• Especialista de la UNAM expuso en conferencia sobre caracterización y predicción del comportamiento de estaciones continentales/oceánicas 
• Al productor le es necesario anticipar las anomalías de la precipitación, antes que la cantidad de la misma 

Tomás Morales Acoltzi, investigador en el Centro de Ciencias de la Atmósfera de la UNAM

Jorge Vázquez Pacheco 

02/05/2021, Xalapa, Ver.– Tomás Morales Acoltzi, investigador de Carrera Asociado en el Centro de Ciencias de la Atmósfera de la Universidad Nacional Autónoma de México (UNAM), presentó conferencia “Redes neuronales artificiales dinámicas en la caracterización y predicción del comportamiento de estaciones continentales/oceánicas”, como parte del Seminario Académico de la Licenciatura en Ciencias Atmosféricas (LCA) de la Facultad de Instrumentación Electrónica de la Universidad Veracruzana (UV). 

Lo anterior se dio durante el jueves 29 de abril, a través de la cuenta Facebook y el canal YouTube de la citada Facultad, en el marco de los 45 años de fundación de la LCA. 

La exposición es producto de una investigación cuyo objetivo ha sido generar un pronóstico de aplicación práctica para apoyar a productores agrícolas en las regiones de Apizaco, Tlaxcala, y en Balboa, Panamá. 

En su disertación, Morales Acoltzi mostró datos en torno de la precipitación mensual registrada en Apizaco desde enero de 1942 a la fecha, mientras que de Balboa se estudió desde enero de 1905 a la actualidad. La metodología fue mediante análisis de espectros de Fourier y Ondeletas (Wavelets) para determinar las frecuencias que influyen en la variabilidad del sistema, además de aplicar la teoría de sistemas dinámicos que permite conocer la dimensión del atractor y el límite de predictibilidad y complejidad, con enfoque de minería de datos. 

El especialista expuso la alimentación hacia una red neuronal de impulso finito con las series de datos, a fin de generar pronóstico sobre una ventana de tiempo de 12 años. 

“Exigimos a la red pronóstico extendido conforme a los límites de predictibilidad establecidos para cada caso, con la finalidad de implementar mecanismos de evaluación de resultados que nos permitan identificar qué aspectos de la física del sistema recupera la red neuronal.” 

Después de mostrar una serie de gráficas ilustrativas de las curvas variantes en los elementos meteorológicos analizados, notó la serie producida por la red que “recupera el proceso de intermitencia observado, el cual permite señalar el periodo de inicio y final de la temporada de lluvia”. 

En cuanto a la variabilidad, “al productor le es más necesario anticipar el signo de las anomalías de la precipitación, que cantidades aproximadas de precipitación esperada. Esto es, el productor requiere conocer si va a contar con más o menos cantidad de lluvia con respecto a la normal”. 

Dijo que para cada mes en el intervalo de tiempo, se considera la variabilidad climática para la serie reconstruida como valor pronóstico-valor normal, y la serie observada como valor real-valor normal. “Consideramos como ‘acierto’ el evento en que coinciden los signos de la variabilidad climática mensual (por ejemplo, abril de 1997) y como ‘error’ el caso contrario (como en enero de 1997)”. 

El acopio de información aporta un laboratorio numérico que permite extraer información sobre la dinámica de un sistema físico real a partir de un cierto periodo de tiempo, así como realizar predicción conforme a las limitaciones implícitas. La validación durante un período de 12 años permite una tasa de efectividad del 75 por ciento en términos de variabilidad climática. El pronóstico se genera a partir de un ensamble de soluciones, lo que da los detalles para el logro de un adecuado enfoque probabilístico. 

Gráficas mostradas por el conferencista