión Sistemática se evidenció una gran cantidad de

variantes de modelos (gráfico 3.1) que se pueden emplear para el estudio de
series de tiempo, sin embargo, durante el proceso de experimentación con una
Red Neuronal tipo Feedforward y Perceptrón Multicapa aplicando el algoritmo
Backpropagation se obtuvieron resultados poco favorables para los fines del
trabajo (Anexo 5A y 5B), notándose como no lograron aprender ni aproximarse a la
secuencia real de los datos, esto indica que si bien estos alcanzaron porcentajes
de efectividad altos en los documentos obtenidos, no siempre se
 21

suelen adaptar a todos los escenarios particulares de una investigación, ya sea

por las características de los datos adquiridos o por las limitaciones que estos
modelos pueden tener presentes. Por estas razones mencionadas, se determinó
utilizar la Red Neuronal Recurrente junto con el algoritmo y estructura LSTM
debido que según García (2019) declara que este tipo de red han obtenido
mejores resultados que cualquiera de los otros métodos comparados ya que son
capaces de extraer la información temporal de los datos y son un tipo especial
de red neuronal (RNN) capaces de aprender tendencias de datos a largo plazo,
además durante el proceso bibliográfico se pudo establecer que la eficiencia de
la red seleccionada obtuvieron rangos de efectividad notables que van del 70%
hasta el 98%, por esta razón se llegó a la conclusión de usar este tipo de red
neuronal artificial en la predicción climática debido que las características de los
datos obtenidos son de tipo serie de tiempo por el cual este modelo es el idóneo
para este estudio.

3.2.1.4. ¿CUÁLES FUERON LAS HERRAMIENTAS EMPLEADAS PARA LA

CONSTRUCCIÓN DEL MODELO Y ALGORITMO?

HERRAMIENTAS EMPLEADAS
LENGUAJES DE PROGRAMACIÓN

19%

50%
31%

Python No específica Matlab

Gráfico 3.7. Lenguajes de Programación empleados en la elaboración de modelos computacionales

Fuente: Los autores

Entre los lenguajes de programación empleados para la elaboración de modelos

computacionales, ocho estudios especificaron que emplearon Python (gráfico 3.7),
 22

siendo uno de los más destacados a emplear ya que posee un sinnúmero de

bibliotecas o herramientas para el estudio y análisis de datos.

3.2.1.5. MÈTRICAS

Gráfico 3.8. Métrica empleada para la efectividad de los modelos computacionales

Fuente: Los autores

Los dieciséis estudios puntualizaron el uso de la métrica de error cuadrático

medio (gráfico 3.8), permitiendo calcular el margen de error de los modelos y la
efectividad del mismo, detallando que, mientras más bajo sea este valor mejor
será el resultado del pronóstico.

3.2.1.6. VARIABLES CLIMÁTICAS

VARIABLES
Precipitación Temperatura
Humedad La velocidad del viento

14%
31%

24%

31%

Gráfico 3.9. Variables más utilizadas en los artículos científicos

Fuente: Los autores

Entre las variables más utilizada para la elaboración de los modelos

computacionales tenemos con un 31% la precipitación y la temperatura, con un
 23

24 % la humedad, y por último con un 14% la velocidad del viento como se

aprecia en la ilustración (gráfico 3.9), siendo estas las principales intervinientes
dentro de la elaboración de la investigación.

3.3. OBTENCIÓN DEL CONJUNTO DE DATOS

Se realizó un pre-procesamiento de los sets (anexo 2A y 2C) para poder corroborar

datos faltantes o nulos que suelen presentarse, lo cual, pueden generar una
afectación significativa al modelo predictivo en los resultados. Para ello
aprovechamos las librerías de Python específicamente Pandas para el análisis y
manipulación de datos obteniendo lo siguiente:

Figura 3.2. Exploración de los Datos

Fuente: Los autores

Como se puede visualizar (figura 3.2), la Estación Meteorológica de la ESPAM –

MFL está compuesta por 7 variables con 3325 registros, no existen datos
faltantes y son de tipo flotante, de igual manera el set secundario está compuesto
por 5 variables con 3834 registros, no tiene datos nulos y son de tipo flotante. En
el contexto de que se emplearon dos fuentes de datos distintas pero
pertenecientes a una misma zona, se resumen en el siguiente apartado las
variables similares y diferentes en los sets de datos:

Tabla 3.4. Variables existentes en los datasets

Temp. Temp. Temp. Velocidad
Datasets Humedad Evaporación Precipitación
Máxima Mínima Ambiente del viento

ESPAM x x x x x x x

PowerData x x x x x

Fuente: Los autores

 24

Dentro del marco de trabajo para la selección de las variables a emplear con
ayuda de las documentaciones resumidas en el proceso sistemático, se identificó
que las temperaturas, humedad, velocidad del viento y precipitaciones son las
que más estuvieron inmersas en su utilización dentro de las investigaciones
analizadas. A partir de los datos presentados (tabla 3.4), se evidencia que las ya
mencionadas están disponibles en ambos sets, siendo ventajoso para su
utilización, no obstante, también se emplearon aquellas que no fueron resaltadas
dentro de los trabajos examinados, sirviendo como datos adicionales para la
predicción. Cabe considerar que la utilización de dos conjuntos de datos es con
el propósito de obtener más información y poder experimentar si el modelo puede
adaptarse a cambios cuando estas medidas varían en las fuentes o zonas
recopiladas, finalmente, con lo expuesto quedó elaborado el conjunto de datos
en formato csv (anexo 3A y 3B).

Posteriormente, a través de un análisis estadístico de los datos se logró

comprobar cuán correlacionadas están las variables entre sí, con el objetivo de
conocer aquellas que guardan un coeficiente de relación con un r=0.80 o lo más
cercano a 1; de igual manera se hizo uso de la librería Pandas.

Figura 3.3. Matriz de correlación de Pearson - Set_ESPAM

Fuente: Los autores

Como se puede apreciar (figura 3.3) los datos demuestran que no existe
correlación significativa entre variables, siendo el coeficiente r=0.44 entre la
evaporación y temperatura máxima el valor más alto en todo el conjunto y con
ayuda de la librería Matplotlib se graficó la dispersión de los datos para una mejor
interpretación (anexo 4A), demostrando la poca linealidad de los mismos en su
 25

dispersión, reflejando que un pronóstico multivariable no sería el indicado en este

caso, debido que la serie de tiempo tiende a tener comportamientos no lineales
en sus patrones, lo cual refleja que las variables del set de datos son
independientes entre sí.

Figura 3.4. Matriz de correlación de Pearson - Set_PowerData

Fuente: Los autores

De igual manera las variables del set secundario (figura 3.4) demuestran que no
poseen valores altos de correlación, es decir, cercanos a 1, siendo el coeficiente
r=0.55 el valor más alto y perteneciente a la precipitación y la humedad, logrando
interpretarse que la dispersión de esta sección de datos no refleja altos niveles
de relación entre sí, debido que los patrones tienen comportamientos
independientes dentro de la serie de tiempo. Sin embargo, los puntos que ubican
entre la humedad y la temperatura máxima indica que existe una correlación
negativa fuerte entre las variables, es decir, que a medida que una variable
aumenta en el eje Xi, tienden a puntuar valores pocos significativos en el eje Yi
y los que registran valores bajos en Xi tienden a obtener valores altos en Yi, esto
se observa en la interpretación de los gráficos (anexo 4B) que estas últimas
mencionadas tienen dicho comportamiento inversamente entre sí.
 26

3.4. CONSTRUCCIÓN DEL MODELO

El desarrollo del modelo de predicción se lo realizó bajo el entorno de Jupyter

Notebook empleando la versión de Python 3.7.5 entre las principales librerías
intervinientes e instaladas para la realización del trabajo fueron las siguientes:

Tabla 3.5 Librerías utilizadas para el desarrollo del modelo

Provee objetos tipo arreglos multidimensionales de datos de

Numpy alto rendimiento, además de herramientas asociadas a su
manejo.

Matplotlib Librería para trazado de gráficos.

Es una librería desarrollada por Google para trabajar en

Aprendizaje Automático, caracterizada principalmente por su
TensorFlow
capacidad de construir y entrenar redes neuronales de variados
tipos.
Fuente: (González, 2017)
Una vez instalados los paquetes determinados (tabla 3.5), se muestra como se
procesaron las variables intervinientes en la construcción del modelo:

Serie de Tiempo ordenada

T1 T2 T3 T4 T5 T6

T1 T2 T3 T1
Corte de
Ventana
T4 T5 T6 T2

N T7 T3
T8 T9 Toma N
elementos
del cantidad de
dataset T10 T11 T4 muestras
T12

T13 T14 T15 T5

T16 T17 Tn... T6

Figura 3.5. Procesamientos de los datos

Fuente: Los autores
 27

Como se puede observar en la ilustración (figura 3.5), se determinó en primera

instancia que por cada 1000 elementos del conjunto de datos un “batch_size” o
cantidad de muestras de tamaño 100, que se propagará a través de la red donde
el algoritmo toma dicho valor (del 1 al 100) del conjunto de datos para entrenar,
repitiendo el proceso (101 al 200) hasta completar el total de datos dentro del
conjunto, y para dar más solidez a las entradas del modelo, se incluyó una
ventana “window_size” de tamaño 120, en el cual, incluirá el paso de tiempo
actual junto con los pasos de tiempo anteriores con la finalidad de que el
algoritmo pueda aprender eficientemente los valores procesados, por último para
obtener el elemento de salida, se especifica la columna donde se encuentre el
dato que se desea predecir por medio de una variable declarada.

Figura 3.6. Código en Python de la configuración de los parámetros que serán procesados
Fuentes: Los autores
 28

El modelo determinado en la etapa de la revisión sistemática fue el de una red

neuronal recurrente con una estructura LSTM, fue configurado de la siguiente
manera:

Figura 3.7. Código fuente en Python de la estructura de la red neuronal recurrente – LSTM
Fuente: Los autores

Esta red neuronal está compuesta por una capa convolucional de una dimensión
“CONV1D” de 60 filtros, seguida de dos capas LSTM manteniendo ambas en 60
bloques, más tres capas del tipo Dense de 30, 10 y 15 neuronas en ese orden,
empleando como función de activación “Relu” para propagar la información
desde las neuronas de entradas hasta las de salidas como se puede apreciar en
la ilustración (figura 3.7).

Una vez definida la estructura de la red recurrente – LSTM se llevó a cabo el

entrenamiento de la misma probando cada una de las variables disponibles, en
ese sentido, se emplearon el 75% de los datos totales para el aprendizaje de los
patrones que posee la serie de tiempo en los datasets y el 25% restante para el
testeo o validación con cual podremos constatar la predicción del modelo, cabe
agregar que para determinar las variables que tuvieron un mejor rendimiento
durante esta etapa se las evaluaron de manera individual con dicho propósito.
 29

Figura 3.8. Resumen del entrenamiento de la red neuronal recurrente – LSTM

Fuente: Los autores

Esta red neuronal (figura 3.8) obedece a la estructura de la Red Neuronal

Recurrente (RNN) – LSTM establecida, la cual pudo entrenar con éxito 60,745
parámetros totales, no obstante, dado que el algoritmo debe obedecer el
comportamiento de los patrones el estudio de su precisión se basará en la
medida del Error Cuadrático Medio, lo que nos ayudará a determinar la diferencia
entre el valor a estimar y lo que se estima.

Tabla 3.6. Error Cuadrático Medio obtenido durante el entrenamiento con 150 epochs

ERROR CUADRÁTICO MEDIO

VARIABLES
ESPAM POWER DATA
Humedad 2,93 2,65
Temperatura Máxima 6,542 4,83
Temperatura Mínima 1,48 0,72
Precipitación 91,01 40,60
Velocidad del viento 6,037 0,18
Fuente: Los autores

Con 150 epochs establecidas en la fase de entrenamiento se alcanzaron

diferentes rangos de error en cuanto al aprendizaje de los patrones de la serie
de tiempo (tabla 3.6), en cual se constató que las variables de la humedad en
ambos sets obtuvieron valores de error aceptables en el aprendizaje de los
patrones de la serie, seguido de las temperaturas (máximas y mínimas) podemos
 30

notar que el modelo tuvo un mejor adiestramiento que la variable anterior,

seguidamente, con la precipitación se adquirieron errores más altos a los
anteriores y por último la velocidad del viento observamos que el modelo tuvo
éxito para aprender el patrón de la serie de esta última mencionada.

También se experimentó con 2 variables adicionales del conjunto de datos de la

estación meteorológica de la ESPAM-MFL con la finalidad de tomar en
consideración con qué otros datos meteorológicos el modelo es capaz de seguir
un patrón, en el cual, durante el proceso de entrenamiento se pudo obtener
valores relativamente bajos de error como se puede observar a continuación:

Tabla 3.7. Variables adicionales empleadas en el entrenamiento

Error Cuadrático
Variables
Medio
Temperatura Ambiente 2,32

Evaporación 3,798
Fuente: Los autores

Como se puede visualizar en la (tabla 3.7) el error cuadrático medio más bajo fue de
la temperatura ambiente en comparación de la evaporación. A continuación, se
mostrarán en color azul el 25% restante de los valores de cada variable, y encolor
naranja el 25% predicho por el modelo, basándose en el entrenamiento realizado
sobre el 75%.

Gráfico 3.10. Valores Reales y Predichos de la Humedad Relativa

Fuente: Los autores
 31

Gráfico 3.11. Valores Reales y Predichos de la Temperatura Máxima

Fuente: Los autores

Gráfico 3.12. Valores Reales y Predichos de la Temperatura Mínima

Fuente: Los autores
 32

Gráfico 3.14. Valores Reales y Predichos de la Velocidad del Viento

Fuente: Los autores

En cuanto al conjunto de datos de la estación de meteorológica de la ESPAM –

MFL , la red neuronal fue capaz de identificar los patrones de comportamiento
de las series de tiempo, en dónde la precisión de modelamiento de cada variable
tiene su propio comportamiento, no obstante, la eficiencia del pronóstico es
directamente proporcional al nivel de error dado por el entrenamiento individual
que se efectuó sobre las variables, siendo la humedad relativa (gráfico 10), la
temperatura máxima (gráfico 11) y temperatura mínima (gráfico 12) con las que el
modelo tuvo un mejor desempeño entre los valores reales y los predichos.
Posteriormente, todo el proceso se lo repitió con los datos del segundo dataset
obteniendo lo siguiente:

Gráfico 3.15. Valores Reales y Predichos de la Humedad Relativa

Fuente: Los autores
 33

Gráfico 3.16. Valores Reales y Predichos de la Temperatura Máxima

Fuente: Los autores

Gráfico 3.17. Valores Reales y Predichos de la Temperatura Mínima

Fuente: Los autores

Gráfico 3.18. Valores Reales y Predichos de la Precipitación

Fuente: Los autores
 34

Gráfico 3.19. Valores Reales y Predichos de la Velocidad del Viento

Fuente: Los autores

En lo que conlleva a los resultados obtenidos con el segundo conjunto de datos,

podemos observar que las variables en general tuvieron un mejor
comportamiento en el reconocimiento de los patrones, denotando que la
humedad (gráfico 14), la temperatura máxima (gráfico 15), la temperatura mínima
(gráfico 16) y la velocidad del viento (gráfico 18) con la que el modelo obtuvo un
mejor reconocimiento entre los patrones reales y predichos por el mismo.

Por último, se observó que el modelo no tuvo un rendimiento eficiente con la

evaporación y en comparación a la temperatura ambiente esta última tuvo un
desempeño medianamente bueno, sin embargo, denotamos en las gráficas que
los valores predichos no se aproximan tanto a los valores reales de la serie de
tiempo de estas variables.

Gráfico 3.20. Valores Reales y Predichos de la Temperatura Ambiente

Fuente: Los autores
 35

Gráfico 3.21. Valores Reales y Predichos de la Evaporación

Fuente: Los autores

Para el cálculo del rendimiento del pronóstico en términos porcentuales (%)

durante el entrenamiento del modelo, se empleó el criterio del error absoluto
porcentual (MAPE) para calcular la exactitud, lo cual estos valores irán
apuntando cuán cercanos son los valores pronosticados con respecto a sus
valores reales, es decir, apunta a cuan eficiente es el pronóstico (Núñez, 2019).

Figura 3.9. Ecuación de exactitud (Núñez, 2019)

Esta ecuación permite calcular la precisión del modelo para conocer la

aproximación del pronóstico como se muestra en la (figura 3.9), teniendo como
resultado un valor porcentual de qué tan efectivo fueron las variables empleadas
al pronosticarlas.

Tabla 3.8. Precisión del modelo con los datos de la Estación Meteorológica de la ESPAM - MFL

Variables MAPE Exactitud

Humedad 10,73% 89,27%

Temperatura Máxima 8,00% 92,00%

Temperatura Mínima 9,39% 90,61%

Temperatura Ambiente 33,66% 66,34%

Velocidad del viento 25,91% 74,09%

Evaporación 47,42% 52,58%

Precipitación 23410,47% -23,310.47%

Fuente: Los autores
 36

Con los datos de la estación meteorológica de la ESPAM – MFL (tabla 3.8), las
variables que obtuvieron un error aceptable fueron la humedad, la temperatura
máxima y la temperatura mínima, también denotamos que la temperatura
ambiente, la velocidad del viento y la evaporación obtuvieron un valor de error
mayor en comparación a las anteriores, siendo esta última (la evaporización) la
que obtuvo un error no tan aceptable, y por último con la variable de la
precipitación notablemente se puede contemplar que el modelo no tuvo éxito
debido que el patrón de la misma está compuesta por valores y picos
demasiados inconsistentes lo cual dificultó seguir un patrón claro durante la
etapa de aprendizaje.

Tabla 3.9. Precisión del modelo con los datos del sitio web Power Data Access Viewer

Variables MAPE Exactitud

Humedad 6,25% 93,75%

Temperatura Máxima 5,46% 94,54%

Temperatura Mínima 3,04% 96,96%

Velocidad del viento 17,96% 82,04%

Precipitación 75,07% 24,93%

Fuente: Los autores

Con el segundo conjunto de datos empleados (tabla 3.9), la humedad, la

temperatura máxima y la temperatura mínima fueron las que obtuvieron valores
de error netamente aceptables, siendo esta última la que obtuvo un mejor
desempeño, no obstante, el modelo con la velocidad del viento también logró
tener un buen desempeño, en cambio, con la precipitación notamos que de igual
manera el modelo no pudo lograr aprender el patrón de la serie con esta variable,
lo cual, para la predicción de esta no es factible debido que su tasa de error es
alta teniendo como consecuencia menor exactitud en el pronóstico.

Por último, el modelo muestra el comportamiento de las variables para los

próximos 15 días. No obstante, la predicción está basada en el aprendizaje sobre
los datos disponibles y para aquellas variables con las que el modelo obtuvo una
exactitud aceptables más eficiente y preciso es el pronóstico del clima.
 37

Tabla 3.10. Pronóstico del clima con los datos de la estación meteorológica de la ESPAM – MFL para los próximos 15 días

Temperatura Temperatura Temperatura Velocidad

Humedad Evaporización Precipitación
máxima mínima Ambiente del viento

86.04384 30.623337 21.156094 25.638966 3.606012 0.3646367 17.01456

84.648285 30.851374 21.308828 25.895372 3.6067553 0.36569804 16.609482

84.81655 30.562162 21.494062 26.207157 3.6439214 0.37220716 17.304634

81.69514 31.404655 22.520338 26.258595 3.690972 0.3827999 16.870508

84.89231 30.397385 21.67151 25.87897 3.6697228 0.3780679 17.247679

84.973206 30.459 21.050327 25.244278 3.605305 0.36640608 17.22024

82.933014 30.53655 21.829487 26.50726 3.6763139 0.3799072 18.089993

85.771736 30.545925 21.423437 25.728306 3.6378555 0.36906487 17.34368

84.66398 30.818813 21.669044 25.620157 3.6440756 0.3715549 16.68736

82.686195 30.999166 22.28061 26.20873 3.6908488 0.3819603 17.953506

80.49962 31.462748 22.634562 26.379526 3.6987624 0.38368252 16.607847

81.93296 31.162024 21.98343 26.144648 3.6553044 0.37686992 16.703606

80.10362 31.465477 22.60913 26.595015 3.6964588 0.38363266 17.724098

82.87853 31.211626 21.384706 25.174076 3.591615 0.36513585 16.746447

82.80539 30.811935 21.784779 25.882343 3.6553607 0.37604108 17.266958
Fuente: Los autores

Tabla 3.11. Pronóstico del clima con los datos del sitio web Power Data Acces Viewer para los próximos 15 días

Temperatura Temperatura Velocidad

Humedad Precipitación
Máxima Mínima del viento

62.99002 31.617588 20.455435 0.7958714 2.1007159

61.95956 31.968414 20.598814 0.9802156 2.1011016

63.557762 30.631088 20.737999 0.7734057 2.1351504

70.635605 30.921518 21.493288 1.5224035 2.180726

60.50384 29.671837 20.876926 0.6756281 2.1589262

61.62454 31.32239 20.35404 0.682862 2.1010585

65.231995 29.764524 21.019402 0.7767331 2.166031

64.02036 30.750721 20.677204 0.75993294 2.128382

62.494354 31.020191 20.894346 0.97175735 2.1338196

69.442535 30.101648 21.365189 1.136692 2.179291

71.84482 30.863667 21.56868 1.5661746 2.188046

66.479 31.357372 21.11919 1.2991712 2.1451733

 38

77.62404 30.94014 21.549515 1.5678552 2.186102

67.67456 32.95935 20.647926 1.3314499 2.087268

63.64924 30.725462 20.988016 0.97477716 2.1448224

Fuente: Los autores

Es conveniente acotar que los nuevos valores generados por el modelo (tabla
3.10) y (tabla 3.11) son a partir del último dato de la serie de tiempo de cada una
de las variables procesadas, es decir, estos 15 días pronosticados a futuros son
pertenecientes al mes de noviembre del 2019 ya que los datos recopilados
fueron a partir del 1 septiembre del 2010 hasta el 30 junio del 2019. Para finalizar
con lo acotado se graficaron estos nuevos valores para poder visualizar de mejor
manera el comportamiento de las variables meteorológicas de ambos conjuntos
de datos (Anexo 6A y 6B).
 CAPÍTULO IV. CONCLUSIONES Y RECOMENDACIONES

4.1. CONCLUSIONES

● La revisión sistemática facilitó el proceso de sintetizar los contenidos de

múltiples investigaciones, dado su preciso protocolo de realización, agilizó
el proceso de obtención de evidencias en fuentes de información de alto
impacto relacionadas al tema de investigación.

● Se pudo determinar que la mayoría de investigaciones hicieron uso de la

red neuronal recurrente siguiendo una estructura del algoritmo LSTM
siendo el modelo más apropiado para trabajar con datos de orden
cronológico.

● Se logró interpretar con el coeficiente de correlación de Pearson larelación

estadística entre dos variables continuas, denotándose que los elementos
de los datasets en su mayoría tenían comportamientos no lineales.

● El modelo obtuvo un mejor desempeño con las variables: humedad,

temperatura máxima y la temperatura mínima; la cuales alcanzaron
valores mínimos de error, obteniendo una exactitud entre los valores
reales y predichos del 89.27%, 92%, y 90.61% con los datos de estación
meteorológica, de igual manera las mismas empleando segundo dataset
consiguieron un 93.75%, 94.54%, y 96.96% de exactitud.
 40

4.2. RECOMENDACIONES

● En la fase de revisión bibliográfica, es preferible que las investigaciones

en su mayoría sean de revistas de alto impacto y en inglés, además
manejar un nivel experto de las bases de datos científicas para un filtrado
eficiente de la información.

● Tener en cuenta que las técnicas empleadas en la inteligencia artificial,

no todas se ajustan de mejor manera ante ciertos escenarios, por ello, al
momento de evaluar modelos computacionales y algoritmos es
fundamental investigar si constan antecedentes relacionados con el área
a trabajar, debido que esto permite corroborar si existe un buen
funcionamiento de los mismos con altos índices de efectividad en cuanto
a predicciones se refiere.

● Para estudiar comportamientos de los datos climáticos se requiere

observaciones de un buen número de años con el propósito de tener un
mejor análisis de las tendencias y las variaciones del clima.

● Se recomienda entrenar continuamente el modelo con nuevos datos para

ajustar el pronóstico y minimizar los errores de predicción.

● Para futuras investigaciones es recomendable instalar una versión de

Python 3.7.5 o superior debido que las librerías para proyectos de
inteligencia artificial constantemente están en soporte y en versiones
anteriores dejan de ser compatibles por las nuevas actualizaciones
existentes.
 41

BIBLIOGRAFÍA

Administración Nacional de la Aeronáutica y del Espacio [NASA]. (13 de julio de

2020). Visor de acceso de datos. https://power.larc.nasa.gov/data-
accessviewer/?fbclid=IwAR2ec09MYyCbHvGOLw_HWtWrwhnjue89Q7X

Ali, S.A., Ahmad, A. (2019). Forecasting MSW generation using artificial neural
network time series model: a study from metropolitan city. SN Appl. Sci. 1,
1338. https://doi.org/10.1007/s42452-019-1382-7

Azad, S., Debnath, S., & Rajeevan. M. (2015). Analysing Predictability in Indian
Monsoon Rainfall: A Data Analytic Approach. 2, 717–727. DOI:
https://doi.org/10.1007/s40710-015-0108-0XGvAKEY-
5zkSeZd3G96AKQIo

Carrión, M., Gutiérrez, G., & Celi, J. (2018). Modelado y Predicción del
Fenómeno El Niño en Piura, Perú mediante Redes Neuronales Artificiales
usando Matlab. Scielo, 29(4), 303 - 304. doi:
http://dx.doi.org/10.4067/S0718-07642018000400303.

Carvajal, T., Viacrucis, K., Hernández, L., Amalin , D., & Watanabe. (2018).
Machine learning methods reveal the temporal pattern of dengue
incidence using meteorological factors in metropolitan Manila, Philippines.
18, 183. DOI: https://doi.org/10.1186/s12879-018-3066-0

Cazalla, A. (2015). Análisis de la evolución del desempleo en España como serie

temporal. Consultado el 5 de julio del 2020.
http://tauja.ujaen.es/bitstream/10953.1/4405/1/TFG-Quesada-
Cazalla%2CAna.pdf

Covarrubias, R., Fuentes, A., Iriarte, A., González, M., Zamora, L., & González,
A. (2017). Sistema multiagente para la predicción de clima para usos
agrícolas. RIDTEC,13(1), 17 - 19.

Egüez, G. (2020). Análisis del desempeño de redes neuronales artificiales en la

reconstrucción de datos pluviométricos de la ciudad de Quito. Consultado
el 5 de julio del 2020. DOI:
https://repositorio.uasb.edu.ec/handle/10644/7461
 42

ESPAM MFL (Escuela Superior Politécnica Agropecuaria de Manabí Manuel

Félix López). 2019. Estatuto de la Escuela Superior Politécnica
Agropecuaria de Manabí MFL, EC. p 4.

Fernández, H., King, K. & Enríquez, C. (2019). Revisiones Sistemáticas

Exploratorias como metodología para la síntesis del conocimiento
científico. Enfermería Universitaria, 17(1), 89 - 90.doi:
https://doi.org/10.22201/eneo.23958421e.2020.1.697
Fossati, J. (2019). Diseño de redes neuronales inteligentes para la realización de
pronósticos en micro-redes eléctricas. Dialnet, 17, 1-13.

Fuentes, A., Sierra, M. & Morfa, Y. (2020). Corrección del pronóstico cuantitativo
de la precipitación mediante el uso de redes neuronales. Insmet, 26(3), 2-
27.

García, E. (2019). Evaluación del potencial de las redes neuronales profundas

para la predicción de la temperatura superficial del agua del mar.
Consultado el 5 de julio del 2020.
https://repositorio.unican.es/xmlui/handle/10902/17865

González, J., Tudurí, J., & Rul. G. (2017). Análisis de Series Temporales Usando
Redes Neuronales Recurrentes. Consultado el 5 de julio del 2020.
https://www.apsl.net/blog/2017/06/14/analisis-de-series-temporales-
usando-redes-neuronales-recurrentes/

Guevara, R. (2016). El estado del arte en la investigación: ¿Análisis de los

conocimientos acumulados o indagación por nuevos sentidos? Revista
Folios, (44). 166 - 167.
Infryanty, H., Yulianti, P., Indra M., Indra, K., & Marzuki, S. (2020). Relative
humidity prediction based on a Short-Term Memory Network.
Researchgate, (1). 2-5. DOI:10.1063/5.0003171
Jiménez, M., Gutiérrez, J., & Pinzón. J. (2018). Modelado y Predicción del
Fenómeno El Niño en Piura, Perú mediante Redes Neuronales Artificiales
usando Matlab. Scielo, 29(4), 1-20.

López, K. (2019). Predicción del cambio climático con Naive Bayes. Consultado
el 5 de julio del 2020.
 43

https://repositorio.upeu.edu.pe/bitstream/handle/UPEU/2818/Kenyi_Trab
ajo_Brachiller_2019.pdf?sequence=1&isAllowed=y

López, M. La importancia de la meteorología como ciencia. (2017). Consultado

el 16 de julio del 2020.
http://www.cienciamx.com/index.php/ciencia/ambiente/14721-
importancia-meteorologia-como-ciencia
Luque, J., González, C., Gourdji, S., Manson, D., Obando, D., Mesa, J., & Prager,
S. (2016). Impactos socioeconómicos del cambio climático en América
Latina y el Caribe: 2020-2045. Dialnet,13(78), 1- 17. doi:
https://doi.org/10.11144/Javeriana.cdr13-78.iscc

Riabani, F., García, W., & Herrera, A. (2016). Sistema de inteligencia artificial
para la predicción temprana de heladas meteorológicas. Scielo,7(4), 483-
485.

Ramírez, M., Benavídes, C., & Guada. C. (2018). Redes neuronales en la

predicción de micro-clima Zona de estudio La Hechicera, Mérida-
Venezuela. UNAM, 11(2), 47-61.

Rodríguez, C. (2018). La humedad en la atmósfera: Bases físicas, instrumentos

y aplicaciones. [En línea]. Available:
http://ww.ucol.mx/content/publicacionesenlinea/adjuntos/La-humedad-
en-la-atmosfera_466.pdf. [Último acceso: 10 Agosto 2020].

Rosales, M., Mora, C. & Guada, C. (2017). Redes neuronales en la predicción

de micro-clima, Zona de estudio La Hechicera, Mérida-Venezuela.
Dialnet,11(2), 47- 49.

Montesdeoca, B. (2016). Estudios de predicción en Series temporales de datos

Meteorológicos utilizando Redes neuronales. Consultado el 5 de julio del
2020.
https://accedacris.ulpgc.es/bitstream/10553/18829/1/0728348_00000_00
00.pdf

Moreno, B., Muñoz, M., Cuellar. J., Domancic, S., & Villanueva, J. (2018).
Revisiones Sistemáticas: definición y nociones básicas. Scielo,11(3), 185.
DOI: http://dx.doi.org/10.4067/S0719-01072018000300184
 44

Olguín, G., Ramírez, S., & Morán, L. (2020). Predicción de lluvias máximas para
la república mexicana mediante modelos probabilísticos no estacionarios.
TCA,11(4), 180.

Páramo, P. (2020). Cómo elaborar una revisión sistemática. Researchgate, 3-4.

DOI: 10.13140/RG.2.2.31465.85608

Poornima, S. & Pushpalatha. M. (2019). Prediction of Rainfall Using Intensified

LSTM Based Recurrent Neural Network with Weighted Linear Units.
Researchgate, 10(11), 668. DOI:
https://www.researchgate.net/publication/336934533_Prediction_of_Rain
fall_Using_Intensified_LSTM_Based_Recurrent_Neural_Network_with_
Weighted_Linear_Units

Polo, D. M. (2015). Comparación de Redes Neuronales aplicadas a la predicción

de Series de Tiempo. Scielo, 91-92.

PEDI (Plan E. de D. Institucional). 2017. Plan Estratégico de Desarrollo

Institucional 2017-2021. 1 ed. Calceta-Manabí, EC. p 30.

Sandoval, L. J. (2018). Algoritmos de aprendizaje automático para análisis y

predicción de datos. ITCA,1(1). 40 - 43.

Selva, G. J. (2016). Reflexiones sobre los efectos del cambio climático en la

agricultura de Bolivia. Scielo, 7(2), 112 - 114.

Shi, B., Lin, S., Tan, Q. et al. Inference and prediction of malaria transmission
dynamics using time series data. Infect Dis Poverty 9, 95 (2020).
https://doi.org/10.1186/s40249-020-00696-

Springer link. (2020). Título, Resumen y Palabras Clave. Consultado, 31 de

agosto del 2020. https://www.springer.com/la/authors-editors/tutoriales-
de-autores-y-revisores/writing-a-journal-manuscript/title-abstract-and-
keywords/12022898

Velásquez, F. (2019). Pronóstico de precipitación sobre la cuenca aportante al

embalse “La Esperanza” aplicando modelo climático HadCM3. Rev. del
Instituto de Investigación FIGMMG-UNMSM, 22(43), 30 - 31. doi:
https://doi.org/10.15381/iigeo.v22i43.16683
ANEXOS
 46

ANEXO 1. DATOS EXTRAÍDOS DE LOS ARTÍCULOS SELECCIONADOS

Año Autor(es) Título Descripción Modelo Algoritmo Variables Efectividad Métrica Herramienta

En el presente documento se
examinan los datos mensuales y
anuales para analizar la
previsibilidad en la India las lluvias
del monzón. La estructura
periódica en los datos de las
Analysing
series temporales se extrae
Predictability in
Sarita Azad, usando ondas y la parte aleatoria Red
Indian Error
Shoubhik residual se modela por separado Neuronal
2015 Monsoon Backpropagation Precipitación 93 % cuadrático Matlab
Debnath, M. utilizando redes neuronales Perceptrón
Rainfall: A medio
Rajeevan artificiales (RNA). Aunque las Multicapa
Data Analytic
técnicas híbridas basadas en
Approach
redes neuronales y ondas se han
aplicado ampliamente en los
últimos años, el enfoque actual no
ha sido investigado hasta ahora.(
Azad, Debnath & Rajeevan, 2015
).
Este estudio propone crear una
Sistema de máquina de aprendizaje extremo
Franklin
inteligencia (ELM) utilizando el algoritmo
Riaban, Temperatura,
artificial para la propuesto por Huang sobre una Red Error
Willman Radiación Solar,
2016 predicción red neuronal con propagación Neuronal Backpropagation 90% cuadrático Python
Garcia, Viento, Humedad,
temprana de hacia adelante, como base para la Feedforward medio
Johnny Precipitación.
heladas predicción temprana de heladas
Herrera
meteorológicas meteorológicas.(Riaban, Garcia &
Herrera, 2016).
El objetivo de este trabajo es
presentar otros dos modelos de
Estudios de
predicción, basados en una serie
predicción en
de arquitecturas pertenecientes al
Series
aprendizaje automático y al
Besay temporales de Red Error
aprendizaje profundo.
2016 Montesdeoca datos Neuronal Backpropagation Velocidad del viento 95.5% cuadrático Python
Concretamente se usarán como
Santana Meteorológicos Feedforward medio
modelos de predicción diferentes
utilizando
arquitecturas de redes neuronales
Redes
artificiales, tales como redes
neuronales
neuronales Feedforward y redes
LSTM.( Montesdeoca, 2016).
 47

En este artículo se introduce eluso

de Redes Neuronales
Recurrentes (RNN) como nuevo
enfoque para tratar el problema
Análisis de
J. C. del análisis y predicción de series
Series Redes Error
González- temporales. Como casos de Temperatura
2017 Temporales Neuronales LSTM 93% cuadrático Python
Avella, J. M. estudio y para demostrar el grado Consumo eléctrico
Usando Redes Recurrentes medio
Tudurí, and de ´éxito del uso de RNN en ´este
Neuronales
G. Rul·lan contexto, aplicamos este enfoque
Recurrentes
al estudio del consumo eléctrico
en la población de Soller
(Mallorca) y en el estudio del
consumo eléctrico en la isla de
Tenerife. (González, Tudurí & lan,
2017).
Redes Se desarrolló una Red Neuronal
neuronales en Artificial con capacidad para
Misael
la predicción de realizar predicciones climáticas a
Ramírez Red Radiancia
micro-clima corto plazo, entrenada con datos a Error
Cesar Neuronal Temperatura 72%
2018 Zona de intervalos de 15 min durante 454 Backpropagation cuadrático No específica
Benavídes Perceptrón Humedad
estudio La días, de una estación medio
Carlos Multicapa Velocidad del viento
Hechicera, climatológica ubicada en Mérida.(
Guada
Mérida- Ramírez, Benavídes & Guada,
Venezuela 2018).
Se plantea la cuestión de si cuál Precipitaciones,
de las técnicas sería robusta y Humedad, Relativa,
fiable, tiene como objetivo para Temperatura
comparar la exactitud de la mínima,
Machine
Thaddeus predicción del patrón temporal de Temperatura
learning
Carvajal, la incidencia del dengue en el área promedio,
methods reveal
Katherine metropolitana de Manila como Temperatura
the temporal
Viacrucis, influido por factores máxima,
pattern of
Lara Fides T. meteorológicos a partir de cuatro Autoregressive La velocidad del Error
dengue 80%
2018 Hernández técnicas de modelización, a) ARIMA Integrated viento, cuadrático No específica
incidence using
Howell, Modelización aditiva general, b) Moving Average Dirección mínima del medio
meteorological
Divina M. Autorregresiva estacional viento,
factors in
Amalin and Promedio móvil integrado con Dirección máxima
metropolitan
Kozo variables exógenas c) Bosque del viento
Manila,
Watanabe aleatorio y d) Impulso de
Philippines
gradiente.( Carvajal, Viacrucis,
Lara, Hernández, Divina, Amalin ,
Watanabe, 2018).
 48

Miguel Modelado y Se aplicaron redes neuronales Matlab

2018 Jiménez, Predicción del artificiales a los datos climáticos Red Temperaturas, Error
Flabio Fenómeno El de precipitación, temperaturas Neuronal Backpropagation Velocidad del Viento, 94.8% cuadrático
Gutiérrez, Niño en Piura, superficiales de mar en diferentes Perceptrón Precipitación medio
Jorge Pinzón Perú mediante zonas calificadas como Niño y la Multicapa
Redes velocidad de los vientos alisios
Neuronales con el fin de modelar y predecir el
Artificiales fenómeno El Niño, con seis meses
usando Matlab de anticipación a la presencia del
mismo.(Jiménez, Gutiérrez &
Pinzón, 2018).

Conocer de antemano los perfiles

de demanda y de potencia
generada por las fuentes
renovables constituye un aspecto
esencial para la optimización de la
Diseño de
operación de las redes eléctricas.
redes
En el caso particular de las micro-
neuronales
redes dicho aspecto cobra aún Temperatura,
inteligentes Red Error
Juan Pablo más importancia ya que en velocidad del viento, 86%
2019 para la Neuronal Backpropagation cuadrático No específica
Fossati general un alto porcentaje de la humedad relativa,
realización de Feedforward medio
energía generada proviene de nubosidad
pronósticos en
fuentes renovables. A esto debe
micro-redes
sumársele el hecho de que debido
eléctricas
a un efecto de escala los
parámetros a pronosticar están
sometidos a una gran variabilidad.
(Fossati, 2019).
 49

El análisis fue basado en una data

set de 1800 registros que fueron
clasificados con su variable
temperatura y humedad donde
80% de la data fue utilizado para Naive Bayes
Predicción del Temperatura,
Kenyi el entrenamiento y 20% para la 87% Error
cambio Naive Bayes Humedad, Velocidad
2019 Simons prueba donde el error cuadrado Arima SVM Cuadrático Python
climático con y SVM del viento, visibilidad
López Azaña para nuestro algoritmo fue de 67% Medio
naive bayes y presión
0.22. También se utilizaron líneas
temporales ARIMA para visualizar
como seguirá la temperatura, la
humedad y la precipitación en un
futuro.( López, 2019).

Este artículo presenta la Red

Prediction of Neural Recurrente (RNN) basada
Rainfall Using en la Memoria Intensificada a
Intensified Corto Plazo (LSTM) para predecir
S. Poornima, Red Error
LSTM Based la lluvia. La red neuronal se Temperatura y
2019 M. neuronal LSTM 70% cuadrático Python
Recurrent entrena y prueba utilizando un velocidad del viento
Pushpalatha recurrente medio
Neural Network conjunto de datos estándar de
with Weighted lluvia. La red capacitada producirá
Linear Units el atributo predicho de lluvia.(
Poornima & Pushpalatha, 2019).
 50

Muestra que en los últimos años

los modelos de redes neuronales
han resurgido y están
demostrando sus capacidades en
Evaluación del multitud de campos y la
potencial de meteorología no podía ser
las redes excluida. Gracias a sus
neuronales arquitecturas tan versátiles y
Esther Red Error
profundas para altamente no lineales se
2019 García neuronal LSTM Temperatura 85% cuadrático no especifica
la predicción convierten en una herramienta útil
Fernández recurrente medio
de la capaz de realizar predicciones con
temperatura gran exactitud. Arquitecturas
superficial del modernas como las redes LSTM
agua del mar nos permiten introducir
dependencias temporales y
abordar con éxito problemas de
predicción de series temporales.
(García. 2019).

El análisis de correlación de
Spearman demostró que la lluvia y
La humedad jugó un papel en la
Benyun Shi, transmisión del dengue con una
Shan Lin, Qi Inference and eficiencia de correlación igual a
Tan, Jie Cao, prediction of 0,396 y 0,388, respectivamente.
Xiaohong malaria ANN mostró que la precipitación Autoregressive Error
Temperatura y
2020 Zhou, Shang transmission era el factor más crucial. El ARIMA Integrated 76,09% cuadrático Python
precipitaciones
Xia5, Xiao dynamics using modelo de regresión multivariado Moving Average medio
Nong Zhou time series de Poisson de series de tiempo
and Jiming data reveló que el aumento del 1% de
Liu las precipitaciones correspondió a
un aumento del 3,3% en los casos
de dengue en Bangkok.( Shi, B.,
Lin, S., Tan, Q. et al, 2020).
 51

Se propone un modelo de redes

neuronales como una técnica
eficaz para la corrección del
pronóstico cuantitativo de
precipitación brindado por el
Corrección del
modelo WRF. Para ello se emplea
pronóstico
un Perceptrón Multi-Capa. Se Red
A. Fuentes, cuantitativo de Temperatura, Error
logró la corrección del pronóstico Neuronal
2020 M. Sierra, Y. la precipitación Backpropagation Presión, Humedad, 80% Cuadrático Python
cuantitativo de la precipitación en Perceptrón
Morfa mediante el Precipitación Medio
las estaciones analizadas, siendo Multicapa
uso de redes
más significativa la mejoría para la
neuronales
estación de Montaña y en los
casos en los que el WRF
sobreestima el acumulado de
precipitación.(Fuentes, Sierra &
Morfa, 2020).

El objetivo principal de este

Marlyna
artículo es evaluar el rendimiento
Infryanty
del modelo de predicción de la
Hutapea, Relative
humedad relativa (RH) base de
Yolanda humidity
memoria a corto plazo (LSTM)
Yulianti prediction Red Error
propuesto. La teoría del
2020 Pratiwi, Indra based on a neuronal LSTM humedad relativa 98% cuadrático no especifica
aprendizaje de la física
M. Sarkis, short-term recurrente medio
computacional es un subcampo
Indra Kelana memory
de la inteligencia artificial. En este
Jaya y network.
artículo, utilizamos. (Infryanty,
Marzuki
Yulianti, Sarkis, Kelana &
Sinambela
Sinambela, 2020).
 52

En este artículo se detallan las

observaciones y aportes que se
Análisis del desprenden del trabajo de
desempeño de generación de datos aproximados
redes de lluvia a través del uso de redes
neuronales neuronales. Al final de esta
Gustavo Red Error
artificiales en la sección se propondrá posibles la radiación solar y el
2020 Ricardo neuronal LSTM 70% cuadrático Python
reconstrucción trabajos, que, a partir de este viento
Egüez Dávila recurrente medio
de datos documento, puedan incrementar
pluviométricos el conocimiento sobre el uso de
de la ciudad de redes neuronales para la
Quito reconstrucción de datos y
determinación de impactos del
cambio climático.(Egüez, 2020).

El objetivo principal de este

estudio es aplicar el modelo de
series temporales de la RNA a lo
largo de con la técnica
autorregresiva para predecir la
Pronosticando
generación mensual de residuos
la generación
sólidos en Calcuta. Para ello, los
de MSW
datos relacionados con la
usando el
generación mensual de residuos
tiempo de la
Sk Ajim Ali, sólidos fueron recogida desde Red Error
red neural Temperatura,
2020 Ateeque 2010 hasta 2017. Los datos Neuronal Backpropagation 92, 67 % cuadrático Matlab
artificial precipitación
Ahmad totales de 96 meses se dividieron Feedforward medio
modelo de
en tres categorías, es decir, 70%,
serie: un
15% y 15% para entrenamiento,
estudio de la
validación y pruebas,
ciudad
respectivamente. El modelo fue
metropolitana
evaluado en base a sobre el valor
de rendimiento del error cuadrado
medio, el error cuadrado medio de
la raíz y el coeficiente de
regresión.( Ali & Ahmad, 2020).

Fuente: Los autores

 53

ANEXO 2(A). MEDIDAS MENSUALES DE LA ESTACIÓN METEOROLÓGICA

DE LA ESPAM – MFL.

Temperatura Temperatura Temperatura Velocidad

fecha humedad Evaporación Precipitación
máxima mínima Ambiente del viento

1/9/2010 77.00 33.20 19.40 25.50 6.60 0.10 761

2/9/2010 77.00 32.40 21.80 25.40 5.00 0.00 651

3/9/2010 78.00 32.40 22.40 24.70 4.60 0.00 1030

4/9/2010 82.00 27.80 20.40 23.40 1.40 0.10 450

5/9/2010 79.00 28.80 20.40 24.80 3.20 0.00 511

6/9/2010 80.00 33.40 20.80 25.20 5.90 0.00 567

7/9/2010 75.00 29.00 22.40 25.20 3.90 0.00 526

8/9/2010 78.00 29.60 22.40 25.20 4.60 0.00 773

9/9/2010 80.00 30.20 21.20 25.50 2.70 0.00 408

10/9/2010 78.00 32.60 21.80 25.50 7.10 0.00 1013

11/9/2010 82.00 28.00 22.00 24.20 3.20 0.00 597

12/9/2010 76.00 30.20 21.80 25.30 5.00 0.00 849

13/9/2010 79.00 27.00 21.60 23.90 4.00 0.00 780

14/9/2010 83.00 26.80 21.00 23.00 2.90 0.00 669

15/9/2010 84.00 26.80 20.80 23.50 2.80 0.00 430

16/9/2010 78.00 28.20 21.20 24.30 3.10 0.00 540

17/9/2010 82.00 32.20 19.20 24.70 5.30 0.00 670

18/9/2010 82.00 29.20 21.60 24.10 4.50 0.00 580

19/9/2010 78.00 32.80 21.20 25.00 7.10 0.00 735

20/9/2010 79.00 27.20 22.00 24.10 2.50 0.00 498

21/9/2010 83.00 25.60 20.80 23.70 4.60 0.00 259

22/9/2010 79.00 31.60 21.40 24.70 5.20 0.30 714

23/9/2010 80.00 29.20 21.20 24.40 3.70 0.00 449

24/9/2010 77.00 31.40 21.00 25.20 5.20 0.00 561

25/9/2010 78.00 31.80 21.00 25.10 7.60 0.00 674

26/9/2010 76.00 33.20 22.60 25.90 2.40 0.00 1044

27/9/2010 77.00 29.60 22.60 25.40 4.30 0.00 757

 54

28/9/2010 82.00 28.20 22.00 24.40 4.60 0.00 792

29/9/2010 84.00 26.20 21.60 23.40 10.90 1.00 697

30/9/2010 84.00 24.80 20.00 22.70 1.80 0.00 438

1/10/2010 78.00 31.20 20.40 24.70 5.90 5.90 696

2/10/2010 78.00 33.40 20.20 25.00 7.10 7.10 830

3/10/2010 79.00 32.20 19.40 24.40 6.90 6.90 826

4/10/2010 80.00 27.80 21.80 24.00 3.30 3.30 674

5/10/2010 78.00 30.20 21.40 24.80 6.00 6.00 845

6/10/2010 82.00 28.00 21.60 24.30 4.80 4.80 777

7/10/2010 77.00 31.00 21.60 25.10 6.80 6.80 960

8/10/2010 76.00 27.40 21.80 24.30 3.30 3.30 600

9/10/2010 86.00 29.80 20.20 23.90 4.10 4.10 468

10/10/2010 81.00 32.20 20.20 24.70 5.90 5.90 719

11/10/2010 78.00 30.60 21.80 25.00 4.30 4.30 646

12/10/2010 76.00 31.40 20.60 25.10 6.30 6.30 558

13/10/2010 75.00 31.00 20.80 25.10 5.20 5.20 745

14/10/2010 77.00 31.00 22.20 24.90 5.80 5.80 631

15/10/2010 74.00 31.80 21.60 25.10 6.50 6.50 596

16/10/2010 76.00 32.00 19.80 24.70 6.20 6.20 670

17/10/2010 76.00 29.60 20.40 24.70 5.80 5.80 755

18/10/2010 74.00 31.20 21.40 25.00 5.80 5.80 803

19/10/2010 77.00 29.20 21.40 24.20 4.50 4.50 519

20/10/2010 78.00 28.60 21.60 24.50 4.40 4.40 597

21/10/2010 76.00 32.40 20.00 25.00 7.40 7.40 1133

22/10/2010 78.00 28.20 20.80 23.70 4.90 4.90 896

23/10/2010 81.00 26.20 20.80 23.10 3.00 3.00 582

24/10/2010 85.00 25.80 21.00 23.60 2.90 2.90 361

25/10/2010 81.00 27.80 19.60 24.00 3.30 3.30 413

26/10/2010 77.00 32.20 20.00 25.10 7.40 7.40 1017

27/10/2010 76.00 26.40 21.20 23.60 2.80 2.80 681

28/10/2010 84.00 30.00 20.20 23.30 4.00 4.00 608

29/10/2010 85.00 25.80 21.00 22.70 2.60 2.60 630

30/10/2010 79.00 29.60 20.00 23.20 5.40 5.40 1036

 55

31/10/2010 85.00 27.20 19.80 22.90 1.60 1.60 493

1/11/2010 81.00 28.20 20.20 23.00 4.60 0.00 29.8

2/11/2010 88.00 24.80 19.40 21.60 3.20 0.00 36.9

3/11/2010 85.00 23.60 19.20 21.50 2.30 0.00 29.4

4/11/2010 78.00 30.20 19.60 23.30 4.40 0.00 25.3

5/11/2010 79.00 28.80 20.00 23.20 5.10 0.00 28.9

6/11/2010 81.00 30.20 20.00 23.80 5.30 0.00 30.7

7/11/2010 77.00 31.40 20.90 24.50 5.10 0.00 24.8

8/11/2010 79.00 30.00 19.00 24.00 7.20 0.00 31.6

9/11/2010 75.00 33.40 19.20 24.40 4.90 0.00 19.4

10/11/2010 77.00 29.40 20.60 24.50 5.30 0.00 21.7

11/11/2010 76.00 30.40 20.80 24.30 5.40 3.00 27.7

12/11/2010 84.00 29.80 20.60 23.60 3.60 0.00 20.4

13/11/2010 83.00 27.40 20.60 23.90 2.60 0.00 14

14/11/2010 85.00 28.40 22.20 24.10 3.10 0.50 28.5

15/11/2010 84.00 26.80 21.20 24.00 1.50 0.00 18

16/11/2010 85.00 26.40 21.80 23.50 1.70 0.00 11.9

17/11/2010 79.00 31.00 20.80 25.50 1.90 0.10 24

18/11/2010 81.00 28.60 21.20 24.30 3.70 0.00 26.4

19/11/2010 76.00 28.80 22.00 25.10 4.70 0.00 23.6

20/11/2010 75.00 30.60 21.20 25.00 4.50 0.00 26

21/11/2010 75.00 32.80 22.00 26.20 5.30 0.00 26.5

22/11/2010 80.00 25.20 21.80 24.00 2.60 0.00 16.9

23/11/2010 78.00 30.20 18.80 24.50 3.70 0.00 22.3

24/11/2010 81.00 28.60 21.20 24.40 4.00 0.00 14

25/11/2010 78.00 29.40 18.40 24.30 3.30 0.00 14.8

26/11/2010 82.00 28.20 20.20 24.10 2.80 0.00 16.3

27/11/2010 81.00 27.80 22.00 24.60 3.20 0.00 14.8

28/11/2010 81.00 30.20 20.40 23.90 4.50 0.00 31.9

29/11/2010 78.00 29.80 20.20 23.80 5.30 0.00 36.6

30/11/2010 77.00 30.20 21.00 24.30 4.70 0.00 23.6

 ANEXO 2(B). INFORME - POWER DATA ACCESS VIEWER

El propósito de este informe es para exponer los pasos a seguir para la obtención
de datos meteorológicos de una localidad o ciudad. Primero Ingresamos al
enlace: https://power.larc.nasa.gov/data-access-viewer/, aparece la ventana de
inicio del aplicativo Power Data Acces Viewer de la Administración Nacional de
la Aeronáutica y del Espacio más conocida como NASA (National Aeronautics
and Space Administration)

FIGURA 1. Power Data Access Viewer - Ventana de Inicio (NASA, 2020).

En el sitio existen tres tipos de comunidades que disponen de registros

relacionados a cada de estas, la primera comunidad se denomina energía
renovable, que dispone datos solares y eólicos, la segunda comunidad se
denomina edificios sostenibles, que proporciona parámetros amigables con la
industria de edificios, y por último la comunidad de agro-climatología,
seleccionamos este último ya que dispone de datos meteorológicos para el
estudio de diversos factores climáticos, de estas se pueden seleccionar datos
diarios, mensuales y anuales, para los efectos del presente trabajo
seleccionamos los datos diarios.

FIGURA 2. Especificaciones de para la obtención de los datos (NASA, 2020).

 58

Luego para obtener los datos meteorológicos se debe elegir la localidad a la cual
se requiera dicha información, esto se lo realiza a través de la longitud y latitud
de la misma, y con ello extraer los registros históricos. En efecto, los autores
eligieron como localidad la ciudad de Calceta perteneciente al cantón Bolívar de
la provincia de Manabí ubicándose con longitud -0.9092 y latitud -79.9563.

FIGURA 3. Selección de la localidad (NASA, 2020)

Posteriormente, se seleccionaron el rango del tiempo que se desean obtener los

datos especificando la fecha de inicio y la fecha final, en este trabajo de titulación
se seleccionó a partir del 1 de enero del 2010 hasta el 30 de junio del 2020.

FIGURA 4. Especificación de las fechas (NASA,2020 )

Luego se seleccionó el archivo en formato CSV donde estarán almacenadas las

medidas meteorológicas.
 59

FIGURA 5. Formato del archivo (NASA,2020)

Se seleccionaron las medidas de precipitación, velocidad del viento, humedad

relativa, temperatura máxima y mínima. Y damos click en el botón enviar.

FIGURA 6. Selección de las medidas meteorológicas(NASA,2020)

 60

Finalmente visualizamos la ventana para descargar los datos seleccionados,

para ello damos click en el botón “CSV” que es el formato del archivo.

FIGURA 7. Ventana de descarga del archivo en formato CSV, (NASA, 2020)

 ANEXO 2(C). MEDIDAS MENSUALES DEL VISOR DE ACCESO DE DATOS

LAT LON YEAR DOY PRECTOT WS2M RH2M T2M_MAX T2MDEW T2M_MIN
-0.91069 -7.996.259 2010 1 0.03 2.47 60.03 33.44 17.68 20.99
-0.91069 -7.996.259 2010 2 0.00 2.50 60.25 34.13 18.02 21.21
-0.91069 -7.996.259 2010 3 0.01 2.92 59.42 34.70 18.17 21.68
-0.91069 -7.996.259 2010 4 0.86 2.68 61.85 33.17 18.26 22.10
-0.91069 -7.996.259 2010 5 0.17 2.62 67.07 32.11 19.11 21.69
-0.91069 -7.996.259 2010 6 0.00 2.54 61.94 33.71 18.76 22.23
-0.91069 -7.996.259 2010 7 0.28 2.80 66.56 33.41 19.57 22.50
-0.91069 -7.996.259 2010 8 1.66 2.76 72.94 30.13 20.08 22.40
-0.91069 -7.996.259 2010 9 0.82 2.71 69.76 32.55 19.97 21.88
-0.91069 -7.996.259 2010 10 13.38 1.97 78.49 28.53 20.46 22.13
-0.91069 -7.996.259 2010 11 6.27 2.04 82.25 27.66 20.84 22.16
-0.91069 -7.996.259 2010 12 1.25 2.06 70.78 33.08 19.94 21.37
-0.91069 -7.996.259 2010 13 4.62 2.40 76.27 31.30 20.96 21.88
-0.91069 -7.996.259 2010 14 1.10 2.64 74.26 30.81 20.32 21.88
-0.91069 -7.996.259 2010 15 0.80 2.38 68.67 32.99 19.92 21.54
-0.91069 -7.996.259 2010 16 0.36 2.32 69.88 32.37 20.02 21.93
-0.91069 -7.996.259 2010 17 7.24 2.21 69.19 33.90 20.26 21.52
-0.91069 -7.996.259 2010 18 4.06 2.20 73.70 31.49 20.63 21.70
-0.91069 -7.996.259 2010 19 9.80 2.29 76.65 31.45 21.13 21.73
-0.91069 -7.996.259 2010 20 5.38 2.13 72.66 32.97 20.96 21.65
-0.91069 -7.996.259 2010 21 3.40 2.26 73.15 33.11 21.20 22.64
-0.91069 -7.996.259 2010 22 14.28 2.34 75.80 32.05 21.28 22.32
-0.91069 -7.996.259 2010 23 13.24 1.93 79.89 29.82 21.00 21.69
-0.91069 -7.996.259 2010 24 9.12 2.12 79.58 30.00 21.09 21.83
-0.91069 -7.996.259 2010 25 3.67 2.12 77.02 31.02 21.02 21.94
-0.91069 -7.996.259 2010 26 7.24 2.24 79.46 30.20 21.09 21.93
-0.91069 -7.996.259 2010 27 8.53 2.45 81.21 30.79 21.71 22.29
-0.91069 -7.996.259 2010 28 3.69 2.61 81.07 29.62 21.17 21.92
-0.91069 -7.996.259 2010 29 2.20 2.23 79.11 30.73 21.01 21.66
-0.91069 -7.996.259 2010 30 3.25 2.19 79.00 31.37 21.45 21.95
-0.91069 -7.996.259 2010 31 1.02 2.42 77.31 31.83 21.51 22.10
-0.91069 -7.996.259 2010 32 4.29 2.39 75.91 31.85 21.33 22.23
-0.91069 -7.996.259 2010 33 0.55 2.29 75.67 31.69 21.19 21.51
-0.91069 -7.996.259 2010 34 1.45 2.34 76.56 31.66 21.25 21.71
-0.91069 -7.996.259 2010 35 0.83 1.98 75.28 32.30 21.63 22.15
-0.91069 -7.996.259 2010 36 1.32 2.48 79.94 30.65 21.77 22.93
-0.91069 -7.996.259 2010 37 7.19 1.49 82.57 27.53 20.99 21.75
-0.91069 -7.996.259 2010 38 3.71 1.65 76.67 31.46 21.28 21.88
-0.91069 -7.996.259 2010 39 12.71 1.91 82.05 29.63 21.92 22.82
-0.91069 -7.996.259 2010 40 26.63 2.58 84.64 29.22 21.93 22.29
-0.91069 -7.996.259 2010 41 15.86 1.90 87.57 27.57 21.88 22.15
 62

-0.91069 -7.996.259 2010 42 9.07 2.00 87.10 28.38 22.16 22.18

-0.91069 -7.996.259 2010 43 8.23 2.14 88.16 27.02 21.99 22.39
-0.91069 -7.996.259 2010 44 9.43 1.65 86.06 28.01 21.86 21.92
-0.91069 -7.996.259 2010 45 13.04 1.74 83.39 30.11 22.16 22.17
-0.91069 -7.996.259 2010 46 35.31 1.91 87.17 28.61 22.33 22.42
-0.91069 -7.996.259 2010 47 20.33 1.89 88.21 27.69 22.28 21.96
-0.91069 -7.996.259 2010 48 8.32 1.67 84.12 29.80 22.41 22.29
-0.91069 -7.996.259 2010 49 1.54 1.70 82.48 30.37 22.52 22.36
-0.91069 -7.996.259 2010 50 2.80 2.30 86.00 29.16 22.66 22.87
-0.91069 -7.996.259 2010 51 5.53 2.20 83.24 30.82 22.58 22.21
-0.91069 -7.996.259 2010 52 23.00 2.46 84.75 30.13 22.90 23.00
-0.91069 -7.996.259 2010 53 15.98 1.34 89.44 26.87 22.45 22.77
-0.91069 -7.996.259 2010 54 14.76 1.51 86.01 29.13 22.39 22.27
-0.91069 -7.996.259 2010 55 26.24 1.73 87.54 28.65 22.59 22.47
-0.91069 -7.996.259 2010 56 16.99 1.26 89.99 26.94 22.52 22.47
-0.91069 -7.996.259 2010 57 16.29 1.08 83.86 28.76 22.00 22.33
-0.91069 -7.996.259 2010 58 5.02 1.79 84.54 29.57 22.22 22.02
-0.91069 -7.996.259 2010 59 5.05 1.68 84.23 29.38 22.14 22.17
-0.91069 -7.996.259 2010 60 12.20 2.07 84.50 29.51 21.94 21.89
-0.91069 -7.996.259 2010 61 2.15 1.83 84.65 28.69 21.77 21.68
-0.91069 -7.996.259 2010 62 10.61 1.83 84.80 29.31 21.84 21.36
-0.91069 -7.996.259 2010 63 10.25 1.74 85.26 29.79 22.27 21.86
-0.91069 -7.996.259 2010 64 4.46 2.04 84.36 30.15 22.47 21.99
-0.91069 -7.996.259 2010 65 13.95 2.04 85.82 29.59 22.59 22.19
-0.91069 -7.996.259 2010 66 12.43 1.95 85.08 29.42 22.25 21.81
-0.91069 -7.996.259 2010 67 1.85 2.35 86.55 29.15 22.48 22.24
-0.91069 -7.996.259 2010 68 5.04 1.96 90.26 27.33 22.66 22.80
-0.91069 -7.996.259 2010 69 4.49 1.83 87.19 28.35 22.20 21.75
-0.91069 -7.996.259 2010 70 11.11 1.55 88.49 27.44 22.23 22.30
-0.91069 -7.996.259 2010 71 14.51 1.46 88.90 27.41 22.19 22.02
-0.91069 -7.996.259 2010 72 13.00 1.42 84.87 28.57 21.92 21.81
-0.91069 -7.996.259 2010 73 2.24 1.39 83.86 29.86 22.44 22.35
-0.91069 -7.996.259 2010 74 10.02 1.97 87.11 28.51 22.50 22.54
-0.91069 -7.996.259 2010 75 2.97 1.68 84.46 29.05 21.99 21.74
-0.91069 -7.996.259 2010 76 3.49 1.95 86.18 29.04 22.18 22.09
-0.91069 -7.996.259 2010 77 7.60 1.56 83.36 29.22 21.75 21.81
-0.91069 -7.996.259 2010 78 9.77 1.84 88.09 28.42 22.67 22.34
-0.91069 -7.996.259 2010 79 4.52 1.82 89.67 27.48 22.74 22.87
-0.91069 -7.996.259 2010 80 7.45 1.96 85.72 29.46 22.28 21.83
-0.91069 -7.996.259 2010 81 7.43 1.87 87.34 27.81 22.16 22.04
-0.91069 -7.996.259 2010 82 0.18 1.59 85.33 29.73 22.41 21.61
-0.91069 -7.996.259 2010 83 10.06 1.88 85.45 29.18 22.38 22.56
-0.91069 -7.996.259 2010 84 9.74 1.90 84.81 29.23 22.00 22.02
-0.91069 -7.996.259 2010 85 6.74 1.15 83.06 28.93 21.82 22.00
-0.91069 -7.996.259 2010 86 0.79 1.82 83.79 30.48 22.66 22.31
 63

-0.91069 -7.996.259 2010 87 2.99 1.90 84.77 29.29 22.13 22.11

-0.91069 -7.996.259 2010 88 12.06 2.14 86.16 28.99 22.21 21.91
-0.91069 -7.996.259 2010 89 28.21 1.82 89.87 27.24 22.00 21.59
-0.91069 -7.996.259 2010 90 36.57 1.42 91.72 25.75 21.95 21.64
-0.91069 -7.996.259 2010 91 21.85 1.80 89.03 28.34 22.66 21.82
-0.91069 -7.996.259 2010 92 8.38 1.75 86.38 28.67 22.05 21.92
-0.91069 -7.996.259 2010 93 4.80 1.90 87.07 28.50 22.32 21.72
-0.91069 -7.996.259 2010 94 48.00 1.81 87.02 29.54 22.48 21.82
-0.91069 -7.996.259 2010 95 43.61 1.80 89.19 28.15 22.86 22.58
-0.91069 -7.996.259 2010 96 13.57 0.95 83.29 28.93 21.80 22.06
-0.91069 -7.996.259 2010 97 11.98 1.54 87.55 28.39 22.41 21.93
-0.91069 -7.996.259 2010 98 13.07 1.74 88.07 28.39 22.46 22.16
-0.91069 -7.996.259 2010 99 23.60 1.60 88.44 27.79 22.46 22.02
-0.91069 -7.996.259 2010 100 2.50 1.62 86.71 28.74 22.30 21.67
-0.91069 -7.996.259 2010 101 14.33 1.52 90.65 27.44 22.35 22.20
-0.91069 -7.996.259 2010 102 4.58 1.96 88.10 28.60 22.27 22.10
-0.91069 -7.996.259 2010 103 2.42 1.92 86.11 28.56 21.84 21.60
-0.91069 -7.996.259 2010 104 1.10 1.68 87.80 28.61 22.25 21.70
-0.91069 -7.996.259 2010 105 4.83 1.90 90.17 27.30 22.56 22.43
-0.91069 -7.996.259 2010 106 0.65 1.92 85.72 29.02 22.13 21.89
-0.91069 -7.996.259 2010 107 2.93 1.57 85.63 29.09 22.14 22.04
-0.91069 -7.996.259 2010 108 16.45 2.03 86.84 29.31 22.54 21.81
-0.91069 -7.996.259 2010 109 21.98 1.88 88.62 27.75 22.26 22.07
-0.91069 -7.996.259 2010 110 3.15 1.78 85.17 29.39 22.22 21.77
-0.91069 -7.996.259 2010 111 0.83 1.69 86.29 28.38 22.10 21.57
-0.91069 -7.996.259 2010 112 0.48 1.86 85.32 30.16 22.57 21.89
-0.91069 -7.996.259 2010 113 0.14 2.22 84.54 29.63 22.18 21.87
-0.91069 -7.996.259 2010 114 0.55 1.95 85.50 28.83 21.73 21.43
-0.91069 -7.996.259 2010 115 1.51 2.00 85.44 28.83 21.47 20.92
-0.91069 -7.996.259 2010 116 4.30 1.27 86.04 28.28 21.73 21.10
-0.91069 -7.996.259 2010 117 4.19 1.78 86.38 29.27 22.39 21.92
-0.91069 -7.996.259 2010 118 5.61 1.60 87.90 27.93 21.82 21.78
-0.91069 -7.996.259 2010 119 1.08 1.63 85.30 28.87 21.97 21.75
-0.91069 -7.996.259 2010 120 2.22 1.82 87.93 28.29 22.25 21.96
-0.91069 -7.996.259 2010 121 1.32 1.13 84.98 28.76 22.11 22.07
-0.91069 -7.996.259 2010 122 4.79 2.09 87.69 28.25 22.31 22.10
-0.91069 -7.996.259 2010 123 6.71 1.13 86.50 28.06 21.79 21.75
-0.91069 -7.996.259 2010 124 3.12 1.28 85.10 28.46 21.73 22.12
-0.91069 -7.996.259 2010 125 7.83 1.63 86.36 28.82 22.20 22.01
-0.91069 -7.996.259 2010 126 5.83 1.70 86.80 28.18 22.06 22.07
-0.91069 -7.996.259 2010 127 0.13 1.99 84.96 29.48 22.24 22.03
-0.91069 -7.996.259 2010 128 0.48 2.03 85.47 29.40 22.43 22.32
-0.91069 -7.996.259 2010 129 0.45 2.01 85.98 29.93 22.88 22.56
-0.91069 -7.996.259 2010 130 1.27 1.84 85.72 29.33 22.62 22.66
-0.91069 -7.996.259 2010 131 0.13 2.02 81.72 31.21 22.10 21.65
ANEXO 3(A). DATA SET DE LA ESTACIÓN METEOROLÓGICA DE LA ESPAM - MFL
 65

ANEXO 3(B). DATA SET POWER DATA ACCES VIEWER

 66

ANEXO 4(A). DISPERCIÓN DE LOS DATOS CON LA CORRELACIÓN DE PEARSON – SET_ESPAM

 67

ANEXO 4(B). DISPERCIÓN DE LOS DATOS CON LA CORRELACIÓN DE PEARSON – SET_POWERDATA

 68

ANEXO 5(A). ENTRENAMIENTO Y TESTEO CON LA RED NEURONAL FEEDFORWARD

Ilustración 1. Experimentación con Epochs de 10 a 120, observamos que la predicción del modelo fue errónea (línea naranja) debido que no fue capaz de aprender la secuencia real de los datos (línea azul).
 69

ANEXO 5(B). ENTRENAMIENTO Y TESTEO CON LA RED NEURONAL PERCEPTRON MULTICAPA

Ilustración 2. La red Perceptrón Multicapa empleando una cantidad notable de 40 Epochs no logró aproximarse (línea naranja) a la secuencia real de los datos (línea azul)
 70

ANEXO 6(A). PREDICCIONES DE LOS PRÓXIMOS 15 DÍAS CON LOS DATOS DE LA ESTACIÓN METEOROLÓGICA DE ESPAM-MFL
 71

ANEXO 6(B). PREDICCIONES DE LOS PRÓXIMOS 15 DÍAS CON LOS DATOS DEL SITIO WEB POWER DATA ACCESVIEWER.