Estudio comparativo de modelos de aprendizaje automático para la predicción de precipitaciones en contextos andinos
Palabras clave:
Aprendizaje automático, aprendizaje profundo, precipitaciones, predicciónResumen
El presente estudio propone una comparación de 4 modelos de aprendizaje automático como: XGBoost, Random Forest, Long Short-Term Memory y Temporal Convolutional Network, se evaluó el desempeño integrando métricas de regresión como MAE, RMSE y R2 para cuantificar la magnitud del error, y métricas de clasificación binaria como accuracy, precision, recall y F1-score para medir la capacidad del modelo de discriminar entre eventos de lluvia y no lluvia. Cabe indicar que estos modelos se entrenaron sobre los datos previamente procesados, utilizando validación cruzada y búsqueda de hiperparámetros para optimizar su desempeño. En cuanto a los resultados evidencian que cada modelo posee fortalezas particulares: Random Forest se destaca por su equilibrio general, XGBoost por su sensibilidad extrema, Long Short-Term Memory por su precisión en predicciones continuas, y Temporal Convolutional Network por su estabilidad y capacidad de interpretar secuencias.
Descargas
Citas
An, S., Oh, T.-J., Sohn, E., & Kim, D. (2025). Deep learning for precipitation nowcasting: A survey from the perspective of time series forecasting. Expert Systems with Applications, 268, 126301. https://doi.org/10.1016/j.eswa.2024.126301
El Hafyani, M., El Himdi, K., & El Adlouni, S.-E. (2024). Improving monthly precipitation prediction accuracy using machine learning models: A multi-view stacking learning technique. Frontiers in Water, 6. https://doi.org/10.3389/frwa.2024.1378598
Geng, S. (2024). Analysis of the Different Statistical Metrics in Machine Learning. Highlights in Science, Engineering and Technology, 88, 350-356. https://doi.org/10.54097/jhq3tv19
Hartinger, S. M., Palmeiro-Silva, Y. K., Llerena-Cayo, C., Blanco-Villafuerte, L., Escobar, L. E., Diaz, A., Sarmiento, J. H., Lescano, A. G., Melo, O., Rojas-Rueda, D., Takahashi, B., Callaghan, M., Chesini, F., Dasgupta, S., Posse, C. G., Gouveia, N., Martins de Carvalho, A., Miranda-Chacón, Z., Mohajeri, N., … Romanello, M. (2024). The 2023 Latin America report of the Lancet Countdown on health and climate change: The imperative for health-centred climate-resilient development. Lancet Regional Health - Americas, 33, 100746. https://doi.org/10.1016/j.lana.2024.100746
He, K., Zhao, W., Brocca, L., & Quintana-Seguí, P. (2023). SMPD: A soil moisture-based precipitation downscaling method for high-resolution daily satellite precipitation estimation. Hydrology and Earth System Sciences, 27(1), 169-190. https://doi.org/10.5194/hess-27-169-2023
Kagabo, J., Kattel, G. R., Kazora, J., Shangwe, C. N., & Habiyakare, F. (2024). Application of Machine Learning Algorithms in Predicting Extreme Rainfall Events in Rwanda. Atmosphere, 15(6), Article 6. https://doi.org/10.3390/atmos15060691
Kala, K., Vijayakumar, N., Poovizhi, P., & Selvapandian, D. (2023). An Efficient Rainfall Forecasting System using Machine Learning Methods. International Conference on Electrical Engineering and Information Communication Technology, 1(6). https://doi.org/10.1109/ICEEICT56924.2023.10157395
Kossieris, P., Tsoukalas, I., Brocca, L., Mosaffa, H., Makropoulos, C., & Anghelea, A. (2024). Precipitation data merging via machine learning: Revisiting conceptual and technical aspects. Journal of Hydrology. https://doi.org/10.1016/j.jhydrol.2024.131424
Paredes, D. S., Jiménez, J. F. M., & Vélez, J. L. P. (2024). Análisis de la vulnerabilidad de infraestructuras críticas como represas, puentes y carreteras ante eventos asociados al fenómeno de: El Niño – Oscilación Sur en la Costa ecuatoriana. AlfaPublicaciones, 6(1.1), 45-61. https://doi.org/10.33262/ap.v6i1.1.454
Paredes, D. S., Rivera, E. F., Baldeón-Egas, P., & Toasa, R. M. (2025). The Multiscale Assessment of Infrastructure Vulnerability to River Floods in Andean Areas: A Case Study of the Chibunga River in the Parish of San Luis, Ecuador. Sustainability, 17(17), 7915. https://doi.org/10.3390/su17177915
Qin, Z., Zhang, Y., Qin, H., Mo, L., Ren, P., & Zhu, S. (2024). A Temporal Convolutional Neural Network Fusion Attention Mechanism Runoff Prediction Model Based on Dynamic Decomposition Reconstruction Integration Processing. Water, 16(23), 3515. https://doi.org/10.3390/w16233515
Santos, F., Jara, J., Acosta, N., Galeas, R., & De Bièvre, B. (2024). Assessing Annual and Monthly Precipitation Anomalies in Ecuador Bioregions Using WorldClim CMIP6 GCM Ensemble Projections and Dynamic Time Warping. International Journal of Climatology, 45, n/a-n/a. https://doi.org/10.1002/joc.8685
Strauss, E., Villas Boas, M., & Ferreira, W. L. (2023). The importance of using appropriate performance evaluation metrics in predictive machine learning models. Projectus, 7(2), 52-62. https://doi.org/10.15202/25254146.2022v7n2p52
Torres-Díaz, V., del Río-Rama, M. de la C., Álvarez-García, J., & Venegas-Martínez, F. (2025). Spatial Inequalities and the Sensitivity of Social Vulnerability in Ecuador. Land, 14(11), 2110. https://doi.org/10.3390/land14112110
Tricha, A., & Moussaid, L. (2024). Evaluating machine learning models for precipitation prediction in Casablanca City. Indonesian Journal of Electrical Engineering and Computer Science. https://doi.org/10.11591/ijeecs.v35.i2.pp1325-1332
Wani, O. A., Mahdi, S. S., Yeasin, M., Kumar, S. S., Gagnon, A. S., Danish, F., Al-Ansari, N., El‑Hendawy, S., & Mattar, M. A. (2024). Predicting rainfall using machine learning, deep learning, and time series models across an altitudinal gradient in the North-Western Himalayas. Scientific Reports, 14(1), 27876. https://doi.org/10.1038/s41598-024-77687-x
Waqas, M., & Humphries, U. W. (2024). A critical review of RNN and LSTM variants in hydrological time series predictions. MethodsX, 13, 102946. https://doi.org/10.1016/j.mex.2024.102946
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Journal of Science and Research
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes:
Reconocer los créditos de la obra de la manera especificada por el autor o el licenciante (pero no de una manera que sugiera que tiene su apoyo o que apoyan el uso que hace de su obra).
No utilizar esta obra para fines comerciales.
Declaración de privacidad
Los nombres y direcciones de correo-e introducidos en esta revista se usarán exclusivamente para los fines declarados por esta revista y no estarán disponibles para ningún otro propósito u otra persona.