Desarrollo de un modelo de predicción espaciotemporal de variables atmosféricas en zonas de glaciares usando redes neuronales artificiales

Abstract

La generación de datos climáticos de alta resolución en regiones con topografía compleja, como los Andes, representa un desafío significativo para la modelación meteorológica. Los modelos climáticos regionales tradicionales, como el Weather Research and Forecasting (WRF), enfrentan limitaciones relacionadas con altos costos computacionales y tiempos de procesamiento prolongados, especialmente cuando se requieren resoluciones espaciotemporales elevadas (menores a 27 km y horarias). Este estudio presenta una alternativa basada en inteligencia artificial para replicar las salidas del modelo WRF en la Cordillera Blanca, Perú, caracterizada por elevaciones que alcanzan los 6768 m sobre el nivel del mar y marcada variabilidad climática. La investigación tiene como objetivo desarrollar y evaluar modelos de aprendizaje profundo capaces de generar datos atmosféricos de alta resolución (3 km) con menor costo computacional. Se fundamenta en la capacidad de las redes neuronales recurrentes convolucionales para capturar dependencias espaciotemporales complejas en datos meteorológicos, utilizando variables del Global Forecast System (GFS) y datos de elevación de alta resolución. Se implementan y comparan dos arquitecturas: un modelo basado en capas ConvLSTM2D con doble entrada y un modelo encoder-decoder. Mediante experimentación numérica se evalúa el desempeño en la predicción de temperatura, humedad relativa, y componentes del viento. Los resultados demuestran que el modelo ConvLSTM2D posee un desempeño superior, reduciendo significativamente el tiempo de inferencia y requisitos de memoria comparado con WRF, mientras que mantiene una precisión adecuada. El modelo desarrollado ofrece una herramienta práctica para pronóstico meteorológico en tiempo real en regiones montañosas, contribuyendo al avance de metodologías basadas en inteligencia artificial para el modelamiento climático regional.