Predicción de Lluvias Extremas: un Análisis Comparativo de Modelos para Anticipar Riesgos

• El trabajo centra su atención en lluvias que superan los 50 mm en un solo día, umbral definido como evento extremo.

Ricardo Jesús Rivas/ CAMBIO 22

CHETUMAL, 30 de septiembre. – La capital delestado enfrenta cada año lluvias intensas que superan los 50 milímetros en un solo día y que provocan inundaciones con fuertes daños materiales y riesgos para la población.

Para enfrentar este problema, investigadores de la Universidad Tecnológica de Chetumal, Dr. Martín Antonio Santos Romero; de la Universidad Autónoma del Estado de Quintana Roo, Dr. José Manuel Camacho Sanabria, Dra. Rosalía Chávez Alvarado y Mtra. Alicia Guadalupe Robertos Pinto y, de la Universidad Autónoma de Chiapas, Dr. Juan Antonio Álvarez Trinidad; analizaron más de 20 años de datos de precipitación en la ciudad y compararon diferentes modelos matemáticos de predicción, aplicando técnicas de inteligencia artificial.

El estudio “Extreme Rainfall Time Series Prediction: A Comparative Analysis of SARIMA, Random Forest, LSTM, and Prophet Models” presenta un análisis detallado sobre la capacidad de distintos modelos estadísticos y de inteligencia artificial para predecir eventos de precipitación extrema. Para ello, se emplearon 20 años de datos diarios de lluvia, con el objetivo de identificar patrones, evaluar precisión y determinar cuál metodología es más efectiva frente a este desafío climático.

El trabajo centra su atención en lluvias que superan los 50 mm en un solo día, umbral definido como evento extremo. Estos episodios, por su magnitud, son detonantes de riesgos hidrometeorológicos que afectan tanto a zonas urbanas como rurales, lo que hace indispensable contar con predicciones más confiables.

Cuatro modelos fueron puestos a prueba: SARIMA (AutoRegressive Integrated Moving Average estacional), Random Forest, LSTM (redes neuronales de memoria a largo plazo) y Prophet, desarrollado por Meta. Cada uno fue evaluado con métricas de error y precisión para determinar su efectividad en capturar la naturaleza no lineal y estacional de las lluvias intensas.

Los resultados revelaron que SARIMA superó a los demás modelos en términos de precisión general, mostrando un mejor ajuste para capturar los picos de precipitación y reduciendo errores en las predicciones. En contraste, LSTM y Random Forest presentaron limitaciones importantes, con mayores márgenes de error y dificultades para anticipar correctamente los eventos extremos.

Por su parte, Prophet mostró un desempeño intermedio, con capacidad aceptable para reconocer tendencias y patrones estacionales, pero con deficiencias para pronosticar los máximos de lluvia. Esto confirma que, aunque los modelos de inteligencia artificial poseen potencial, todavía no garantizan la misma confiabilidad que los enfoques estadísticos tradicionales en este tipo de series temporales.

El estudio también determinó que la ocurrencia de lluvias extremas no muestra una tendencia sostenida de incremento a largo plazo, pero sí mantiene una concentración clara en los meses de junio a septiembre, lo que coincide con la temporada más crítica en regiones tropicales. Esta estacionalidad es un factor clave para la planeación de políticas de prevención.

Entre las recomendaciones de los autores, se plantea la necesidad de integrar variables adicionales como temperatura, humedad y escenarios de cambio climático, así como desarrollar modelos híbridos que combinen lo mejor de los enfoques estadísticos y de inteligencia artificial. Esto permitiría construir sistemas de alerta temprana más robustos y útiles para la gestión del riesgo.

Finalmente, la investigación concluye que el uso de modelos predictivos en precipitación extrema es una herramienta fundamental para la planificación y la toma de decisiones, especialmente en territorios vulnerables. El análisis comparativo deja en claro que la elección del modelo no debe basarse en tendencias tecnológicas, sino en evidencia de desempeño y utilidad práctica para la reducción de riesgos.

redaccion@diariocambio22.mx

RHM