Modelo de serie temporal para pronosticar la temperatura superficial del mar en la zona costera de Paita (Perú)

Autores/as

  • Oscar J. M. Peña Cáceres Universidad Nacional de Piura
  • Manuel A. More More Universidad Nacional de Piura
  • Rudy Espinoza Nima Universidad Nacional de Piura
  • Henry Silva Marchan Universidad Nacional de Tumbes

DOI:

https://doi.org/10.37467/revtechno.v11.4458

Palabras clave:

Fenómeno El Niño, Temperatura Superficial del Mar, Serie de Tiempo, Red Neuronal Artificial, Población

Resumen

Las técnicas de inteligencia artificial han evolucionado y fortalecido permitiendo desarrollar propuestas transversales que velen y salvaguarden la integridad del ser humano. El presente estudio tiene como objetivo, elaborar una serie de tiempo que pronostique la Temperatura Superficial del Mar (TSM) a escala promedio diaria en la zona costera de Paita, Perú. La metodología empleada se centró en cinco fases, desde la recolección de datos hasta la validación del modelo. Los resultados obtenidos dan a conocer que existe un margen de error del 3.96% sobre la TSM a escala promedio semanal y una diferencia de 0.05 a 1.42, de manera diaria.

Citas

Alonzo, R., Salguero, F., Javier, F., & Morales, A. (2021). Series Temporales Avanzadas: Aplicación de Redes Neuronales para el Pronóstico de Series de Tiempo. Universidad de Granada.

Astsatryan, H., Grigoryan, H., Poghosyan, A., Abrahamyan, R., Asmaryan, S., Muradyan, V., Tepanosyan, G., Guigoz, Y., & Giuliani, G. (2021). Air temperature forecasting using artificial neural network for Ararat valley. Earth Science Informatics 2021 14:2, 14(2), 711-722. https://doi.org/10.1007/S12145-021-00583-9 DOI: https://doi.org/10.1007/s12145-021-00583-9

Bellagarda, A., Cesari, S., Aliberti, A., Ugliotti, F., Bottaccioli, L., Macii, E., & Patti, E. (2022). Effectiveness of neural networks and transfer learning for indoor air-temperature forecasting. Automation in Construction, 140, 104314. https://doi.org/10.1016/J.AUTCON.2022.104314 DOI: https://doi.org/10.1016/j.autcon.2022.104314

Cáceres, O. J. M. P., More, M. A. M., Sojo, R. E. C., & Silupu, E. R. G. (2022). Social distancing in the face of COVID-19: simulation of the maximum capacity of people through PHP. Ingenius, 27(27), 9-16. https://doi. org/10.17163/INGS.N27.2022.01

Castro, E. S., Alves, J. M. B., Da Silva, E. M., Campos, J. N., & Alves, A. O. (2020). Forecast of sea surface temperature (SST) in Tropical Atlantic with the use artificial neural networks. Revista Brasileira de Meteorologia, 35(3), 505-515. https://doi.org/10.1590/0102-77863540075 DOI: https://doi.org/10.1590/0102-77863540075

Choi, B., Bergés, M., Bou-Zeid, E., & Pozzi, M. (2021). Short-term probabilistic forecasting of meso-scale near- surface urban temperature fields. Environmental Modelling & Software, 145, 105189. https://doi. org/10.1016/J.ENVSOFT.2021.105189 DOI: https://doi.org/10.1016/j.envsoft.2021.105189

Condori, P. P. C. (2020). Derivados financieros y los efectos del fenómeno El Niño en la rentabilidad de las empresas pesqueras y agroindustriales peruanas. Economía & Negocios, 2(1), 15-23. https://doi.org/10.33326/27 086062.2020.1.904 DOI: https://doi.org/10.33326/27086062.2020.1.904

Hijar, G., Bonilla, C., Munayco, C. V., Gutierrez, E. L., & Ramos, W. (2016). Fenómeno el niño y desastres naturales: intervenciones en salud pública para la preparación y respuesta. Revista Peruana de Medicina Experimental y Salud Publica, 33(2), 300-310. https://doi.org/10.17843/RPMESP.2016.332.2205 DOI: https://doi.org/10.17843/rpmesp.2016.332.2205

Holguín, C., Díaz-Ricardo, Y., & Antonio Becerra-García, R. (2014). El lenguaje de programación Python. http://www.linuxjournal.com/article/2959

Kuroki, M. (2021). Using Python and Google Colab to teach undergraduate microeconomic theory. International Review of Economics Education, 38, 100225. https://doi.org/10.1016/J.IREE.2021.100225 DOI: https://doi.org/10.1016/j.iree.2021.100225

Wolff, S., O’Donncha, F., & Chen, B. (2020). Statistical and machine learning ensemble modelling to forecast sea surface temperature. Journal of Marine Systems, 208, 103347. https://doi.org/10.1016/J. JMARSYS.2020.103347 DOI: https://doi.org/10.1016/j.jmarsys.2020.103347

Wu, A., Hsieh, W. W., & Tang, B. (2006). Neural network forecasts of the tropical Pacific sea surface temperatures. Neural Networks, 19(2), 145-154. https://doi.org/10.1016/J.NEUNET.2006.01.004 DOI: https://doi.org/10.1016/j.neunet.2006.01.004

Descargas

Publicado

2022-12-29

Cómo citar

Peña Cáceres, O. J. M., More More, M. A., Espinoza Nima, R., & Silva Marchan, H. . (2022). Modelo de serie temporal para pronosticar la temperatura superficial del mar en la zona costera de Paita (Perú). TECHNO REVIEW. International Technology, Science and Society Review /Revista Internacional De Tecnología, Ciencia Y Sociedad, 11(5), 1–11. https://doi.org/10.37467/revtechno.v11.4458

Número

Vol. 11 Núm. 5 (2022): Monográfico: "Innovación de vanguardia a partir de textos académicos pre y post doctorales"

Sección

Artículos de investigación (monográfico)

Licencia

Aquellos autores/as que publiquen en esta revista, aceptan los términos siguientes:

  1. Los autores/as conservarán los derechos morales sobre la obra y cederán a la revista los derechos comerciales.
  2. Transcurrido un año desde su publicación, la versión del editor pasará a estar en acceso abierto en la web de la editorial, pero la revista mantendrá el copyright de la obra.
  3. En el caso de que los autores deseen asignar una licencia abierta Creative Commons (CC), podrán solicitarla escribiendo a publishing@eagora.org