Modelo de Machine Learning para el pronóstico de precipitaciones en la Estación Jorge Basadre de la región Tacna

Abstract

En el presente estudio, se creó un modelo de machine learning para poder hacer pronóstico meteorológico sobre la precipitación en la estación de Jorge Basadre en la región de Tacna. Este trabajo se centra en la predicción de precipitaciones en la estación meteorológica, empleando modelos de machine learning aplicados a series temporales climáticas. La investigación responde a la necesidad de contar con pronósticos más precisos que permitan anticipar eventos de lluvia y así reducir riesgos, optimizar la gestión de recursos hídricos y apoyar la planificación agrícola. Se utilizaron datos históricos comprendidos entre 2021 y 2025, que incluyen registros de temperatura, humedad relativa, presión atmosférica y precipitaciones. Como punto de referencia, se implementaron modelos estadísticos tradicionales como ARIMA y Prophet para establecer una base comparativa inicial. La metodología siguió el enfoque CRISP-DM, que abarcó desde la comprensión del problema y el análisis exploratorio de datos hasta la modelación, evaluación y despliegue. El preprocesamiento incluyó limpieza de valores nulos y atípicos, normalización de variables y generación de secuencias temporales. Se seleccionaron características relevantes para reducir la complejidad y se entrenaron modelos basados en redes neuronales recurrentes LSTM y GRU. La optimización de hiperparámetros, tamaño de ventana, unidades recurrentes, tamaño de lote y tasa de aprendizaje se realizó con el fin de maximizar el rendimiento. La evaluación se llevó a cabo mediante métricas como MAE, MSE, RMSE y MAPE, empleando además validación cruzada K-Fold (TimeSeriesSplit), para garantizar la robustez de los resultados. Los hallazgos mostraron que el modelo GRU superó a LSTM en precisión, obteniendo menores valores de error y demostrando una mayor capacidad para capturar dependencias temporales y patrones no lineales propios de la variabilidad climática. No obstante, ambos modelos superaron ampliamente a las aproximaciones estadísticas tradicionales. En conclusión, este estudio confirma la efectividad de las redes neuronales recurrentes, en especial GRU, como herramienta para el pronóstico de precipitaciones, ofreciendo un marco metodológico sólido y aplicable a la gestión climática, la prevención de desastres y el desarrollo sostenible de la región de Tacna; asimismo, se recomienda que futuras investigaciones incorporen datos meteorológicos de al menos diez años, con el fin de mejorar la precisión y confiabilidad de los modelos predictivos.