Browsing by Subject "Red Neuronal LSTM"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Análisis predictivo del impacto del fenómeno El Niño-Oscilación Sur (ENOS) en el nivel del mar en el Pacífico Colombiano, empleando Modelos de Series de Tiempo y Algoritmos de Machine Learning
    (Pontificia Universidad Javeriana Cali, 2025) Vásquez López, Laura Marcela; Bermúdez Rivas, Christian; Ramírez Buelvas, Sandra Milena
    Este estudio evaluó el impacto del fenómeno El Niño-Oscilación del Sur (ENOS) sobre la variabilidad del nivel del mar en el litoral Pacífico colombiano, con énfasis en las zonas urbanas de Ciudad Mutis, Buenaventura y Tumaco. Se implementó una metodología basada en el estándar CRISP-DM, integrando técnicas de ciencia de datos, modelado geoestadístico y algoritmos de aprendizaje profundo orientados a series de tiempo, con el objetivo de generar escenarios predictivos de sobreelevación del nivel del mar y analizar su impacto espacial sobre ecosistemas y asentamientos humanos vulnerables. Para alcanzar este objetivo, se integraron múltiples fuentes de datos, incluyendo series de tiempo oceanográficas y atmosféricas (nivel del mar, temperatura superficial del mar, presión media a nivel del mar, viento superficial y precipitación acumulada), productos satelitales y de reanálisis (CMEMS, ERA5, MSWEP ), así como datos altimétricos de alta resolución obtenidos mediante sensores como el Light Detention and Ranging - LiDAR. Las series temporales fueron sometidas a procesos de limpieza, transformación (análisis de anomalías, suavizado, estandarización) y análisis de correlación, tanto bivariado como multivariado. Posteriormente, se implementaron modelos de redes neuronales recurrentes tipo Long Short-Term Memory (LSTM ), entrenados con series multivariadas para predecir anomalías del nivel del mar asociadas a diferentes fases del ENOS. Los resultados mostraron que los modelos LSTM alcanzaron un desempeño sobresaliente, con coeficientes de determinación (R2) superiores a 0.920 y errores cuadráticos medios (RMSE ) inferiores a 0.011 m en todas las localidades. El modelo multivariado (Modelo 3), que utilizó directamente las series de tiempo de las anomalías estandarizadas de las variables ambientales, superó en precisión a los modelos basados en componentes canónicos. Se identificaron asociaciones significativas entre el nivel del mar y los índices ENOS, especialmente Niño 3.4, así como con variables locales como la presión y el viento zonal. Los eventos El Niño Canónico y Costero generaron las mayores sobreelevaciones (hasta 0.110 m), mientras que los eventos La Niña provocaron descensos moderados (hasta –0.060 m). En paralelo, se generaron Modelos Digitales de Elevación (MDE ) a partir de datos LiDAR, utilizando técnicas geoestadísticas (kriging) y métodos determinísticos (interpolación lineal, cúbica y por vecinos más cercanos). La interpolación lineal demostró ser la técnica más precisa y estable, con valores de R2 superiores a 0.999 en las tres localidades. Estos MDE fueron fundamentales para la construcción de escenarios de inundación, definidos como la suma de la marea máxima observada (percentil 90), el run-up por oleaje (estimado mediante la fórmula de Stockdon) y la sobreelevación inducida por eventos El Niño. Los mapas de inundación generados evidenciaron impactos sobre ecosistemas de manglar y áreas urbanas de alta vulnerabilidad, particularmente en Tumaco y Buenaventura. En Ciudad Mutis, se observó una afectación considerable sobre zonas ribereñas y humedales costeros. Estos hallazgos resaltaron la utilidad de los modelos LSTM y del análisis geoespacial de alta resolución como herramientas técnicas para la predicción de riesgos costeros, la planificación territorial y la formulación de estrategias de adaptación frente a la variabilidad climática en regiones altamente expuestas.