Resumen de Modelado y predicción del fenómeno el Niño en Piura, Perú mediante redes neuronales artificiales usando Matlab.

Miguel Jimenez Carrion, Flabio Gutierrez Segura, Jorge Celi Pinzon

• español

  Se ha aplicado redes neuronales artificiales a los datos climáticos de precipitación, temperaturas superficiales de mar en diferentes zonas calificadas como Niño y la velocidad de los vientos alisios con el fin de modelar y predecir el fenómeno El Niño, con seis meses de anticipación a la presencia del mismo. El estudio se realiza en Piura, Perú. Se realiza un análisis preliminar de la información para determinar el grado de correlación entre las variables, luego se ha diseñado el modelado en dos fases, la primera usa las redes neuronales para modelar las variables como series temporales y en la segunda fase se diseña una red neuronal usando MatLab para que simule el comportamiento de las precipitaciones en Piura. Los resultados del estudio muestran que las redes neuronales son una técnica altamente confiable para encontrar un patrón de comportamiento de las precipitaciones y luego para predecir el fenómeno alcanzando una tasa de acierto del 98.4% en la etapa de entrenamiento y de 100% en la predicción del primer semestre del año 2016.

• English

  Artificial neural networks have been applied to climatic precipitation data, including surface sea temperatures in different areas classified as El Niño, and speed of trade winds with the purpose of modeling and predicting the climate phenomenon six months in advance to its appearance. The study was done in Piura, Peru. A preliminary analysis of the information is performed to determine the degree of correlation between variables. A model in two phases was later designed. In the first phase, neural networks using MatLab were used to model variables as time series and, in the second phase, a neural network was designed to simulate the nature of rainfall in Piura. The study shows that neural networks represents a highly reliable technique to find a pattern of precipitation and then for predicting the phenomenon with probability of 98.4% in the training step and 100% in the predicting step for the first semester of 2016.