Aplicación de downscaling estadístico a datos de temperatura y precipitación utilizando técnicas de inteligencia artificial caso de estudio : la cuenca del río Dagua, Valle del Cauca

Abstract

Este trabajo de grado dispone datos de las variables climáticas proyectadas de temperatura y precipitación que sean de utilidad para la modelación hidrológica en el grupo de investigación GISMODEL, a partir de la integración de los escenarios climáticos de los Modelos Circulación General (GCM) definidos en el IPCC6 (Grupo Intergubernamental para el Cambio Climático, 2015), usando técnicas de Inteligencia Artificial y herramientas geomáticas, a una resolución espacio-temporal más apropiada, debido a que la resolución de los MCG es bastante gruesa para la modelación a nivel local. Con base en el estado del arte tecnológico actual, se decide implementar una metodología basada en modelamiento con Redes Neuronales Artificiales (RNA) y evaluar su capacidad con técnicas de aprendizaje automático convencionales como la Regresión Lineal (RL), Random Forest (RF) y Regresión de Vectores de Soporte (RVS), con el objeto de comparar cuál de los modelos se adapta mejor a cada una de las variables de estudio. Así mismo se evalúa la precisión de cada modelo con datos reales observados, suministrados por mediciones de estaciones meteorológicas automáticas del IDEAM ("Unipacífico", "La Cumbre" y "Farallones"). El escenario objeto de la investigación es la costa pacífica del departamento del Valle del Cauca, con caso de estudio sobre la cuenca del río Dagua. El análisis cubre el periodo de 2015-2035 y se basa en los escenarios SSP1-19, SSP1-26 y SSP2-45, para la cual se generó información espacio-temporal de temperatura y precipitación a una resolución espacial de 0.1° (∼ 9 km) y resolución temporal horaria. Dado que los GCM presentan una menor resolución espacial y temporal, se emplearon los datos de ERA5-Land como referencia para el proceso de dowmscaling, permitiendo así una mayor fidelidad en la representación de las variaciones climáticas locales para el periodo 2024-2035. Entre los modelos evaluados, la arquitectura ConvLSTM2D demostró ser la que mejor representa las dependencias temporales y espaciales complejas en los datos climáticos. Los resultados obtenidos para la variable de temperatura muestran un coeficiente de determinación R2 = 0.972, un error cuadrático medio (ECM): 1.001 °C y un error absoluto medio (EAM): 0.733 °C, reflejando una alta precisión en las predicciones. Para la precipitación, el modelo alcanzó un R2 = 0.020, un RECM: 0.264 mm/h y un EAM: 0.150 mm/h, lo que indica desafíos adicionales en la representación a resolución horaria de esta variable, debido a la alta variabilidad en las precipitaciones en la región Pacífica del departamento. La información ambiental generada está a disposición del público, desplegada en la nube, para la consulta y descarga de datos de temperatura y precipitación en los diferentes futuros climáticos establecidos por el IPCC6, por medio de una plataforma digital de uso libre.