Universidad de Guayaquil: Proyecto de Titulación

UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS

CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES.
DISEÑO DE UN MODELO PREDICTIVO BASADO EN

TÉCNICAS DE MACHINE LEARNING QUE PERMITA
DETERMINAR LA TEMPERATURA USANDO LOS DATOS
DE UNA MINI ESTACIÓN METEOROLÓGICA EN LA
CIUDAD DE GUAYAQUIL.
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR (ES):
EGAS ARIZALA KEVIN OSWALDO
ROQUE COLT TELMO FERNANDO
TUTOR:
Ing. Jorge Charco Aguirre, M.sc.
GUAYAQUIL – ECUADOR
2020
REPOSITORIO NACIONAL EN CIENCIAS Y TECNOLOGÍA
FICHA DE REGISTRO DE TESIS
TÍTULO: “DISEÑO DE UN MODELO PREDICTIVO BASADO EN TÉCNICAS DE MACHINE
LEARNING QUE PERMITA DETERMINAR LA TEMPERATURA USANDO LOS DATOS DE
UNA MINI ESTACIÓN METEOROLÓGICA EN LA CIUDAD DE GUAYAQUIL.”
AUTORES: REVISORES:
EGAS ARIZALA KEVIN OSWALDO.
ROQUE COLT TELMO FERNANDO.
INSTITUCIÓN: Universidad de Guayaquil. FACULTAD: Ciencias Matemáticas y
Físicas.
CARRERA: Ingeniería en Sistemas Computacionales.
FECHA DE PUBLICACIÓN: //2020 N0 PÁGS.:nnn
ÁREA TEMÁTICA:
PALABRAS CLAVE: Predicción, modelo, Machine Learning, Temperatura.
RESUMEN: En la actualidad conocer la temperatura a futuro se ha vuelto importante para realizar las
actividades de manera normal, tomando las debidas precauciones ante variaciones de temperatura, por lo que
en el presente proyecto, consistió en observar, obtener y almacenar los datos de temperatura, humedad y presión
atmosférica mediante una mini estación meteorológica conformada por sensores y conectada a una dispositivo
IoT, ubicada en la ciudad de Guayaquil, además el desarrollo del diseño de un modelo predictivo basado en
técnicas de Machine Learning, donde se utilizó la arquitectura de red neuronal recurrente (LSTM), se tomó en
cuenta un año de datos de temperatura, humedad y presión atmosférica (mínima y máxima) proporcionados
por el Instituto Nacional de Meteorología e Hidrología, datos que se utilizaron para el entrenamiento del modelo
y así obtener una predicción de un día en el futuro de la temperatura, los resultados son comparados con los
datos reales que se cuentan y con otros modelos predictivos similares basados en redes neuronales. El proyecto
también integra de un sitio web donde se podrá visualizar los datos de la mini estación y las variaciones diarias
de la temperatura cuyas variaciones pueden ser analizadas mediante gráficos estadísticos, y las predicciones
obtenidas por el modelo podrán ser visualizadas en un módulo destinado a las predicciones. A través de un
juicio de expertos realizados a especialistas en el área de Inteligencia artificial y sistemas, se logró la aceptación
del desarrollo del proyecto.
N0 DE REGISTRO (en base de datos): N0 DE CLASIFICACIÓN:
DIRECCIÓN URL (tesis en la web): http://repositorio.ug.edu.ec/
ADJUNTO PDF X SI NO
CONTACTO CON AUTORES: Teléfono: E-mail:
EGAS ARIZALA KEVIN OSWALDO. X
0986207743 [email protected]
ROQUE COLT TELMO FERNANDO. 0981708122 [email protected]
CONTACTO DE LA INSTITUCIÓN Nombre: Abg. Juan Chávez
Universidad de Guayaquil Teléfono:
Carrera de Ingeniería en Sistemas Computacionales
2307729
Víctor Manuel Rendón y Baquerizo Moreno.
APROBACIÓN DEL TUTOR
En mi calidad de Tutor del trabajo de investigación, “DISEÑO DE UN MODELO

PREDICTIVO BASADO EN TÉCNICAS DE MACHINE LEARNING QUE PERMITA
DETERMINAR LA TEMPERATURA USANDO LOS DATOS DE UNA MINI
ESTACIÓN METEOROLÓGICA EN LA CIUDAD DE GUAYAQUIL”, elaborado por
el Sr. Egas Arizala Kevin Oswaldo, Roque Colt Telmo Fernando, Alumnos no titulados
de la Carrera de Ingeniería en Sistemas Computacionales, Facultad de Ciencias
Matemáticas y Físicas de la Universidad de Guayaquil, previo a la obtención del Título
de Ingeniero en Sistemas Computacionales, me permito declarar que luego de haber
orientado, estudiado y revisado, la Apruebo en todas sus partes.
Atentamente,
Ing. Jorge Charco A., M.sc.

TUTOR
III
DEDICATORIA
Esta ambición está dedicada a mis

padres, Verónica Arizala, Marcos
Vivar. Por haber comprendido el
esfuerzo, dedicación y el apoyo infinito
que siempre tuve como estudiante. Y
sobre todo lo que requiere desarrollar
este proyecto de titulación.
Dedico este logro a mis padres y

abuelos, por el apoyo incondicional en
todo momento, por el esfuerzo que han
realizado para ayudarme a cumplir esta
meta.
IV
AGRADECIMIENTO
A mis padres porque son ese gran pilar en

mi vida y a mi tío por sus excelentes
recomendaciones y sugerencias, al tutor
por toda su ayuda y confianza depositada
junto con mi compañero de tesis en este
tiempo.
A mis padres y abuelos por el apoyo

brindado incondicionalmente en todo
momento, por sus sabios consejos que me
han guiado correctamente en la vida. A mi
tutor por guiarnos correctamente en este
proceso.
V
TRIBUNAL PROYECTO DE TITULACIÓN
Ing. Fausto Cabrera Montes, M.sc. Ing. Gary Reyes Zambrano, Mgs.
DECANO DE LA FACULTAD DIRECTOR DE LA CARRERA DE
CIENCIAS MATEMÁTICAS Y INGENIERÍA EN SISTEMAS
FÍSICAS COMPUTACIONALES
Ing. Jorge Charco Aguirre, M.sc. Ing. Segundo Delgado Menoscal, PhD.
PROFESOR REVISOR DEL
PROFESOR TUTOR DEL
PROYECTO
PROYECTO
DE TITULACIÓN
DE TITULACIÓN
Ab. Juan Chávez Atocha, Esp.

SECRETARIO
VI
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de este

Proyecto de Titulación, nos corresponden
exclusivamente; y el patrimonio intelectual de
la misma a la UNIVERSIDAD DE
GUAYAQUIL”
C.I. 0930997309
C.I. 1207127612
VII
CARRERA DE INGENIERÍA EN SISTEMAS

COMPUTACIONALES
DISEÑO DE UN MODELO PREDICTIVO BASADO EN

TÉCNICAS DE MACHINE LEARNING QUE PERMITA
DETERMINAR LA TEMPERATURA USANDO LOS DATOS DE
UNA MINI ESTACIÓN METEOROLÓGICA EN LA CIUDAD DE
GUAYAQUIL.
Proyecto de Titulación que se presenta como requisito para optar por el título de
INGENIERO EN SISTEMAS COMPUTACIONALES.
Autores:
Autor: Egas Arizala Kevin Oswaldo
C.I. 0930997309
Autor: Roque Colt Telmo Fernando
C.I. 1207127612
Tutor: Ing. Jorge Charco A., M.sc.
Guayaquil, abril de 2020
VIII
CERTIFICADO DE ACEPTACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo

Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de
Guayaquil.
CERTIFICO:
Que he analizado el Proyecto de Titulación presentado por los estudiantes EGAS

ARIZALA KEVIN OSWALDO, ROQUE COLT TELMO FERNANDO como
requisito previo para optar por el título de Ingeniero en Sistemas Computacionales
cuyo título es:
DISEÑO DE UN MODELO PREDICTIVO BASADO EN TÉCNICAS DE

MACHINE LEARNING QUE PERMITA DETERMINAR LA TEMPERATURA
USANDO LOS DATOS DE UNA MINI ESTACIÓN METEOROLÓGICA EN
LA CIUDAD DE GUAYAQUIL.
Considero aprobado el trabajo en su totalidad.
Presentado por:
Egas Arizala Kevin Oswaldo 0930997309

Roque Colt Telmo Fernando 1207127612
Guayaquil, abril de 2020
IX
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Autorización para Publicación de Proyecto de Titulación en Formato Digital

1. Identificación del Proyecto de Titulación
Nombre Alumno: EGAS ARIZALA KEVIN OSWALDO

Dirección: Coop. Viernes Santos Mz: 4513
Teléfono: 0986207743 E-mail: [email protected]
Nombre Alumno: ROQUE COLT TELMO FERNANDO

Dirección: Urdenor 2 Mz: 236
Teléfono: 0981708122 E-mail: [email protected]
Facultad: Ciencias Matemáticas y Físicas.

Carrera: Ingeniería en Sistemas Computacionales.
Proyecto de titulación al que opta: Ingeniero en Sistemas Computacionales.
Profesor guía: Ing. Jorge Charco A., M.sc
DISEÑO DE UN MODELO PREDICTIVO BASADO EN TÉCNICAS DE MACHINE

LEARNING QUE PERMITA DETERMINAR LA TEMPERATURA USANDO LOS DATOS
DE UNA MINI ESTACIÓN METEOROLÓGICA EN LA CIUDAD DE GUAYAQUIL.
Tema del Proyecto de Titulación: (Palabras claves 5 a 8) Predicción de la Temperatura.
2. Autorización de Publicación de Versión Electrónica del Proyecto de Titulación

A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y a la Facultad de
Ciencias Matemáticas y Físicas a publicar la versión electrónica de este Proyecto de titulación.
Publicación electrónica:
Inmediata X Después de 1 año
__________________________________ _________________________________________
Firma Alumno: Egas Arizala Kevin Oswaldo Firma Alumno: Roque Colt Telmo Fernando
C.I. 0930007309 C.I. 1207127612
3. Forma de envío:
El texto del proyecto de titulación debe ser enviado en formato Word, como archivo .Doc. O .RTF
y .Puf para PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o .TIFF.
DVDROM CDROM X
X
ÍNDICE GENERAL
CONTENIDO
APROBACIÓN DEL TUTOR.............................................................................. III
DEDICATORIA ................................................................................................... IV
AGRADECIMIENTO ........................................................................................... V
TRIBUNAL PROYECTO DE TITULACIÓN ..................................................... VI
DECLARACIÓN EXPRESA .............................................................................. VII
CERTIFICADO DE ACEPTACIÓN DEL TUTOR ............................................ IX
ÍNDICE GENERAL ............................................................................................. XI
ABREVIATURA .............................................................................................XVIII
SIMBOLOGÍA.....................................................................................................XX
RESUMEN......................................................................................................... XXI
ABSTRACT ...................................................................................................... XXII
INTRODUCCIÓN ................................................................................................ 1
CAPÍTULO I ......................................................................................................... 4
EL PROBLEMA ................................................................................................. 4
PLANTEAMIENTO DEL PROBLEMA ........................................................... 4
Ubicación del Problema en un Contexto ......................................................... 4
Situación Conflicto Nudos Críticos ................................................................ 6
Causas y Consecuencias del Problema ........................................................... 6
Delimitación del Problema .............................................................................. 7
Formulación del Problema .............................................................................. 7
Evaluación del Problema ................................................................................ 7
OBJETIVOS ................................................................................................... 9
ALCANCES DEL PROYECYO ........................................................................ 9
JUSTIFICACIÓN E IMPORTANCIA ............................................................. 10
METODOLOGÍA DEL PROYECTO .............................................................. 11
Metodología de Desarrollo ............................................................................ 11
Metodología de la Investigación ................................................................... 12
SUPUESTOS Y RESTRICCIONES ................................................................ 13
CAPITULO II ..................................................................................................... 15
MARCO TEÓRICO .......................................................................................... 15
ANTECEDENTES DE ESTUDIO ............................................................... 15
FUNDAMENTACIÓN TEÓRICA............................................................... 16
FUNDAMENTACIÓN LEGAL ................................................................... 92
XI
HIPÓTESIS ................................................................................................. 100
CAPITULO III .................................................................................................. 101
PROPUESTA TECNOLÓGICA .................................................................... 101
ANÁLISIS DE FACTIBILIDAD ................................................................... 102
Factibilidad Operacional ................................................................................. 102
Factibilidad Técnica ........................................................................................ 103
Factibilidad Legal ........................................................................................... 105
Factibilidad Económica ................................................................................... 105
CRITERIOS DE VALIDACIÓN DE LA PROPUESTA ............................... 108
Validación de expertos ................................................................................ 108
ETAPAS DE LA METODOLOGÍA DEL PROYECTO ............................... 108
Metodología de Investigación de Campo .................................................... 108
Metodología de Cascada ............................................................................. 109
LSTM...……………………………………………………………………… 117
Funcionamiento de una red LSTM...…………………………………………117
Arquitectura de la red LSTM…………………………………………………118
Embedding…………………………………………………………………...119
VALIDACIÓN DE RESULTADOS .............................................................. 139
Validación de Expertos ............................................................................... 139
Plan de Evaluación de Expertos .................................................................. 140
Entregables del proyecto ............................................................................. 141
CAPITULO IV .................................................................................................. 143
CRITERIOS DE ACEPTACIÓN DEL PROYECTO ........................................ 143
CONCLUSIONES .......................................................................................... 145
RECOMENDACIONES ................................................................................. 147
BIBLIOGRAFIA ............................................................................................... 150
ANEXOS ............................................................................................................ 154
ANEXO 1. GEOLOCALIZACIÓN DE LA MINIESTACIÓN ..................... 154
ANEXO 2. SOLICITUD PARA LA PETICIÓN DE LOS DATOS
METEOROLOGICOS DEL INAMHI ........................................................... 155
ANEXO 3. ARTICULO CIENTIFICO (Temperature prediction through
Recurrent Neural Networks in Guayaquil City).............................................. 156
ANEXO 4. JUICIO DE EXPERTOS ............................................................. 164
XII
ÍNDICE DE CUADROS
CUADRO N. 1 MATRIZ DE CAUSAS Y CONSECUENCIAS DEL

PROBLEMA. .......................................................................................................... 6
CUADRO N. 2 DELIMITACIÓN DEL PROBLEMA. ....................................... 7
CUADRO N. 3 PINES DE CONFIGURACIÓN UVM30A. ............................. 77
CUADRO N. 4 PINES DE CONFIGURACIÓN BMP180. ............................... 78
CUADRO N. 5 PINES DE CONFIGURACIÓN ESP32-WROOM-32. ............ 80
CUADRO N. 6 PINES DE CONFIGURACIÓN DTH11. ................................. 83
CUADRO N. 7 ESPECIFICACIONES DE HADWARE. ............................... 104
CUADRO N. 8 REQUERIMIENTOS DE SOFTWARE. ................................ 104
CUADRO N. 9 ESPECIFICACIONES DE RUBROS RECURSOS HUMANOS.
............................................................................................................................. 106
CUADRO N. 10 ESPECIFICACIONES DE RUBROS MATERIALES. ....... 106
CUADRO N. 11 ESPECIFICACIONES DE RUBROS DE HADWARE. ...... 107
CUADRO N. 12 ESPECIFICACIONES DE RUBROS DE SOTWARE. ....... 107
CUADRO N. 13 RESUMEN DEL COSTO DEL PROYECTO. ..................... 107
CUADRO N. 14 FASES DE CASCADA. ....................................................... 110
CUADRO N. 15 CARACTERISTICAS DE LAS PLACAS IOT.................... 111
CUADRO N. 16 CARACTERISTICAS DE LOS SENSORES....................... 112
CUADRO N. 17 COMPONENTES USADOS EN LA MINI ESTACIÓN. .... 113
CUADRO N. 18 COMPONENTES USANDOS EN LA MINI ESTACIÓN. . 130
CUADRO N. 19 PLAN DE EVALUACIÓN DE EXPERTOS. ...................... 141
CUADRO N. 20 CRITERIOS DE ACEPTACIÓN DEL DISPOSITIVO. ...... 143
CUADRO N. 21 MODELO DE PREDICCIÓN UTILIZADO ......................... 144
CUADRO N. 22 PREPROCESAMIENTO Y DATOS UTILIZADOS ............ 144
XIII
ÍNDICE DE FIGURAS
Figura N. 1 Etapas de la modelo cascada. ............................................................. 11

Figura N. 2 Capas de la atmósfera. ....................................................................... 19
Figura N. 3 Mapa del Ecuador. ............................................................................. 25
Figura N. 4
Estadística Climatológica………..…...………………………………………..…32
Figura N. 5 Registro de Temperatura. ................................................................... 33
Figura N. 6 La corriente de Humboldt. ................................................................ 34
Figura N. 7 Circulación atmosférica en condiciones normales............................. 35
Figura N. 8 Circulación atmosférica en condiciones del niño. ............................. 35
Figura N. 9 Componente del ECMWF. ................................................................ 50
Figura N. 10 Red neuronal Monocapa. ................................................................. 70
Figura N. 11 Perceptrón multicapa. ..................................................................... 71
Figura N. 12 Red neuronal convolucional. ........................................................... 73
Figura N. 13 Red Neuronal Recurrente................................................................. 74
Figura N. 14 Estructura de una red de base radial. ............................................... 74
Figura N. 15 Placa Protoboard. ............................................................................. 75
Figura N. 16 Cable de conexión jumper. .............................................................. 76
Figura N. 17 Sensor ultravioleta UVM-30A. ........................................................ 77
Figura N. 18 Sensor barométrico BMP180. .......................................................... 78
Figura N. 19 Microcontrolador Esp32-wroom-32. ............................................... 82
Figura N. 20 Sensor DTH11. ................................................................................ 83
Figura N. 21 IDE de desarrollo de Arduino. ......................................................... 84
Figura N. 22 Estudio diferentes herramientas para Machine Learning. ............. 86
Figura N. 23 Comparación de lenguajes de programación. .................................. 88
Figura N. 24 Interfaz de PyCharm Community. ................................................... 89
Figura N. 25 Comparativa de Hosting. ................................................................. 91
Figura N. 26 Proceso de la data. ........................................................................ 109
Figura N. 27 Conexión de la mini estación meteorológica. ................................ 114
Figura N. 28 Mini estación meteorológica. ......................................................... 115
Figura N. 29 Celda de estado de la LSTM. ......................................................... 117
Figura N. 30 Entrenamiento y proceso de predicción. ........................................ 118
Figura N. 31 Proceso Training y Prediction... .................................................... 120
Figura N. 32 Librerías a utilizar para la predicción.. .......................................... 120
Figura N. 33 Estructura inicial de la data proporcionada por el INAMHI.. ....... 122
Figura N. 34 Estructura del archivo CSV ........................................................... 122
Figura N. 35 Script del modelo predictivo……………………………………...123
Figura N. 36 Script para normalizar la data.. ..................................................... 124
Figura N. 37 Proceso de la red neuronal LSTM.. .............................................. 124
Figura N. 38 Información del Pasado Histórico y el Objetivo a predecir.. ......... 124
Figura N. 39 Script para guardar el mejor modelo.............................................. 125
Figura N. 40 Inicio de sesión del sitio web.. ....................................................... 126
Figura N. 41 Módulos del Sitio Web.. ................................................................ 126
Figura N. 42 Módulo de Inicio.. .......................................................................... 127
Figura N. 43 Modulo de Administrar Usuarios.. ................................................ 128
Figura N. 44 Módulo de Información de la Cuenta.. .......................................... 128
XIV
Figura N. 45 Módulo de Predecir la Temperatur. ............................................... 129
Figura N. 46 Ubicación exacta de la mini estación.. ........................................... 131
Figura N. 47 Ubicación de la estación meteorológica del INAMHI................... 132
Figura N. 48 Ítem Sensor de Temperatura.. ........................................................ 133
Figura N. 49 Ítem Sensor de Presión Atmosférica.. ............................................ 134
Figura N. 50 Funcionamiento del proyecto. ....................................................... 139
XV
ÍNDICE DE TABLAS
Tabla N. 1 Distribuciones de Estaciones Meteorológicas. .................................. 28

Tabla N. 2 Comparativa de Resultados de la Red Neuronal. ............................ 135
Tabla N. 3 Comparativa Respecto al Artículo Científico. ................................ 136
XVI
ÍNDICE DE GRÁFICOS
GRÁFICO N. 1 COMPARATIVA PYTHON VS LISP VS PROLOG VS OPS5

VS HASKELL. ..................................................................................................... 85
GRÁFICO N. 2 COMPARATIVA DE DIFERENTES HERRAMIENTAS DE
MACHINE LEARNING....................................................................................... 87
GRÁFICO N. 3 RADIOGRAFÍA DE LA INDUSTRIA DE CLOUD PÚBLICA.
............................................................................................................................... 98
GRÁFICO N. 4 RESULTADOS DE LOS COMPONENTES USADOS EN LA
MINI ESTACIÓN. .............................................................................................. 130
GRÁFICO N. 5 COMPARACIÓN DE TEMPERATURA MÍNIMA. ........... 137
GRÁFICO N. 6 COMPARACIÓN DE TEMPERATURA MÁXIMA........... 138
XVII
ABREVIATURA
AI Inteligencia Artificial
AWS Amazon Web Service
CCNN Facultad de Ciencias Naturales de la Universidad de Guayaquil
CIIFEN Centro Internacional para la Investigación del Fenómeno de El
Niño
CNN Redes neuronales convolucionales
CPU Unidad central de procesamiento
CSV Valores separados por comas
DBN Red de creencia profunda
ENIAC Computador e Integrador Numérico Electrónico
Gb Gigabyte
GHz Gigahertz
GPS Sistema de Posicionamiento Global
GPU Unidad de procesamiento gráfico
HDD Unidad de disco duro
hPa Hectopascales
HTML Lenguaje de Marcas de Hipertexto
I2C Circuito inter - integrado
IDE Entorno de Desarrollo Integrado
INHAMI Instituto Nacional de Hidrología y Meteorología
IoT El internet de las cosas
IPCC Grupo Intergubernamental de Expertos sobre el Cambio
Climático
IPs Sistema de Prevención de Intrusos
Km kilómetro
KM2 Kilómetro cuadrado
LDAP Protocolo ligero de acceso a directorios
LibSVM Library for Support Vector Machines
LSTM Long short-term memory
mA Miliamperio
m.s.n.m. Metros sobre el nivel del mar
M.sc. Maestría universitaria en ciencias
Mgs. Magister
MHz Megahercio
MLP MultiLayer Perceptrón
mm Milímetro
NNTP Protocolo para la transferencia de noticias en red
NOAA Administración Nacional Oceánica y Atmosférica
XVIII
NWP Numerical Weather Prediction
PCA Análisis de componentes principales
PDF Formato de documento portátil
PHP Preprocesador de hipertexto
PNT Procedimientos Normalizados de Trabajo
POP3 Post Office Protocol
RAM Memoria de acceso aleatorio
RBF Redes de función de base radial
RBM Máquina de Boltzmann restringida
RNA Redes Neuronales Artificiales
RNN Red neuronal recurrente
SNMP Protocolo simple de administración de red
SVM Máquinas de Vectores de Soporte
URL Localizador Uniforme de Recursos
XHTML Lenguaje de Marcado de Hipertexto Entendido
XIX
SIMBOLOGÍA
e Error
N Muestra
p Probabilidad a favor
q Probabilidad en contra
V Voltio
Z Nivel de confianza
XX
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE
INGENIERÍA EN SISTEMAS COMPUTACIONALES
DISEÑO DE UN MODELO PREDICTIVO BASADO EN TÉCNICAS DE

MACHINE LEARNING QUE PERMITA DETERMINAR LA
TEMPERATURA USANDO LOS DATOS DE UNA MINI ESTACIÓN
METEOROLÓGICA EN LA CIUDAD DE GUAYAQUIL.
Autores: Roque Colt Telmo Fernando

Egas Arizala Kevin Oswaldo
RESUMEN
En la actualidad conocer la temperatura a futuro se ha vuelto importante para realizar las

actividades de manera normal, tomando las debidas precauciones ante variaciones de
temperatura, por lo que en el presente proyecto, consistió en observar, obtener y almacenar
los datos de temperatura, humedad y presión atmosférica mediante una mini estación
meteorológica conformada por sensores y conectada a una dispositivo IoT, ubicada en la
ciudad de Guayaquil, además el desarrollo del diseño de un modelo predictivo basado en
técnicas de Machine Learning, donde se utilizó la arquitectura de red neuronal recurrente
(LSTM), se tomó en cuenta un año de datos de temperatura, humedad y presión atmosférica
(mínima y máxima) proporcionados por el Instituto Nacional de Meteorología e
Hidrología, datos que se utilizaron para el entrenamiento del modelo y así obtener una
predicción de un día en el futuro de la temperatura, los resultados son comparados con los
datos reales que se cuentan y con otros modelos predictivos similares basados en redes
neuronales. El proyecto también integra un sitio web donde se podrá visualizar los datos
de la mini estación y las variaciones diarias de la temperatura cuyas variaciones pueden ser
analizadas mediante gráficos estadísticos, y las predicciones obtenidas por el modelo
podrán ser visualizadas en un módulo destinado a las predicciones. A través de un juicio
de expertos realizados a especialistas en el área de Inteligencia artificial y sistemas, se logró
la aceptación del desarrollo del proyecto.
Palabras Claves: Predicción, modelo, Machine Learning, Temperatura.
XXI
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE
INGENIERÍA EN SISTEMAS COMPUTACIONALES
DESIGN OF A PREDICTIVE MODEL BASED ON MACHINE

LEARNING TECHNIQUES TO DETERMINE TEMPERATURE USING
DATA FROM A MINI WEATHER STATION IN THE CITY OF
GUAYAQUIL
Autores: Roque Colt Telmo Fernando

Egas Arizala Kevin Oswaldo
Tutor: Ing. Jorge Charco A. M.sc
ABSTRACT
At present, knowing the temperature in the future has become important to carry out the
activities in a normal way, taking due precautions against temperature variations.
Therefore, in the present project, it consisted of observing, obtaining and storing the data
of temperature, humidity and atmospheric pressure by means of a mini meteorological
station made up of sensors and connected to an IoT device, located in the city of Guayaquil,
in addition to the development of the design of a predictive model based on Machine
Learning techniques, Where the recurrent neural network architecture (LSTM) was used,
one year of temperature, humidity and atmospheric pressure data (minimum and
maximum) provided by the National Institute of Meteorology and Hydrology was taken
into account. This data was used for training the model and thus obtaining a one-day
forecast of the future temperature, the results are compared with the real data available and
with other similar predictive models based on neural networks. The project also has a
website where the data from the mini-station and the daily variations of the temperature
can be visualized and the predictions obtained by the model can be visualized in a module
destined to the predictions. Through an expert judgment made to specialists in the area of
artificial intelligence and systems, the acceptance of the project development was achieved.
Keywords: Prediction, model, Machine Learning, Temperature.
XXII
INTRODUCCIÓN
En la actualidad el cambio climático ha sido uno de los principales

problemas de preocupación, debido a los impactos que este genera a los
sistemas naturales y humanos, que son causados por el aumento de los
gases de efecto invernadero, que resultan de las actividades humanas
como el uso de combustibles de origen fósil. La temperatura es una de las
principales variables meteorológicas del clima, que están relacionados a
eventos climáticos y que se utilizan para describir el estado de la atmósfera.
El aumento de la temperatura debido al calentamiento global por causa del
efecto invernadero, es el principal responsable de la subida de la
temperatura en la atmósfera, lo que provoca afectaciones tales como la
disminución de la capa de hielo, así como el cambio en las precipitaciones
de agua a nivel mundial.
El cambio en las variables del clima ha llevado al desarrollo de modelos

físicos matemáticos para estudiar las variaciones y encontrar patrones que
permitan predecir estas variaciones en las variables, y así ayudar a estar
preparados ante pérdidas económicas y humanas a gobiernos e
instituciones.
En Ecuador, las variaciones de las temperaturas han afectado actividades

como la agricultura, ganadería, pesca, donde estas actividades han
registrado pérdidas económicas a causa del mal tiempo. Se registran dos
estaciones: la estación invierno donde se registran lluvias fuertes y
afectaciones por inundaciones, mayormente de enero a abril, y la estación
de verano, donde se registran pérdidas por sequias, mayormente de mayo
a diciembre.
1
El clima vario durante todo el año por la influencia de dos tipos de corrientes
del pacífico: la corriente de Humboldt o corriente fría y la corriente el Niño.
Una de las ciudades de la región costera donde se han registrado altas
temperaturas es la ciudad de Guayaquil, donde diferentes actividades
dependen del estado del tiempo. Es una de las ciudades más pobladas del
Ecuador con diferentes actividades comerciales tales como: Agricultura,
turismo, ganadería, pesca y entre otras.
Se han aplicados diferentes técnicas para la predicción de la temperatura,

tales como modelos físicos matemáticos, redes bayesianas y entre otros;
obteniendo resultados buenos. Sin embargo, la precisión de la predicción
depende de la cantidad de datos históricos disponibles y el nivel de
complejidad en los métodos aplicados.
Los avances tecnológicos y las técnicas de aprendizajes profundos han

permitido el desarrollo de algoritmos para la predicción de la temperatura,
pasando de enfoques clásicos a nuevos métodos basados en inteligencia
artificial. La red neuronal recurrente (RNN) es una clase de redes
neuronales artificiales para el análisis de datos en series temporales para
obtener mejores resultados. Una extensión de la red neuronal recurrente
es la memoria a largo plazo (LSTM) que permite almacenar en memoria
información relevante para previamente mejorar los resultados.
En el trabajo actual, la arquitectura LSTM se usa para la predicción de la

temperatura utilizando datos proporcionados por el Instituto Nacional de
Meteorología e Hidrología (INAMHI). Esta arquitectura LSTM se entrena
utilizando un conjunto de datos que contiene información de las variables
climáticas con mayor influencia en la variación de la temperatura tales como
temperatura mínima y máxima, humedad mínima y máxima, presión
atmosférica mínima y máxima, que es tomada cada 5 minutos durante todo
un año.
2
En el Capítulo I, se describe el planteamiento del problema, ubicación en
un contexto definido, nudos críticos, análisis de causas y consecuencias
del problema, delimitación, evaluación, definición de objetivo general,
objetivos específicos, alcances del problema, justificación y metodología
del proyecto. En el Capítulo II, se encuentran los antecedentes del
proyecto, fundamentación teórica, fundamentación legal según leyes y
artículos vigentes en Ecuador; y, definiciones conceptuales. En el Capítulo
III, la propuesta tecnológica con el análisis de factibilidad, etapas de la
metodología, entregables y estadísticas. En el Capítulo IV, los criterios de
aceptación del producto en base a parámetros de calidad, conclusiones y
recomendaciones de los resultados obtenidos.
3
CAPÍTULO I
EL PROBLEMA
PLANTEAMIENTO DEL PROBLEMA
Ubicación del Problema en un Contexto
La variación del clima es uno de los principales problemas que afecta

a la humanidad debido a los efectos e impactos ambientales
ocasionados por el aumento en los gases de efecto invernadero, que
son resultado de la actividad que ejerce el humano.
Los cambios climáticos han venido afectando no solo a los sistemas

humanos, sino también a los sistemas naturales que se expresan a
menudo en término de variaciones de temperaturas.
La tasa del cambio climático que se ha dado en las últimas décadas

ha sido más evidente, ya que han sido tasas de cambios más rápidas
que derivan en mayores afectaciones en menos tiempo para los
sistemas humanos y naturales.
Los cambios climáticos han sido más evidentes en los últimos 1000
años, la tasa de la temperatura global muestra un incremento que
oscila 1 grados centígrado la temperatura media mundial,
considerando un aumento de 0,2 ºC por década (Greenpeace, Ojea,
2018).
4
Los cambios climáticos son más altos en regiones de Europa, América
del norte y el Ártico que el promedio mundial debido a que se dan
mayores variaciones en las variables, tales como temperatura,
humedad, presión atmosférica, el viento y la radiación solar, esto hace
que ocurran eventos meteorológicos en la tropósfera.
Durante la segunda mitad del siglo XX, se registró un aumento

importante de temperatura, con una tasa de cambio del hemisferio
norte hasta por encima del 0.2ºC / década, teniendo en cuenta un
período corto de 20 años, donde se registran mayores variaciones en
los elementos del clima tales como temperatura, humedad, radiación
solar y precipitaciones.
El calentamiento global ha hecho que se intensifiquen fenómenos

naturales, que llegan a afectar a una gran parte de la población
mundial, tales como América del sur.
Según el centro internacional para la investigación del niño (CIIFEN),

en el año 1997 – 1998 se presentó un fenómeno natural denominado
el niño, afectando a gran parte de América del Sur, lo que causo
sequias e inundaciones en diferentes zonas. La presencia de este
fenómeno natural generó pérdidas en la producción, daños de
infraestructura y servicios que ascendía a más de 7500 millones de
dólares americanos.
El sector de la salud se vio afectado por los cambios de temperatura,

humedad y las precipitaciones que influyeron en la presencia de
enfermedades como el paludismo, la fiebre del dengue y las
enfermedades transmitida por el agua como la diarrea y el cólera.
5
A medida que la temperatura aumenta, las sequías y olas de calor son
cada vez más comunes, los fenómenos naturales se intensifican con
mayor frecuencia, lo que provoca pérdidas en el sector del turismo,
agrícola, acuícola, pesquero, y afectaciones en actividades al aire
libre, considerando que los efectos desfavorables causados por un
clima inconsistente puedan repercutir sobre dichos sectores y
actividades.
Situación Conflicto Nudos Críticos
Debido al desarrollo de las tecnologías y avance en la inteligencia

artificial afloran nuevas técnicas de Machine Learning, las cuales
pueden ser utilizadas para una predicción más exacta.
Causas y Consecuencias del Problema
CUADRO N. 1
MATRIZ DE CAUSAS Y CONSECUENCIAS DEL PROBLEMA.
Causas Consecuencias
Uso de técnicas tradicionales
La información procesada
muestra resultados con un
elevado porcentaje de error
Recolección de datos con Alto grado de inexactitud en las
errores predicciones
Grandes variaciones en las Pérdidas económicas en sector
temperaturas registradas agrícola, pesquero, y social
Predicciones no fiables No poder tomar medidas
respectivas ante fenómenos de
carácter ambiental
Elaborado por: Telmo Roque Colt, Kevin Egas Arizala.
Fuente: Telmo Roque Colt, Kevin Egas Arizala.
6
Delimitación del Problema
CUADRO N. 2
DELIMITACIÓN DEL PROBLEMA.
Campo Climático.
Área Inteligencia Artificial & Robótica.
Aspecto Dispositivo IoT que facilite la
predicción de Temperatura a
través de técnicas de Machine
Learning.
Tema Diseño de un modelo predictivo
basado en técnicas de machine
Learning que permita determinar
la temperatura usando los datos
de una mini estación
meteorológica en la ciudad de
Guayaquil.
Elaborado por: Telmo Roque Colt, Kevin Egas Arizala.
Formulación del Problema
¿Es posible reducir el margen de error en la predicción de

temperaturas mediante el desarrollo de un modelo predictivo
utilizando técnicas de Machine Learning en la ciudad de Guayaquil?
Evaluación del Problema
Delimitado: El crecimiento del calentamiento global han hecho que el

aumento de las variables del clima se vea afectadas
considerablemente en las últimas décadas, lo que hace que no se
tenga los suficientes registros de estas variaciones para poder
predecir de manera correcta la temperatura, el no tener una predicción
confiable puede llegar a afectar a planes de gobiernos de
salvaguardar la integridad económica y social de sectores que se ven
afectados por variaciones de la temperatura.
7
Evidente: Los fenómenos meteorológicos se han intensificado con el
avance del calentamiento global, siendo un factor considerable el
cambio de las temperaturas en las diferentes partes del mundo.
Concreto: Los cambios en los elementos del clima, han hecho que
se adopte el uso de nuevas técnicas de Machine Learning, para
obtener un mejor procesamiento de la información y aumentar el
margen de fiabilidad en los resultados.
Original: Los avances tecnológicos han aportados nuevas

herramientas de Machine Learning, con las cuales se podrá lograr el
procesamiento de información histórica del clima para obtener
predicciones más confiables.
Factible: La predicción de las temperaturas ayudan a estar preparado

frente a los fenómenos meteorológicos que están presente con el
cambio climático, permitiendo establecer, diseñar y desarrollar planes
de contingencia para garantizar el bienestar de la ciudadanía,
minimizando las pérdidas económicas y materiales.
Variables
Independientes: Margen de error en la predicción de la temperatura.
Dependientes: Técnicas de Machine Learning.
8
OBJETIVOS
OBJETIVO GENERAL
• Desarrollar un modelo predictivo mediante el uso de técnicas de

Machine Learning que permita mejorar la predicción de la
temperatura.
OBJETIVOS ESPECÍFICOS
• Diseñar un prototipo básico de mini estación meteorológica que permita

medir variables climatológicas mediante el uso de sensores.
• Transferir en tiempo real la información recolectada por la mini estación
meteorológica hacia un servidor web.
• Crear el modelo predictivo usando redes neuronales para predecir la
temperatura.
• Comparar los resultados obtenidos con el estado del arte para
determinar la precisión del modelo predictivo creado.
ALCANCES DEL PROYECYO
El desarrollo del proyecto de titulación del diseño de un modelo predictivo

basado en técnicas de Machine Learning que permita predecir la
temperatura tiene como alcance lo siguiente:
• Se realizará el levantamiento de información con dispositivo y sensores

de temperatura, humedad, radiación solar y presión atmosférica con
tecnología IoT (Internet Of Things) en la ciudad de Guayaquil (zona
norte).
• Almacenar la información recolectada por los sensores en una base de
datos a través de un servidor web.
• Entrenamiento de la red neuronal con los datos obtenidos de la base
de datos.
9
• Validación de los resultados obtenidos de la predicción del modelo.
• Desarrollo de un sitio Web que permita visualizar los resultados
obtenidos a través de credenciales de acceso.
JUSTIFICACIÓN E IMPORTANCIA
El cambio climático, lo mismo que la evolución demográfica, la brecha

norte sur o la globalización, ha accedido a los primeros puestos del ranking
de preocupaciones sociales, a pesar de las incertidumbres, y esto es así
porque el principal responsable son las actividades humanas, por los
efectos medioambientales y sobre la salud de la población y, sobre todo,
porque es otra cuestión más de países desarrollados y subdesarrollados,
pobres y ricos, de justicia o de inequidad, de repartir cargas y esfuerzos,
de tensiones entre explotadores de recursos y sociedades explotadas o,
simplemente, de controlar el uso de combustibles y del uso de la tierra y,
en resumen, de actuar con responsabilidad para esta y sucesivas
generaciones, cuyo bienestar debe mejorarse con el desarrollo
tecnológico (Useros, 2012).
El clima al depender de variables como la temperatura, radiación solar,

precipitaciones, humedad y vientos, e incluso de parámetros tales como:
la ubicación geográfica, altitud, la distancia al mar, y la variación del relieve
terrestre con respecto al sol, desde donde se originan los vientos y las
corrientes oceánicas que se forman según la latitud del lugar, hacen que
cualquier variación de estos elementos influyan en la predicción.
Las razones por la cual es importante predecir con exactitud la temperatura,

es que las variaciones de los factores climáticos como son humedad,
radiación solar, el viento, y presión atmosférica, hacen que las variaciones
de temperaturas presenten altos cambios, lo que ocasiona que se puedan
presentar pérdidas económicas tanto en la agricultura, y en otros ámbitos
como son eventos de carácter social.
10
METODOLOGÍA DEL PROYECTO
Metodología de Desarrollo
El enfoque metodológico para el desarrollo del proyecto se utilizará el

modelo en cascada, ya que históricamente ha estado asociado al éxito en
procesos de desarrollo de sistemas altamente complejos, pues destaca por
su utilidad a la hora de establecer compromisos contractuales de tiempo de
entrega de un producto de software y el alto grado de control del alcance
funcional que tendrá el producto de software construido (González,
Castañeda, Loaiza 2019).
Este modelo propone un enfoque secuencial y sistemático para el

desarrollo del software, conlleva más disciplina y se basa principalmente
en las etapas de análisis de requisitos, diseño, codificación, prueba, y
mantenimiento (Montero, Cevallos, Cuesta, 2018).
Figura N. 1 Etapas de la modelo cascada.

Se observa el orden en que se deben desarrollar de forma secuencial cada una de las etapas de la
modelo cascada. Se destaca principalmente por su planificación sencilla. (Fuente; Elaboración autoría
propia).
A continuación, se describe una breve definición de las etapas de la

metodología de desarrollo cascada:
1. Análisis de requisitos: En esta etapa se indaga al usuario final para

entender los objetivos y conocer las necesidades que debe cumplir
11
el software, luego tener un satisfactorio desarrollo en las fases
siguientes. Se desarrolla el documento de especificación de
requisitos.
2. Diseño: En esta etapa se especifica la organización interna del

software, se desordena y planifica el software en partes para
elaborarse el documento de diseño de software.
3. Codificación: Se lleva a cabo la codificación del software en un

lenguaje de programación con sus debidas pruebas.
4. Prueba: Se comprueba que funcione correctamente y que

obedezcan con los requisitos que solicito el usuario final antes de
entregarlo.
5. Mantenimiento: Es esta etapa se corrige o se modifica el software

luego de entregarlo al usuario final para llegar el rendimiento
esperado.
Metodología de la Investigación
Para el desarrollo de la investigación es la metodología de investigación de

campo que permite recopilar datos para un proceso específico, que tiene
como objetivo la recolección de los datos encaminados a comprender,
observar e interactuar con el entorno natural. Permite recopilar información
de las variables climáticas que se usarán para el desarrollo de un modelo
predictivo en base a la información recolectada de lo que está pasando con
las variaciones del clima y como estas afectan al cambio de las
temperaturas.
12
La investigación de campo cuenta con un conjunto de métodos, técnicas e
instrumentos para llevar a cabo la recolección de los datos, este proyecto
se adhiere a los siguiente.
El método para la investigación es la síntesis de la observación, que

permite observar las variaciones de los elementos que hace que la
temperatura varié.
Como técnica se usará la observación no participante, ya que se

observarán los cambios y se almacenara esa información para previamente
ser analizada.
SUPUESTOS Y RESTRICCIONES
SUPUESTOS:
1. Se accederá a la plataforma web a través de credenciales de

acceso.
2. La plataforma web contará con los roles de Administrador y Usuario.
3. Se visualizan los resultados de la predicción de temperatura a través
del módulo predecir.
4. El usuario deberá validar su cuenta a través de un código que se le
envía al correo electrónico registrado.
RESTRICCIONES:
1. Tener un equipo de cómputo con sistema operativo Windows,

MacOS o Linux.
2. El equipo debe tener conexión a internet.
3. El equipo debe tener instalado Python en la versión 3.6.5 o superior.
4. El equipo debe tener instalado Apache web server y la versión de
PHP 7.1 o superior.
13
5. El equipo debe tener instalado TensorFlow en la versión 2.0.
6. La plataforma web solo permitirá el registro de usuarios con cédula
de ciudadanía ecuatoriana.
Plan de calidad
El plan de calidad que se llevará a cabo en este modelo de predicción será

coordinar la evaluación de las predicciones de temperaturas.
Tipos de Pruebas de Calidad
Prueba de caja negra: Se refiere a las pruebas funcionales de software

donde se analiza y se busca errores de cada funcionalidad del modelo
predictivo y la plataforma web, asegurando que todo opere de la manera
correcta.
Prueba de caja blanca: Se refiere a las pruebas de software internas

donde se describe el funcionamiento del modelo predictivo de temperaturas
y la plataforma web de visualización.
14
CAPITULO II
MARCO TEÓRICO
En este capítulo se expondrán los diferentes conceptos teóricos que

sustenten la investigación, y el diseño del modelo predictivo basado en
técnicas de Machine Learning para predecir la temperatura en la ciudad de
Guayaquil.
ANTECEDENTES DE ESTUDIO
El estudio de la atmósfera se basa en el conocimiento de una serie de

variables meteorológicas, como la temperatura, la presión atmosférica, la
humedad o la radiación solar, las cuales varían tanto en el espacio como
en el tiempo. Cuando describimos las condiciones atmosféricas en un
momento y lugar concretos, estamos hablando del tiempo atmosférico. El
tiempo atmosférico es un condicionante principal para realizar actividades
en especial de aquellas que se realizan al aire libre, como la agricultura, la
pesca, etc.
En la atmósfera, además de la densidad y la composición del aire, también

la temperatura varía con la altura.
La temperatura es una de las magnitudes más utilizadas para describir el

estado de la atmósfera. La información que aparecen en los medios casi
siempre incluye un apartado dedicado a las variaciones de las
temperaturas: sabemos que la temperatura varia en el tiempo, entre una
estación y otra, también entre regiones geográficas.
15
La predicción de la temperatura ha sido algo que se han venido dando con
mayor frecuencia, y se llega a obtener un resultado, aplicando diferentes
métodos para realizar un pronóstico, dependiendo de la experiencia y la
cantidad de información que se disponga, y el nivel de dificultad que
conlleva el método, se obtiene un mayor grado de exactitud o confianza en
la predicción.
FUNDAMENTACIÓN TEÓRICA
BASES TEÓRICAS
Meteorología
La Meteorología tiene como propósito estudiar la atmósfera además sus

propiedades, eventos y fenómenos que suceden en ella, también su
enfoque está orientado a la comprensión de las llamadas variables
meteorológicas que son: la humedad, temperatura, presión atmosférica,
vientos, rayos solares que pueden variar en el tiempo a corto plazo.
Clima
El clima se puede definir como el cambio de condición en el que se

encuentra la atmósfera y que son propias de un lugar, la ciencia que se
encarga del estudio de esos cambios es la climatología.
El clima es el promedio logrado de las variables meteorológicas existentes
en una zona geográfica luego de una etapa prolongada de tiempo.
Temperatura
Para definir lo que es temperatura principalmente hay que comprender el

término calor, el calor es el resultado de la energía que se libera por el
movimiento de las partículas que compone cada materia, mientras más
16
rápido se mueven esas partículas más energía liberan y así el calor
aumenta entonces la temperatura es una magnitud que mide el calor que
posee cada materia.
La temperatura es una de las variables fundamentales, la cual está
relacionada con eventos meteorológico en la tropósfera.
Atmósfera
La atmósfera son capas que están integradas por una mezcla de partículas
gases y aerosoles que rodean, favorecen y preservan la vida en el planeta
tierra, esas capas de gases tienen pesos y al tener pesos son atraídos por
la gravedad que generan una presión a la que es llamada presión
atmosférica, que además está va disminuyendo cada vez que la altitud
aumenta.
Estructura de la atmósfera
En el planeta tierra la atmósfera está compuesta por 5 capas exactamente,

que se puede observar en la figura número 2, en la que ocurre diferentes
fenómenos en cada una de ellas y que se detalla una breve definición a
continuación:
1. Tropósfera
Es la capa principal de la atmósfera con una longitud de 10 kilómetro de

altitud, aquí se sitúa la mayor cantidad de oxígeno y vapor de agua, además
es donde trascurre la vida humana, vuelan las aves, aviones y se producen
los efectos climáticos como las nubes, lluvias entre otros. También los
eventos meteorológicos que nos rodean día a día y esos eventos están
relacionados a variables como: la humedad, temperatura, presión
atmosférica, vientos y los rayos solares.
17
2. Estratósfera
Esta capa tiene una longitud de 50 kilómetros de altitud, aquí la humedad

y el oxígeno son casi nulas, al final de esta capa se encuentra ubicada la
capa de ozono la cual filtra la mayoría de los rayos ultravioletas resultantes
del sol. En cuanto más se incrementa la altitud, la temperatura de la
estratósfera va creciendo, ya que va concentrándose y aumentando la
proporción de radiación solar.
3. Mesósfera
Tiene una longitud de 80 kilómetros de altitud y en esta capa la temperatura

va disminuyendo a medida que subimos y es la zona más fría de nuestra
atmósfera, aquí los meteoros que ingresa al planeta tierra se desintegran
convirtiendo en las estrellas fugases que vemos algunas noches.
4. Termosfera
Conocida como ionósfera, esta capa tiene una longitud de 500 kilómetros
de altitud formada principalmente por átomos cargados eléctricamente
llamados iones y es donde rebotan las ondas radioeléctricas de radios y
televisores que pueden llegar de un punto al otro del planeta sin perderse
en el espacio.
5. Exósfera
Esta capa es muy grande, aproximadamente de 999 a 10.000 kilómetros

de altitud, es la que está en contacto con el espacio exterior donde la fuerza
gravitatoria es tan leve que permiten que los gases escapen al espacio,
aquí se mantiene en orbitas los satélites artificiales lanzados por el hombre.
18
Figura N. 2 Capas de la atmósfera.
Esta imagen representa como está compuesta la estructura de la atmósfera, con sus respectivas
capas y sus longitudes en kilómetros de cada una de ellas. Fuente: AB Internet Networks 2008,
Elaboración: meteorología en red.
CAMBIOS EN LA TEMPERATURA A NIVEL MUNDIAL
Según las previsiones, 2019 será el segundo o tercer año más caluroso
jamás registrado. El año 2016, que empezó con un episodio de El Niño de
intensidad excepcional, se mantiene como el año más cálido. La tendencia
al calentamiento global a largo plazo se ha mantenido en 2018 y la
temperatura media mundial han sido la cuarta más elevada de la que se
tienen datos (Nullis, 2019).
La temperatura promedio mundial durante los 10 primeros meses del año

superó alrededor del 1 °C a la de la era preindustrial (1850-1900). La
utilización de recursos de combustibles de origen fósil ocasionará un
incremento en la temperatura de 3 ºC hasta 5 ºC para finales del siglo.
El 2018 está en camino de ser el cuarto año más cálido que se haya
registrado. Esto significaría que los últimos cuatro años - 2015, 2016, 2017
y 2018 - son también los cuatro años más cálidos de la serie. El 2018 es el
19
más genial de los cuatro. En contraste con los dos años más cálidos, el año
2018 comenzó́ con condiciones débiles de La Niña, típicamente asociadas
con temperaturas globales más bajas. Los 20 años más cálidos han
ocurrido todos en los últimos 22 años (Bruno, 2019).
El último informe del IPCC lo deja claro: el clima del planeta se está
calentando “más allá de toda duda razonable”. Y hablamos de un
calentamiento sin precedentes históricos, con la temperatura aumentando
sucesivamente durante cada una de las tres últimas décadas más que
cualquier década anterior (Martín, Rivera, 2018).
En general, los fenómenos climáticos extremos aumentaron 2,4 veces

entre 1970- 1999 y entre 2000-2005. Huracanes, ciclones extra tropicales,
lluvias torrenciales y sequías severas han venido ocurriendo cada vez con
más frecuencia a lo largo de toda la región. A esto hay que sumar que el
fenómeno de El Niño agrava la situación, pues con frecuencia sus efectos
implican desastres naturales asociados a algunos de estos eventos
extremos. Por ejemplo, la subida del nivel del mar, junto con eventos
extremos como las mareas de tormenta o precipitaciones intensas, están
impactando negativamente las ya de por sí vulnerables y numerosas áreas
costeras bajas de Latinoamérica (Murillo, Rivera & Castizo 2018).
El año 2018 comenzó con un débil evento de La Niña, que continuó hasta
marzo. En octubre, las temperaturas de la superficie del mar en el Pacífico
Tropical oriental mostraban signos de un retorno a las condiciones de El
Niño, aunque la atmósfera todavía no ha mostrado una respuesta. Si se
desarrolla El Niño, es probable que el año 2019 sea más cálido que el 2018
(Bruno, 2019).
Es improbable que las emisiones antropógenos (incluidos los gases de

efecto invernadero, los aerosoles y sus precursores) realizadas hasta la
fecha causen un calentamiento superior a 0,5 °C durante los próximos dos
20
o tres decenios (nivel de confianza alto) o en una escala temporal de un
siglo (nivel de confianza medio) (IPCC, 2019).
El aumento de las temperaturas ha afectado a todos los continentes, donde

experimentan altas temperaturas que ocasionan sequias y afectaciones en
actividades como la agricultura, la salud y la seguridad alimentaria.
Los riesgos relacionados con el clima para los sistemas naturales y

humanos son mayores con un calentamiento global de 1,5 °C que los que
existen actualmente, pero menores que con un calentamiento global de 2
°C (nivel de confianza alto). Esos riesgos dependen de la magnitud y el
ritmo del calentamiento, la ubicación geográfica y los niveles de desarrollo
y vulnerabilidad, así como de las opciones de adaptación y mitigación que
se elijan y de su implementación (nivel de confianza alto) (IPCC, 2019).
Los modelos climáticos prevén diferencias robustas en las características

regionales del clima entre el momento actual y un calentamiento global de
1,5 °C, y entre un calentamiento global de 1,5 °C y de 2 °C. Esas diferencias
comprenden un aumento de la temperatura media en la mayoría de las
regiones terrestres y oceánicas (nivel de confianza alto), de los episodios
de calor extremo en la mayoría de las regiones habitadas (nivel de
confianza alto), de las precipitaciones intensas en varias regiones (nivel de
confianza medio) y de la probabilidad de sequía y de déficits de
precipitación en algunas regiones (nivel de confianza medio) (IPCC, 2019).
Conforme aumentan las temperaturas, los riesgos climáticos son mayores,

el aumento de las temperaturas de entre 1ºC y 2ºC ya supone una amenaza
para la productividad alimentaria, los recursos hídricos, la salud humana, la
biodiversidad y los bienes y servicios ecosistémicos. (Martín, Rivera &
Castizo, 2018).
21
Gran parte de Europa experimentó un calor y una sequía excepcionales
hasta finales de la primavera y el verano de 2018. Las temperaturas
estuvieron muy por encima de la media y las precipitaciones muy por
debajo de la media, a partir de abril en gran parte del norte y oeste de
Europa (Bruno, 2019).
En el sudeste de Sudamérica, las cada vez más frecuentes lluvias extremas

han dado lugar a deslizamientos de tierra e inundaciones repentinas. Y se
espera que tanto las ciudades como las zonas rurales se vean afectadas
por inundaciones y corrimientos de tierra conforme aumenta la frecuencia
de las lluvias extremas, mientras que se proyectan que continúen cambios
en los caudales de los ríos en el corto plazo impactando negativamente
regiones ya vulnerables. Por su parte, la mayor frecuencia de sequías está
dando lugar a cada vez más incendios en las selvas trópicas y en particular
en la Amazónica (Martín, Rivera & Castizo 2018).
La ola de calor más importante en Europa central se produjo a finales de

julio y principios de agosto del 2019; en Francia tuvo una duración similar,
pero menos intensa, que la ola de calor de 2003; aun así́, se registraron
alrededor de 1.500 muertes en exceso. En Alemania, algunos sitios en el
área de Frankfurt tuvieron 18 días consecutivos por encima de los 30 °C
del 23 de julio al 9 de agosto. Más al suroeste, una corta pero intensa ola
de calor afectó a España y Portugal a principios de agosto. En Portugal, el
4 de agosto fue el día más caluroso del país en el siglo XXI, con un 40% de
las estaciones que establecieron récords, incluyendo Lisboa - Gago
Coutinho (44,0 °C). Armenia tuvo el mes de julio más cálido que se haya
registrado y en Ereván se registraron 43,7 °C, la temperatura más alta que
se haya registrado (Bruno, 2019).
A finales de junio y principios de julio se registraron temperaturas

excepcionalmente altas en muchas partes de Oriente Medio y el norte de
África. El 26 de junio, la temperatura nocturna en Quriyat (Omán) solo
22
descendió a 42,6 °C, una de las temperaturas mínimas más altas
conocidas. A principios de julio, el calor se extendió́ al norte de África y se
establecieron récords en varios lugares de Argelia, siendo el más alto de
51,3 °C en Ouargla, un récord nacional (Bruno, 2019).
Gran parte de países orientales se vieron afectadas por el cambio climático

entre los meses julio y principios de agosto, donde se registró una ola de
calor de mayo importancia histórica registrada.
Una grave sequía afectó a Uruguay y al norte y centro de Argentina a finales

de 2017 y principios de 2018, y el período más intenso fue el comprendido
entre octubre de 2017 y marzo de 2018. Las precipitaciones del semestre
en las cinco provincias argentinas más afectadas (Entre Ríos, Santa Fe,
Córdoba, Buenos Aires y La Pampa) fueron un 43% inferiores al promedio
de 1981-2010, el más bajo registrado. La sequía disminuyó a partir de abril,
siendo mayo el mes más húmedo de la Argentina. Las condiciones de
sequía provocaron grandes pérdidas en los cultivos de verano,
especialmente de soja y maíz (Bruno, 2019).
Se estima que las actividades humanas han causado un calentamiento

global de aproximadamente 1,0 °C con respecto a los niveles
preindustriales, con un rango probable de 0,8 °C a 1,2 °C. Es probable que
el calentamiento global llegue a 1,5 °C entre 2030 y 2052 si continúa
aumentando al ritmo actual (nivel de confianza alto) (IPCC, 2019).
Grandes extensiones del Ártico experimentaron temperaturas

inusualmente cálidas en 2019. En la mayoría de las zonas terrestres, las
temperaturas superaron la media reciente, en particular, en América del
Sur, Europa, África, Asia y Oceanía. En los Estados Unidos de América, el
estado de Alaska también registró temperaturas excepcionalmente
elevadas. En cambio, en gran parte de América del Norte la temperatura
se quedó por debajo de la media reciente (Nullis, 2019).
23
VARIACIÓN DEL CLIMA Y LA VARIABLE DE TEMPERATURA EN EL
ECUADOR
Ecuador se localiza al noroeste de Sudamérica y sus costas están bañadas

por el océano Pacífico. La línea equinoccial o ecuatorial cruza el país, y por
tanto geográficamente se encuentra en la zona intertropical, entre los
meridianos 75o 11’ y 810 01’ de longitud este, y entre los paralelos 1o 21’ de
latitud norte y 5o de latitud sur. El Ecuador continental desde el punto de
vista geográfico tiene 3 regiones o franjas que son: litoral o costa, que se
extiende desde el océano Pacífico hasta el piedemonte con cotas menores
a 1000 m s.n.m.; región montañosa que incluye las laderas occidentales,
los valles interandinos y las laderas orientales; y, llanura oriental que se
extiende desde el piedemonte hasta los límites orientales con el Perú
(Barros, Troncoso, 2010).
Los Andes cruzan Ecuador de norte a sur, constituyendo una frontera

climática. Debido a esto en el Ecuador existen tres regiones climáticas, más
las islas Galápagos (LEMA, 2018).
24
Figura N. 3 Mapa del Ecuador.
Se muestra una descripción del territorio Ecuatoriano que cuenta con una extensión territorial, alrededor
de 283.561 Km². (Fuente; Elaboración: Copyright © 2020 por Geology 170- Ecuador & the Galápagos
Islands).
Figura N. 6 La corriente de Humboldt. El enfriamiento de estos vientos ocurre más en las zonas bajas de
la Cordillera da Costa. Por EcuRed
El Ecuador continental está situado al Noroeste de América del Sur, entre
Figura N. 4 Mapa del Ecuador.
los 01º 28’
Se muestra unade Latitud del
descripción Norte y 05º
territorio 01 de Latitud
Ecuatoriano Sur
que cuenta cony una
desde los 75°11
extensión enalrededor
territorial, la
de 283.561 Km². (Fuente; Elaboración Copyright © 2020 por Geology 170- Ecuador & the Galápagos
planicie
Islands). Amazónica hasta los 81° 01 de longitud Oeste. Limita al norte con
Colombia, al sur y al este con Perú y al oeste con el océano Pacífico

(Portilla, 2018).
El territorio del Ecuador continental está dividido en tres regiones naturales

claramente diferenciadas entre sí, ya sea por su topografía, clima,
vegetación y población. Las tres regiones son: Costa o Litoral, Sierra o
Región Andina, y el Oriente o Amazonía. A 1 120 km de la costa
ecuatoriana en dirección Oeste se encuentra el Archipiélago de Colón o
Islas Galápagos que como su nombre lo indica está integrado por varias
islas. Se considera la cuarta región natural del Ecuador (Portilla, 2018).
25
A continuación, se presenta información de las ubicaciones geográficas
que conforman las regiones del Ecuador.
Costa
Territorio conformado por llanuras fértiles, colinas, cuencas sedimentarias

y elevaciones de poca altitud. La componen siete provincias: Esmeraldas,
Manabí, Guayas, Los Ríos, Santa Elena, El Oro y Santo Domingo. El suelo
de la región Litoral es generalmente bajo, con pequeñas elevaciones que
no sobrepasan los 800 m de altura sobre el nivel del mar. El principal
sistema montañoso de la región lo constituye la cordillera Costera o de
Chongón o Colonche que divide a la región en dos subregiones
denominadas Costa Externa y Costa Interna. Es una planicie aluvial baja y
cuenta con varios sistemas fluviales importantes que constituyen
excelentes vías como transporte naturales (Portilla, 2018).
Sierra
La región Sierra está dominada por la Cordillera de los Andes, con una
extensión de 800 km de longitud y 100-200 km de ancho aproximadamente,
desde el río Carchi al norte y hasta el río Macará al sur. Se conforma de
hileras de montes, nevados, volcanes, páramos alto andinos, cumbres,
valles y lagunas. La cordillera Occidental es de menor altura y sus
principales elevaciones son el volcán Chimborazo (el más alto del país, con
6310 m), Guagua Pichincha, Atacazo, Corazón y los Illinizas. La cordillera
Oriental es la más alta y sus principales elevaciones son el volcán Cotopaxi
(segundo más alto, con 5897 m), Cayambe, Antisana, Tungurahua, Altar y
Sangay. Los Andes sur del Ecuador no se diferencian claramente entre
cordilleras y sus elevaciones no sobrepasan los 4000 m de altura. […]
(Varela, 2018).
26
Amazonia
El relieve de la Amazonía o región oriental está conformado por colinas que

se originan en la parte oriental de los Andes y descienden hasta las llanuras
del Amazonas, a cuya cuenca pertenecen importantes ríos como el
Putumayo, el Napo y el Pastaza. Hay dos subregiones geográficas: Alta
Amazonía y llanura Amazónica. En la primera se encuentran las cordilleras
de Napo Galeras, Cutucú y Cóndor. Los relieves más sobresalientes de la
región se encuentran en la parte norte, cerca del volcán Sumaco, y los más
bajos hacia el lado este. En la Amazonía se encuentran seis de las
provincias del país: Napo, Sucumbíos, Orellana, Pastaza, Morona Santiago
y Zamora Chinchipe. En esta región existen importantes yacimientos
petrolíferos que en la actualidad constituyen la base de la economía
ecuatoriana (Portilla, 2018).
Región insular
La región insular, archipiélago de Colón o islas Galápagos, se encuentra

en el océano Pacífico a 1120 kilómetros de la costa nacional y está
constituido por 13 islas mayores, 6 menores y 42 islotes de origen volcánico
que suman una extensión superficial de 8010 kilómetros cuadrados. La
mayor elevación de estas islas es el volcán Wolf, con 1707 metros sobre el
nivel del mar. La fundación de carácter científico que rige el archipiélago y
que lleva el nombre de Charles Darwin (en homenaje al sabio inglés que
arribó a las Galápagos en 1835, donde perfeccionó su teoría sobre la
evolución de las especies que impulsó el desarrollo de las ciencias y amplió
el horizonte del conocimiento humano) tiene como misión esencial la de
realizar investigaciones con el objetivo de lograr la conservación de los
ecosistemas que sobreviven en el archipiélago. Estas islas constituyen el
último reducto de diversas especies únicas de fauna y flora, lo que
constituye un patrimonio natural imprescindible para la ciencia (Portilla,
2018).
27
Estaciones Meteorológicas
En el Ecuador existe el Instituto Nacional de Meteorología e Hidrología,

ente que se encarga de monitorear de manera periódica el estado del clima
y los cambios en las variables de estas desde el año de su fundación en el
1961, y cuenta con un amplio abanico de información de las variaciones de
la temperatura y otras variables del clima en las diferentes regiones del
Ecuador.
Según (Barros, Troncoso, 2010), el Ecuador cuenta con una red de

monitoreo de alrededor de 1197 estaciones meteorológicas, distribuidas en
todo el país, en las diferentes regiones, con una concentración mayor en la
región sierra y con un número menor en la amazonia y en la región insular.
La mayor cantidad de estaciones pertenecen al Instituto de Meteorología e
Hidrología (INAMHI) con un numero de 539 estaciones. Según información
proporcionada en el boletín de prensa del año 2012, del total de las
estaciones, el 41% son pluviométricas, el 29% climatológicas y 2% son
agrometeorológicas.
Tabla N. 1
Distribuciones de Estaciones Meteorológicas.
Nº
Institutos – Empresas Siglas
estaciones
CEA
Coordinadora Ecuatoriana de Agroecología 2
Comisión de Estudios para el Desarrollo de la

CEDEGE 74
Cuenca del Río Guayas y Península de Santa Elena
CREA 7
La Corporación Reguladora del Manejo Hídrico de
CRM 48
Manabí
Dirección de Aviación Civil DAC 12
Dirección Nacional del Banano D.N.BANANO 41
Empresa Eléctrica Quito EEQ 1
28
Empresa Municipal de Agua Potable Quito Escuela EMAPQ 35
Escuela Politécnica Nacional EPN 1
Escuela Politécnica del Chimborazo ESPOCH 2
Fuerza Aérea Ecuatoriana FAE 22
Honorable Consejo Provincial de Pichincha HCCP 26
Estación de Radio HCJB HCJB 1
Ingenio San Carlos I.S.CARLOS 19
Instituto Nacional de Meteorología e Hidrología INAMHI 539
Instituto Ecuatoriano de Electrificación INECEL 142
Instituto Ecuatoriano de Recursos Hidráulicos INERHI 97
Instituto Oceanográfico de la Armada INOCAR 13
Junta de Recursos Hidráulicos JRH 5
Ministerio de Agricultura y Ganadería MAG 10
Programa de Desarrollo del Sur PREDESUR 56
Universidad Central del Ecuador UCE 2
Universidad de Guayaquil UG 1
Sin Institución S/I 40
Elaboración autoría propia, los datos fueron obtenido desde la Fuente: Atlas climatológico del
Ecuador, 2010.
En el Ecuador se registran 3 tipos de temperaturas, según información son

las temperaturas máximas, mínimas y media absolutas registradas en
diferentes zonas regionales del Ecuador.
Temperatura máxima
Según (Barros,Troncoso,2010), la temperatura máxima se incrementa

mientras se aleja de la cordillera occidental y oriente, donde se presentan
las máximas temperaturas en la región costa, en la provincia de Manabí y
un incremento máximo en la región más externa de la Amazonia.
Temperatura Media
Según (Barros,Troncoso,2010), la temperatura media se incrementa

mientas se aleja de la región sierra, con concentración de valores máximos
29
en las costas de los sectores de la provincia de Manabí y el golfo de
Guayaquil y en la provincia de Esmeraldas.
Temperatura Mínima
La temperatura mínima se localiza en regiones con altitudes altas de la

región sierra, según el Instituto de Meteorología e Hidrológica, la estación
meteorológica ubicada en el volcán Cotopaxi, registro la temperatura más
baja en el Ecuador con valores bajo cero.
Según el boletín de climatológico mensual del mes de noviembre del 2019

tomado de la red de observación meteorológica del Instituto Nacional de
Meteorología e Hidrología (INAMHI), indica que la variable temperatura
media del aire se determina una tendencia al incremento en el 70% de
estaciones en relación con sus promedios mensuales, presentando una
distribución espacial homogénea hacia las regiones Litoral e Interandina,
no así en el Oriente donde su distribución es irregular, en consecuencia, la
anomalía positiva a nivel de país es predominante, la estación San
Cristóbal como única representativa de la región Insular tampoco reporta
información de esta variable.
A continuación, se presentan las variaciones de la temperatura que registro

la red de observación meteorológica del INAMHI, en el mes de noviembre
del año 2019 en la región Litoral, Interandina, y amazónica.
Región Litoral
Con valores de temperatura media que superan a sus promedios

mensuales, la región está predominada por las anomalías positivas excepto
en La Concordia y Santa Rosa, estas anomalías presentan un rango que
va desde -0.9°C a 0.3°C. Los valores extremos de temperatura del aire se
registran en la estación Pichelingue cuya máxima es de 34.8°C ocurrido el
30
día 1 y una mínima de 18.3°C que se presentó el día 2 en Santo Domingo
(Instituto Nacional de Meteorología e Hidrilogía, 2019).
Región interandina
El 85% de estaciones registraron valores de temperatura media del aire

que superaron sus promedios, consecuentemente las anomalías positivas
imperan en la región, sin embargo, la variación determinada está en el
rango de -1.3°C (Latacunga) y 1.5°C (Inguincho), ello es una clara muestra
de una distribución espacial homogénea. La temperatura máxima absoluta
de la región se registró en el valle del Catamayo, en la estación La Toma,
cuyo valor es de 34.2°C ocurrido el día 18, mientras que la temperatura
mínima absoluta es 3.4°C y se presentó en Latacunga el día 19 (Instituto
Nacional de Meteorología e Hidrilogía, 2019).
Región amazónica
Los valores registrados en la red de estaciones determinan temperaturas

medias que se ubican alrededor de sus promedios mensuales, de cuya
relación se obtiene anomalías entre positivas y negativas dispersas, cabe
indicar que la variación oscila en un rango que va de -0.2°C a 3.0°C, valor
último que registra la estación Pastaza. (Instituto Nacional de Meteorología
e Hidrilogía, 2019).
A continuación, se muestra las variaciones de temperaturas que se han

registrado en las diferentes estaciones de la red de observación del INAMHI
ubicadas en las diferentes regiones del Ecuador como se muestra en el
gráfico del mes de noviembre del año 2019.
31
Figura N. 4 Estadística Climatológica.
Se expone la estadística Climatológica corresponde al mes de noviembre del 2019. Resumen de
precipitación y temperatura captadas por las estaciones del instituto de Nacional de Meteorología e
Hidrología. (Fuente; Elaboración: Instituto Nacional de Meteorología e Hidrología).
El aumento en la temperatura en el Ecuador ha favorecido el desarrollo de

enfermedades tropicales que atentan contra la salud pública,
enfermedades que pueden ser adquiridas de diferentes formas tanto como
por vía oral, aérea y enfermedades transmitidas por vectores, donde esta
última son transmitidas a través de animales tales como mosquitos,
garrapatas y ratones, tales como el dengue, el paludismo entre otras
enfermedades.
32
LA TEMPERATURA EN GUAYAQUIL
En Guayaquil, la temporada de lluvia es muy caliente, opresiva y nublada y

la temporada seca es caliente, bochornosa y parcialmente nublada.
Durante el transcurso del año, la temperatura generalmente varía de 21
°C a 31 °C y rara vez baja a menos de 19 °C o sube a más de 33 °C
(Weatherspark, 2020).
En la ciudad de Guayaquil es probable que se registre un aumento en la

temperatura en el mes de marzo (mes más cálido), con un promedio de
27.1 °C y un máximo de 31.5 °C aumente en 2.5 °C, lo que resulta en un
cambio de temperatura promedio anual de 2.2 °C dentro de 31 años. Sin
embargo, en Guayaquil ya hay un registro de una temperatura récord de
34.8ºC bajo sombra el 28 de diciembre del 2019, información registrada por
la estación meteorológica ubicada en el aeropuerto de la ciudad según
informo el Instituto Nacional de Meteorología e Hidrología (El Universo,
2019).
Figura N. 5 Registro de Temperatura.

Constan el registro histórico de temperatura récord que se han registrado durante el año todo 2019
en la ciudad de Guayaquil.(Fuente; Elaboración: Instituto Nacional de Meteorología e
Hidrología).
33
DEFINICIONES CONCEPTUALES
Corriente de Humboldt
La corriente de Humboldt es una corriente fría que fluye en dirección al

norte a lo largo de la costa de Sudamérica, se forma frente a las costas de
Chile, Perú y Ecuador. La temperatura de las aguas en estas costas es
entre 5 y 10 grados centígrados más frías de lo que deberían ser, ya que
los vientos reinantes soplan de manera paralela a las costas.
Figura N. 6 La corriente de Humboldt.

El enfriamiento de estos vientos ocurre más en las zonas bajas de la Cordillera da Costa.
Fuente: EcuRed.
Corriente del Niño
La Corriente del Niño es la entrada de aguas cálidas desde Australia

aumentando las temperaturas del océano en las costas del Pacífico de
Ecuador. La corriente del niño se manifiesta entre diciembre y marzo,
marcando la época de invierno en las costas de Ecuador debido al aumento
de la precipitación (Ponce, 2017).
34
Figura N. 7 Circulación atmosférica en condiciones normales.
(Fuente; Elaboración: Luhr, 2003).
Las aguas del Pacífico Oriental pueden ser influenciadas por la corriente
del Niño (ENSO), este fenómeno causa corrientes tropicales cálidas,
generando efectos negativos en cuanto al desequilibrio de los ecosistemas
marinos (Ponce, 2017).
Figura N. 8 Circulación atmosférica en condiciones del niño.

(Fuente; Elaboración: Luhr, 2003).
35
A diario aparece información meteorológica en los medios de comunicación
y, aunque a veces ésta es motivo de las conversaciones más triviales,
sabemos que la comprensión del tiempo implica conocer un buen número
de conceptos científicos, no todos ellos sencillos. Desde tiempos
inmemoriales, el hombre ha admirado los fenómenos atmosféricos y ha
intentado explicar sus causas. Mientras no hubo instrumentos, ni grandes
conocimientos científicos, la magia y la religión sirvieron de explicación a la
mayor parte de los fenómenos meteorológicos. Hoy en día, la Meteorología
es una ciencia avanzada, basada en el conocimiento de la Física y en el
uso de tecnologías modernas. Los meteorólogos son capaces, incluso, de
predecir el tiempo hasta con una semana de antelación con gran precisión
(Rodriguez, Capa, Lozano, 2004).
El cambio en las variables climáticas ha hecho que se desarrollen modelos

físico matemáticos que permitan predecir de alguna forma el patrón de los
cambios en las variables del clima, para permitir a gobiernos e instituciones
estar preparadas ante cambios climáticos que se presenten, evitando
pérdidas de índole económicas y humanas.
En la década de 1950, hubo una revolución en la predicción del clima. Los

avances en la tecnología permitieron simular la atmósfera utilizando
modelos dinámicos, lo suficientemente rápidos y precisos para ser
utilizados en las predicciones operacionales. Los modelos dinámicos son
ahora una parte central de la previsión meteorológica […]. Los modelos de
clima operacional generalmente se ejecutan a una resolución de entre 1 km
y 10 km, es decir, todo dentro del mismo kilómetro cuadrado está
representado por una sola celda de cuadrícula. Esta resolución es lo
suficientemente buena para capturar una amplia gama de fenómenos, pero
obviamente no podrá capturar detalles muy localizados. Es posible realizar
este tipo de localización utilizando modelos entrenados en datos históricos,
proporcionando un mapeo entre las predicciones a gran escala de la
simulación y los efectos a pequeña escala. Esta es un área de investigación
36
activa que podría hacer que los pronósticos sean más útiles para las
actividades cotidianas. Un desafío crucial en la próxima década será la
integración de simulaciones físicas directas, por un lado y enfoques
basados en datos, por el otro (Gnoza, Barberena, 2018).
Los investigadores están empleando, el uso del avance de la tecnología

para estudiar todos datos que son relevantes y que influyen en la predicción
meteorológica como; la temperatura, la velocidad del viento, presión
atmosférica, humedad, altitud, radiación solar; Incorporando la inteligencia
artificial (AI) combinado con el internet de las cosas (IOT), que ya ha
comenzado a formar parte de su proceso. Es muy posible que, con el paso
del tiempo, los equipos y dispositivos logren aportar información muy
valiosa respecto al clima en tiempo real. Todos los móviles, semáforos,
automóviles, sistemas de aire acondicionado domésticos inteligentes,
tendrían esa facultad de poder utilizarlos como fuente de información en
tiempo real para mejorar el pronóstico.
Modelos matemáticos para predicciones
El uso de modelos para predecir el clima comenzó en 1922 por el

matemático inglés Lewis Fry Richardson, que intentó hacer una previsión
numérica sin éxito. Obviamente en esa época no se disponía del volumen
de datos y capacidad de cómputo que existe en la actualidad. En 1950 el
grupo de meteorólogos compuesto por Jule Charney, Larry Gates, Philip
Thompson y John Von Neumann logran tener resultado utilizando la
ENIAC. Años después, en 1955 aúnan esfuerzos la Fuerza Aérea y la
Oficina Meteorológica americana para así invertir en la predicción mediante
modelos numéricos (Gnoza, Barberena, 2018).
El problema de predicción numérica del sistema atmosférico es un

problema de alta complejidad que requiere del trabajo multidisciplinario de
científicos especializados en modelización matemática, meteorología,
37
análisis numérico, optimización, entre otros. El punto de partida para la
construcción de un modelo matemático, que se ajuste a las condiciones de
una determinada región geográfica, son las leyes de conservación y leyes
constitutivas que gobiernan la física del sistema atmosférico. Todo modelo
matemático desarrollado sobre esta base requiere además ser
complementado con condiciones de borde, condiciones iniciales y
esquemas de parametrización física que permitan ajustar los términos
distribuidos del modelo (Calderón, Naranjo, De los reyes, Hidalgo, 2014).
TIPOS DE MODELOS NUMÉRICOS
Todo va evolucionando y a pesar de tener diferentes modelos hoy en día

no existe una forma única de predecir, siempre jugará un papel
considerable las limitantes, las prioridades y el diseño pueden influir en el
tipo de modelo a usar.
En cuanto a las prioridades debemos fijar nuestro horizonte de predicción,

es decir, si vamos a hacer predicciones a escala global o en un área
limitada y si van a ser a corto plazo (48 horas), medio plazo (hasta 10 días),
estacionales (hasta 6 meses) o climáticas (más de 10 años). Ambos
aspectos no son independientes, sino que están relacionados entre sí
(Garcia, Moya, n.d.).
1. Modelos de circulación general o globales
Se trata de modelos cuya prioridad es la simulación del flujo de circulación

general atmosférico, por tanto, su rejilla de integración debe cubrir toda la
tierra. Se usan principalmente para predicciones a medio plazo,
estacionales y climáticas ya que no necesitan ningún dato externo (salvo
las condiciones iniciales) para realizar las predicciones. Esta es, como
veremos, una gran ventaja, sin embargo, su principal desventaja es que
necesitan una gran infraestructura de mantenimiento. Para tener una
resolución horizontal adecuada (entre 50 y 80 Km) el número de nodos de
38
la rejilla de integración es tan grande que se necesitan ordenadores muy
potentes para poder integrarlos. Además, puesto que la cobertura es global
necesitan observaciones de todo el planeta para su asimilación. Como la
cobertura de las observaciones es muy desigual, los resultados de dichos
modelos dependen mucho de la zona del globo que se considere (Barraza,
Choto, Cortez, 2017).
2. Modelos de área limitada (LAM) o microescala
Cuando el área de interés de la predicción o de los estudios que se quieren

realizar con un modelo es muy concreta y el alcance corto puede ahorrarse
mucho tiempo de ordenador operando el modelo numérico sobre una rejilla
plana que cubre solo esa área. Se tienen así los llamados "modelos de área
limitada" (siglas inglesas LAM). Necesitan de las predicciones de un
modelo cuya rejilla incluya su rejilla de integración para usarlas como
condiciones de contorno y tienen una limitación en el alcance de las
predicciones que pueden hacerse con ellos. Se considera que las
estructuras que entran por los contornos del modelo no deben alcanzar el
área de interés máximo en el tiempo que dura la predicción, es decir, si
consideramos la velocidad típica de una perturbación (borrasca) en
latitudes medias el período de predicción que abordamos con nuestro
modelo debe ser menor que el tiempo invertido por esa perturbación en
llegar desde el borde del área hasta el área de interés de las predicciones.
Normalmente estos modelos se usan para predicciones a corto plazo (hasta
48 horas de predicción) y tienen la ventaja de que poseen mayor resolución
horizontal que los modelos globales típicos (Garcia, Moya, n.d.).
3. Modelos de mesoescala o regionales
A medida que aumenta la resolución horizontal de los modelos mejoran las

predicciones que se obtienen con ellos. Sin embargo, esta mejora lineal
tiene un límite. Efectivamente a partir de los 5 Km. Empiezan a no ser
válidas algunas de las hipótesis básicas con las que hemos construido los
modelos numéricos de corto y medio plazo. La más importante de ellas es
39
la hipótesis hidrostática cuya validez es muy discutible por encima de la
resolución antes mencionada. Aquellos modelos diseñados especialmente
para funcionar a resoluciones por encima de los 5 Km. Se conocen con el
nombre de "modelos de mesoescala". Se trata de modelos con unos
esquemas de parametrizaciones físicas muy sofisticados pero que tienen
como contrapartida que necesitan una enorme capacidad de cálculo.
Debido a que sus resultados operativos aún no están a la altura de los
recursos informáticos que necesitan estos modelos se usan principalmente
como herramienta de investigación (Barraza, Choto, Cortez, 2017).
FORMULACIÓN DE MODELOS NWP (NUMERICAL WEATHER

PREDICTION NWP)
Los modelos NWP se pueden dividir en modelos hidrostáticos y no

hidrostáticos. Los modelos hidrostáticos suponen que las aceleraciones de
la velocidad vertical son pequeñas en relación con la de la gravedad. Los
modelos no hidrostáticos, por otro lado, son capaces de modelar
aceleraciones verticales superiores a la de la gravedad, como las que se
encuentran en la convección profunda y húmedas. La mayoría de los
modelos con espacios de rejilla horizontales de menos de 10 km se
ejecutan utilizando modelos no hidrostáticos.
PREDICCIÓN NUMÉRICA DEL TIEMPO NWP
NWP, Utiliza software muy sostificado que son ejecutado en

supercomputadoras para las debidas predicciones de las variables
climáticas, que son: temperatura, velocidad y dirección de los vientos,
precipitación, presión atmosférica, humedad, entre otras.
Un modelo numérico es un conjunto de ecuaciones matemáticas cuya

solución requiere de métodos numéricos. Las ecuaciones básicas de un
modelo numérico del tiempo son aquellas que rigen el movimiento del aire
(horizontal y vertical), conservación de la masa y la energía, las
transformaciones termodinámicas, los procesos de formación y desarrollo
40
de las nubes, etc. Entre los métodos numéricos más usados para
solucionar sistema de ecuaciones diferenciales en derivadas parciales
(modelo numérico del tiempo) son: diferencias finitas, métodos espectrales
y elementos finitos.
Además, existen dos clases básicas de modelos meteorológico:
1. Modelos barotrópicos
Una atmósfera es barotrópica si no existen vientos térmicos, es decir, que

no se tiene en cuenta el viento debido a las diferencias de temperatura. Son
útiles en la previsión del movimiento de la atmósfera a gran escala. En
estos modelos no se tiene en cuenta el tipo de desarrollo de ciclones o
anticiclones y tienen otras restricciones:
Después del tiempo t = 0, el movimiento del aire viene gobernado tan sólo
por la inercia que posee en el instante t = 0, lo que equivale decir que no
se tiene en cuenta cualquier aportación de nueva energía. El movimiento
se supone que es totalmente horizontal (La observación del tiempo, 2020).
2. Modelos baroclínicos
Son modelos más complicados que los barotrópicos ya que introducen

influencias tales como la topografía, calentamiento superficial, rozamiento,
e intercambios de calor latente. Además, se tiene en cuenta el viento
térmico y las condiciones atmosféricas a diferentes niveles de altura de la
atmósfera. Son útiles aplicados en regiones más reducidas que los
modelos barotrópicos, que como se ha comentado se utilizan en la
previsión a gran escala. Las ecuaciones matemáticas de un modelo
numérico del tiempo pueden ser resueltas en una región limitada o en el
globo entero. Cuando es en una región limitada se llama MODELO
REGIONAL, cuando es en el globo entero se le llama MODELO GLOBAL.
La capacidad del hombre para predecir el tiempo con anticipación de 24,
41
48, 72 horas o más, es muy limitada. Se podría decir que es casi imposible
de predecir el tiempo con varios días de anticipación. Sin embargo, a través
de un MODELO GLOBAL se puede tener pronósticos fiables hasta con una
semana de anticipación. La fiabilidad es mayor para periodos de tiempo
menor que 5 días, y también en regiones de latitudes medias. Un modelo
numérico regional es muy útil para el pronóstico del tiempo con alta
resolución (desde 500-600 m hasta 60-100 Km.) y con antelación de 48
horas. Estos modelos son más fiables que los modelos globales, y no
necesariamente requieren de un superordenador (“La Obs. del tiempo,”
2020).
MÉTODOS DE PRONÓSTICO
La existencia de varios métodos para el pronóstico de la temperatura hace

que se use el indicado basado en su subjetividad y experiencia.
Entre los métodos existente destacan:
1. El Método de la persistencia (Hoy es igual a mañana)
Este modelo es uno de estándares de referencia más utilizados en el

campo de la verificación de los pronósticos. Una predicción por el método
de la persistencia supone que un sistema o las variables meteorológicas
mantendrán las 𝑋 horas ulteriores las características que mostraron durante
las 𝑋 horas anteriores; es decir, asume que las condiciones atmosféricas
no cambiarán en el tiempo. Los algoritmos que conforman el pronóstico por
el método de la persistencia son 3 : Temperaturas extremas y fuerza del
viento, Dirección del viento, Nubosidad y precipitación (Valderá, 2018).
Por ejemplo, si hoy es un día soleado con 29º C. El método de persistencia

admite que mañana será soleado y con 29ºC.
42
2. El Método de la tendencia (Usando matemáticas)
Este método de tendencia realiza operaciones de la velocidad de centros

de altas y bajas presiones, frentes y áreas de nubes, precipitación.
Utilizando estos datos el pronosticador podrá pronosticar donde se espera
estas características en un tiempo futuro. Por ejemplo, si se observa un
sistema de tormentas a 3000 Km, trasladándose con una velocidad de 500
Km por día, se puede pronosticar que este sistema llegará en 6 días. El uso
de este método para predecir en un lapso corto se lo denomina
“Nowcasting” y es frecuentemente usado para predecir precipitación. El
método es favorable cuando hay un sistema que se mueven en la misma
dirección y a la misma velocidad en un lapso. Si hubiera un cambio en ese
sistema dentro del tiempo como de dirección, intensidad no es muy
apropiado emplear ese método.
3. El Método climatológico
Este método implica el uso de promedios estadísticos de las variables

climatológicas, recolectados y unidos de años anteriores. Por ejemplo, si
deseamos predecir como estará el tiempo en un x lugar, un 16 de enero,
se utiliza los datos promediados de los registros del 16 de enero varios
años. Que se denomina normales climatológicos. Si esos promedios del 16
de enero fueron de 17ºC y 19 mm de precipitación, Entonces se
pronosticará que para el 16 de enero la temperatura será de 17ºC y 19 mm
de precipitación. Este método es beneficioso si los patrones climatológicos
son similares para la fecha seleccionada, pero si los patrones son distintos,
este método no será tan confiable.
4. El Método Análogo
Este método es uno de los más usado comúnmente y el que tiene cierto
grado de complejidad por lo complicado que es virtualmente encontrar un
43
análogo perfecto, infiere examinar el evento del pronóstico actual y recordar
un día en el pasado, en el cual el evento meteorológico fue idéntico. Por
ejemplo, se observa que hoy es un día caluroso y un frente frío se está
acercando. Entonces localiza en los registros históricos condiciones
parecidas de presión, humedad relativa, temperatura, velocidad del viento,
etc. Encontrados los datos podrá tener una referencia para realizar un
pronóstico confiable. Si se guarda muchos registros y condiciones
meteorológicas, existen mejores probabilidades de encontrar un análogo,
por lo que las condiciones de pronosticar con este método mejorarían
A continuación, se mencionan y describen los modelos meteorológico más

destacado que se han dado, en el paso de tiempo en toda Europa y
América del norte, por instituciones privadas, de gobiernos y por las
comunidades científicas para predicciones.
ARPS (Advanced Regional Prediction System)
Su desarrollo comenzó a mediados de la década de 1970 por varios

científicos, personal de apoyo y estudiantes de posgrado, con el lenguaje
informático Fortran 77 pero las versiones actuales se cambió a Fortran 90,
en el Centro de Análisis y Predicción de Tormentas (CAPS) de la University
of Oklahoma además con la colaboración del Centro de Ciencia y
Tecnología de la Fundación Nacional de Ciencias (STC).
El modelo ARPS es un sistema tridimensional no hidrostático diseñado

desde el principio para servir como una herramienta efectiva para
investigación básica aplicada y como sistema adecuado para la predicción.
ARPS incluye su ingreso de datos propios, control de calidad y análisis
objetivo paquetes, un sistema de asimilación de datos que incluye el radar
de Doppler y algoritmos de recuperación termodinámica, el componente de
predicción directa y un paquete de verificación, diagnóstico y pos-
procesamiento autónomo.
44
La versión actual contiene un paquete completo de física y se ha aplicado
con éxito durante los últimos años a la predicción operativa en tiempo real
del clima a escala de tormenta en las Grandes Llanuras del Sur de los
Estados Unidos (Storms, 2013).
Su última versión ARPS5.3.4 tanto como el código fuente, guía de usuario

y documentación del modelo se encuentra disponible en la página oficial
del CAPS.
MM5:(Short for Fifth-Generation Penn State/NCAR Mesoscale Model)
Creada en la década de 1970, nombrado el modelo de mesoescala PSU-

NCAR: Es uno del modelo de código abierto más populares a nivel mundial,
desarrollada con código Fortran, fue creado y actualmente le pertenece a
la Universidad Estatal de Pensilvania y al Centro Nacional de Investigación
Atmosférica. El MM5 está basado ecuaciones de Navier-Stokes
dependientes del tiempo.
Es un modelo global de coordenadas sigma de área limitada, no

hidrostático, que sigue el terreno con un alto grado de flexibilidad en la
elección de los dominios, diseñado para simular o predecir la circulación
atmosférica de mesoescala. El modelo es compatible con varios programas
de procesamiento previo y posterior, que se denominan colectivamente
como el sistema de modelado MM5 (MM5 Community Model Homepage,
2015).
Los usuarios del MM5 puede elegir entre seis parametrizaciones

convectivas, siete parametrizaciones de microfísica de nubes a escala
resoluble, seis parametrizaciones de la capa límite planetaria, siete
superficies y cuatro esquemas de radiación atmosférica, aunque muchos
de estos esquemas son anticuados, demasiado simples, o inapropiado
45
para algunas situaciones climáticas. La configuración de esta
parametrización depende tu desempeño óptimo.
El modelo MM5 logra adquirir y analizar sus datos en superficies de presión,

pero estos deben ser intercalados a la coordenada vertical del modelo
antes de ser incorporados al modelo. La coordenada vertical es el
seguimiento del terreno. Eso equivale que los niveles inferiores de la
cuadrícula permanecen el terreno entretanto que la superficie superior es
plana.
ETA
Es sucesor del modelo HIBU, su desarrollo empezó en 1972 por Fedor

Mesinger y Zavisa Janjic, en la Universidad de Belgrado y en el Instituto
Federal de Hidro meteorología, Yugoslavia: ETA utiliza el esquema de Betts
Miller y mejorado por Janjic 1994.
ETA es un modelo hidrostático de área limitada, con una característica

destacada que es el uso de la coordenada vertical "Eta” (η), esta es una
abstracción de la coordenada sigma. La utilización justamente de esta
coordenada otorga una reducción los errores, en los cálculos de la fuerza
de gradiente de presión, advección y difusión horizontal sobre topografías
irregulares y de gran pendiente.
Este esquema está basado en la representación directa de los estados de

cuasi-equilibrio establecidos por la convección, es decir, trata de ajustar los
perfiles de temperatura y humedad a unos perfiles que se asemejan lo más
posible a los perfiles observados en ambientes convectivos (perfil de
referencia) en tres niveles: la base, el nivel de congelamiento y el tope de
la nube convectiva.
46
El Centro de Predicción Numérica (CPN) del Servicio Nacional de
Meteorología e Hidrología (SENAMHI), comenzó la implementación en
marzo 1999 y oficialmente ejecutándose desde julio del año 2000.
El esquema de Betts – Miller fue considerado hasta el año 2006, para

utilizar esquema Kain Fritsch a partir del año 2007.
MEMO (Mesoscale Model)
Desarrollado a finales de la década de los años 1980 por el grupo de

investigación del Instituto de Termodinámica Técnica de la Universidad de
Karlsruhe. Resuelve las ecuaciones primitivas efectuando la aproximación
de Boussinesq. Resuelve las ecuaciones compresibles no-hidrostáticas.
La ecuación de continuidad se soluciona con la aproximación anelástica,

mientras que la tercera componente del viento se soluciona con una
ecuación elíptica para la presión.
MEMO utiliza coordenada de seguimiento del terreno y tiene dos

parametrizaciones físicas de importancia - transferencia radiativa y la
Teoría K para el sistema planetario capa límite, pero desprotege los
procesos húmedos asumiendo la atmósfera es insaturada.
MC2 (Mesoscale Compressible Community Model)
Es un modelo atmosférico basado en los últimos avances en modelización

atmosférica. Se ha desarrollado para aplicaciones meteorológicas de
escala muy fina. Se trata de una extensión del modelo de área limitada
compresible desarrollado por Tanguay et en 1990 y Laprise et en 1997, a
mediados de los 80 en la Université du Québec à Montreal (UQAM).
47
El modelo de comunidad compresible de mesoescala (MC2), dedicado al
pronóstico del clima y utilizado en el Kit de herramientas de simulación de
energía eólica (WEST), funciona bien para simulaciones sobre pendientes
planas, suaves y moderadas. En términos generales, el núcleo MC2
resuelve las ecuaciones de gobierno separando las derivadas materiales
aplicado en las variables pronósticas y los términos lineales a partir de los
no lineales términos, forzamiento externo y términos fuente.
Recientemente, el modelo MC2 se ha actualizado con una gran simulación
incorporada (LES) metodología y esquemas avanzados de parametrización
física que aumentan sus capacidades para resolver fenómenos de flujo
atmosférico no lineal sobre orografía de alto impacto (Flores, Benoit,
Masson, 2019).
HIRLAM (High Resolution Limited Area Model)
Se deriva de un consorcio de institutos meteorológicos europeos

(Dinamarca, Estonia, Finlandia, Islandia, Irlanda, Noruega, Países Bajos,
España, Suecia y con Francia como socio investigador).
Fue el primero de estos consorcios en modelos de área limitada en Europa,

establecido en 1985 en los países nórdicos y luego extendido con otros
miembros (Frank Lantsheer, 2016).
Existen versiones hidrostática y no hidrostática. Modelo NWP y su principal

finalidad es conceder un sistema de predicción numérica meteorológica de
muy corto alcance y de última generación.
ECMWF (European Centre for Medium-Range Weather Forecasts)
Es conocido como Integrated Forecast System (IFS) o ECMWF IFS. Su

desarrollo empezó por la década de 1987, siendo los principales
precursores Mats Hamrud y Philippe Courtier, pero después se fueron
48
incrementando los involucrados y colaboradores, su funcionamiento
operativo fue en 1990 y pertenece al ECMWF.
Ampliamente considerado como el modelo NWP más preciso en el mundo,

el ECMWF su desarrollo estuvo a cargo de European Coperation in the
Science and Technology (COST), acción para proporcionar pronósticos
meteorológicos globales de mediano alcance.
El núcleo dinámico del modelo ECMWF no hidrostático deriva del modelo

ALADIN.
El sistema integrado de pronósticos (IFS) de ECMWF consta de varios

componentes unidos de varias maneras diferentes:
• Un modelo atmosférico ejecutado en varias resoluciones apropiadas

para la duración del pronóstico (high resolution (HRES), ensemble
(ENS), extended-range, y seasonal forecast).
• Un modelo de ola oceánica (ecwam) ejecutado con varias
configuraciones (HRES-WAM, HREW-SAW.).
• Un modelo oceánico (NEMO) que incluye un modelo de hielo marino, el
modelo de hielo marino de Louvain-la-Neuve Sea Ice Model (LIM2).
• Un modelo de superficie terrestre (HTESSEL) que incluye un modelo
de lago (FLAKE) .
• Un sistema de análisis de datos (4D-var).
• Técnicas de perturbación para la generación de los conjuntos.
Estos se describen en la figura número 9. El modelo se ejecuta de
manera cooperativa para producir pronósticos desde el tiempo de
análisis hasta días, semanas o meses por delante.
49
Figura N. 9 Componente del ECMWF.
Se expone como está integrando los componentes principales del modelo ECMWF.
(Fuente; Elaboración Santoalla, 2018).
Es considerado uno de los más fiables, superando a GFS que cometió

errores en la dirección e intensidad el huracán Sandy en 2012, permite
hacer predicciones a mediano plazo (10 días) (Gnoza, Barberena, 2018).
MASS (Mesoscale Atmospheric Simulation System)
Desarrollado por los principales científicos de MESO, Inc. en la década de

1990 por los científicos: John W. Zack, Mary D. Bousquet, Kenneth T.
Waight, Steven H. Young, actualmente pertenece y es comercializado por
la compañía norteamericana.
El sistema de modelado es para aplicaciones de investigación y pronóstico

en tiempo real. El modelo numérico de 14 niveles, que tiene una malla de
cuadrícula de 48 km, se puede ejecutar en la mayor parte de América del
Norte y las regiones oceánicas adyacentes. MASS emplea números
precisos de sexto orden, teoría de similitud generalizada.
50
MASS es un modelo mesoescalar que soluciona ecuaciones primitivas
empleando la aproximación hidrostática, creado para trabajar con
resoluciones entre 10 a 100 km y 20 a 40 niveles verticales. Este modelo
también tiene una versión no-hidrostática la cual permite incrementar la
resolución de trabajo.
Este modelo utiliza una variedad de bases de datos en línea, globales,

geofísicas y meteorológicas. El principal las entradas meteorológicas son
datos de reanálisis, datos de rawinsonde y mediciones de la superficie
terrestre. La base de datos, la más importante, es un conjunto de datos
meteorológicos históricos cuadriculados producidos por los Centros
Nacionales de EE. UU. Predicción ambiental (NCEP) y Centro Nacional de
Investigación Atmosférica (NCAR). Los datos proporcionan un Instantánea
de las condiciones atmosféricas en todo el mundo en todos niveles de la
atmósfera en intervalos de seis horas (Aws Truepower, 2012).
UM (Unified Model)
Fue desarrollado y patentado por UK Met Office (Oficina Meteorológica del

Reino Unido) y se introdujo en 1990. El UM es un modelo numérico para la
simulación del clima, aplicaciones climáticas y predicciones del clima,
mediante una gama de escalas de tiempo. Proyectado para desempeñarse
solo en atmósfera de área limitada o global, solo océano o en modo
atmósfera-océano acoplado, no hidrostático, aunque puede utilizarse como
modelo hidrostático.
El UM sufre cambios significativos medida que se introducen nuevas

mejoras científicas o se añaden nuevas características, por lo que el Met
Office liberar nuevas versiones de forma regular (aproximado. 3 - 4 veces
al año) (UM – NCAS Computational Modelling Services, 2019).
51
El UM se desempeña en configuraciones tanto global como regional para
el pronóstico del tiempo:
Las configuraciones globales del modelo unificado proporcionan

pronósticos meteorológicos de mediano alcance y también admiten los
modelos regionales anidados de mayor resolución con datos de
límites. Estos modelos de alta resolución proporcionan pronósticos más
detallados a corto y mediano alcance que pueden representar ciertos
procesos atmosféricos con mayor precisión, así como también tienen una
representación más detallada de las características de la superficie, como
las costas y la orografía (Numerical weather Prediction models - Met Office,
n.d.).
El núcleo dinámico del modelo resuelve las ecuaciones de movimiento

compresibles no hidrostáticas con advección semi-lagrangiana y paso de
tiempo semi-implícito. Los procesos a escala de subcuadrícula, como la
convección, la turbulencia de la capa límite, la radiación, las nubes, la
microfísica y la resistencia orográfica, se representan mediante
parametrizaciones. El modelo utiliza una discretización de punto de
cuadrícula en un sistema de cuadrícula de latitud y longitud con un polo
girado (Unified Model, n.d.).
WRF (Weather Research and Forecast Model)
Su desarrollo empezó a finales de 1990 formaron una sociedad entre el

Centro Nacional de Investigación Atmosférica (NCAR), la Administración
Nacional Oceánica y Atmosférica (representada por los Centros Nacionales
de Predicción Ambiental (NCEP) y el Laboratorio de Investigación del
Sistema Terrestre), la Fuerza Aérea de los EE. UU., el Laboratorio de
Investigación Naval, la Universidad de Oklahoma.
52
Es un sistema numérico de predicción meteorológica de mesoescala de
próxima generación diseñado tanto para la investigación atmosférica como
para aplicaciones de pronóstico operativo. Cuenta con dos núcleos
dinámicos, un sistema de asimilación de datos y una arquitectura de
software que admite cómputo paralelo y extensibilidad del sistema. El
modelo sirve una amplia gama de aplicaciones meteorológicas en escalas
desde decenas de metros hasta miles de kilómetros (Weather research and
forecasting model, n.d.).
La página oficial del modelo facilita la descarga gratuita del WRF. Además,
proporciona su código, documentación, lanzamientos y contribuciones de
la comunidad.
El Laboratorio de Meteorología de Mesoescala y Microescala (MMM) de

NCAR actualmente está a cargo y recepta los subconjuntos del código
WRF.
Existen variaciones del WRF todas con capacidades diferentes y que
detalla a continuación:
WRFDA (Weather Research and Forecasting Data Assimilation

System)
El sistema WRFDA es de dominio público y está disponible gratuitamente

para uso comunitario. Está diseñado para ser un sistema de asimilación de
datos atmosféricos flexible, de vanguardia portátil y eficiente en las
plataformas de computación paralelas disponibles. WRFDA es adecuado
para su uso en una amplia gama de aplicaciones, en escalas que van desde
kilómetros para modelado regional y mesoescala hasta miles de kilómetros
para modelado a escala global ( WRF Data Assimilation System Users
Page, 2019).
53
WRF-Chem (Weather Research and Forecasting model coupled to
Chemistry)
Este modelo fue creado por los científicos de NOAA-ESRL-CSD, Ravan

Ahmadov (como líder) los cuales protegen y mantienen del código, además
de colaboración y apoyo externos de: North Carolina State University (Air
Quality Forecasting Lab), University of Manchester,(Centre for Atmospheric
Science),University of Science and Technology of China (Atmospheric
Environment Modeling Lab),Centro de Investigación y Desarrollo de
Ingenieros del Ejército de EE. UU. (ERDC), PNNL(Pacific Northwest
National Laboratory), NCAR.
El modelo simula la emisión, el transporte, la mezcla y la transformación

química de gases traza y aerosoles simultáneamente con la meteorología.
El modelo se utiliza para la investigación de la calidad del aire a escala
regional, el análisis de programas de campo y las interacciones a escala de
nubes entre nubes y química ( WRF-CHEM, 2018).
Entre sus objetivos esta emplear la viabilidad del modelo como climático
regional y ampliar nuevos procedimientos de procesos de aerosol para
modelos climáticos globales.
WRF - Hydro (Weather Research and Forecasting hydrological

modeling system)
Modelo de investigación meteorológica y pronóstico sistema de modelado

hidrológico. Desarrollado por el Centro Nacional de Investigación
Atmosférica y sus socios de investigación a través del generoso apoyo de
la Fundación Nacional de Ciencias de EE. UU. Y a través de proyectos de
investigación respaldados por la Administración Nacional de Aeronáutica y
del Espacio (NASA) de EE. UU. Administración Oceánica y Atmosférica
(NOAA). Como un marco de acoplamiento de modelos de código abierto y
54
basado en la comunidad diseñado para vincular modelos de procesos de
la atmósfera e hidrología terrestre a múltiples escalas. Se utiliza para una
variedad de proyectos como hidrometeorológicos e hidrológicos, incluida la
predicción de inundaciones repentinas, la evaluación regional de los
impactos del hidroclima, el pronóstico estacional de los recursos hídricos y
los estudios de acoplamiento tierra-atmósfera ( WRF-Hydro Modeling
System, n.d.) .
Entre su objetivo destaca aumentar el nivel de confianza de las

predicciones de los pronósticos hidrometeorológicos usando herramientas
de predicción numérica situadas en la ciencia.
Meso-NH (Mesoscale no-Hydrostatic Atmospheric Simulation System)
Desarrollado durante el período 1994 ± 1997. Es de libre acceso para la

comunidad investigadora: Meso-NH está diseñado como una herramienta
de investigación para procesos atmosféricos y de mesoescala. El modelo
se basa en la fórmula de Lipps y Hemler del sistema anelástico, pero puede
evolucionar hacia una forma más precisa del sistema de ecuaciones.
Es el resultado de la colaboración entre el Centre National de Recherches

Météorologiques (Météo-France) y el Laboratoire d’Aérologie (CNRS). Se
trata de NWP desarrollado con los últimos avances en modelización
atmosférica capaz de simular fenómenos meteorológicos de escalas
comprendidas entre la meso-α hasta la microescala.
Soluciona las ecuaciones primitivas analísticas, permite simular

simultáneamente fenómenos de distintas escalas de movimiento con la
técnica interactive grid-nesting technique.
55
COAMPS (Coupled Ocean/Atmosphere Mesoscale Prediction System)
Sistema de predicción de mesoescala acoplado océano/atmósfera

tridimensional. Desarrollado por la Marine Meteorology Division (MMD) de
Naval Research Laboratory (NRL) y se ejecutó en modo operativo en
tiempo real, durante marzo y abril de 1995. La Universidad Estatal de
Florida esta encargada del desarrollo de este modelo atmosférico
actualmente.
Este modelo fue desarrollado para predicción de fenómenos atmosféricos

en escalas tan pequeñas como desde unos pocos metros hasta cientos de
kilómetros. Su núcleo dinámico está basado en la tangente lineal y en un
esquema de parametrización de energía cinética turbulenta (TKE). El
modelo COAMPS se basa en una aproximación de diferencia finita a las
ecuaciones no hidrostáticas totalmente compresibles y utiliza una
transformación de coordenadas verticales que sigue el terreno. Las
ecuaciones compresibles se integran utilizando una técnica de división de
tiempo con una formulación semi-implícita para los modos acústicos
verticales (Zou, 2015).
CCM3 (Community Climate Model)
Pertenece al Centro Nacional de Investigación Atmosférica (NCAR). Es la

cuarta generación de modelo de NCAR desarrollado por Bonan en 1996.
Es un modelo de circulación general atmosférica estable, eficiente y
documentado, diseñado para la investigación climática en
supercomputadoras de alta velocidad y estaciones de trabajo selectas de
gama alta. Durante los últimos 10 años, CCM0, CCM1 y CCM2 han sido
empleados por numerosas instituciones científicas de todo el mundo para
la investigación básica en áreas como el calentamiento de CO2 y el cambio
climático, la predicción y previsibilidad climática, la química atmosférica, el
paleoclima, la transferencia de atmósfera de biosfera y la energía nuclear.
56
A partir del 17 de mayo del 2002 el CCM3 aparece con nueva versión y
nuevo nombre quedando obsoleta todas las versiones anteriores. Después
de la fecha cambia a CAM Community Atmosphere Model (Modelo de
atmósfera comunitaria).
COSMO (Consortium for Small Scale Modeling)
Creado en octubre de 1998, principalmente desarrollado por el servicio

meteorológico alemán DWD. El modelo limitado COSMO puede ser
utilizado para aplicaciones operativas y para aplicaciones de investigación
por los miembros del consorcio y otros servicios (hidro) meteorológicos,
universidades e institutos de investigación nacionales (Consortium for
Small-scale Modeling, n.d.).
Resuelve un modelo no-hidrostático para la predicción del tiempo y

pronostica las componentes cartesianas del viento, temperatura, humedad
específica, presión y contenido de agua en las nubes. Para la resolución
del modelo, la estructura de la malla que se usa es la de Arakawa-Lorenz.
La discretización espacial corresponde a un esquema en diferencias finitas
de segundo orden. Otro aspecto numérico importante es la integración
numérica del tiempo que se requiere para resolver el modelo, en este caso
se utiliza el esquema de integración mediante splines (Calderon, Naranjo,
De los reyes, Hidalgo, 2014).
ICON (Icosahedral Nonhydrostatic)
El antecesor del modelo ICON: fue el modelo GME que entró en producción
en 1999, fue el primer modelo de pronóstico del tiempo operacional del
mundo en ejecutar el pronóstico en fundamento a una cuadrícula triangular
que abarcó por completo el mundo.
57
El Servicio Meteorológico Alemán DWD actualmente opera el modelo ICON
como modelo global, que contiene un icosaedro colocado en el núcleo de
la tierra como núcleo de la estructura reticular. El tamaño de la malla
horizontal es de 13 km, en vertical la atmósfera se disuelve con 90 capas,
cuyo borde superior tiene 75 km de altura. Un icosaedro colocado en la
tierra forma el núcleo de la estructura reticular. Al conectar los 12 puntos
de esquina del icosaedro con grandes secciones circulares en la esfera, se
crean 20 triángulos esféricos equiláteros con una longitud lateral de
alrededor de 7054 km. El entramado de la resolución del modelo deseado
se genera mediante subdivisiones sucesivas (por ejemplo, reducir a la
mitad) los triángulos esféricos. La raíz de la superficie central de los
triángulos esféricos se considera el tamaño efectivo de la malla. Las
principales variables de predicción de ICON son: densidad del aire y
temperatura (potencial), de la cual la presión del aire, los componentes del
viento horizontal y vertical, el vapor de agua, el agua de la nube, el hielo de
la nube, la lluvia y la nieve se derivan en 90 capas modelo en la atmósfera
desde el suelo hasta una altura de 75 km. Todas las variables del modelo,
como la densidad del aire, la temperatura, el viento, el vapor de agua, el
agua de las nubes, el hielo de las nubes, así como el contenido de lluvia y
nieve, deben considerarse valores medios sobre los elementos de la
cuadrícula, es decir, sobre un área de 173 km2 (Alemán, n.d.).
CAM (Community Atmosphere Model)
El CAM 3.0 es la quinta generación del modelo GCM atmosférico

NCAR.CAM 3.0, ha sido desarrollado en colaboración con usuarios y
desarrolladores en el Grupo de Trabajo del Modelo Atmosférico (AMWG).
El AMWG incluye científicos de NCAR, la comunidad universitaria y
laboratorios gubernamentales.
CAM5 se ejecuta en dos resoluciones horizontales: una resolución

estándar de aproximadamente 100 km de separación de la cuadrícula y
58
una alta resolución de aproximadamente 25 km de separación. El modelo
emplea el paquete de dinámica de elementos espectrales, que utiliza un
método de Galerkin continuo preciso de cuarto orden. El paquete dinámico
incluye un esquema de difusión horizontal basado en la hiperdifusión con
una disipación adicional de segundo orden cerca de la parte superior del
modelo. Las diversas configuraciones CAM5 proporcionan información útil
sobre la simulación del clima tropical, así como la capacidad del modelo
para simular eventos de precipitación extrema. Los efectos de la
temperatura de la superficie se consideran comparando simulaciones
usando una temperatura fija y uniforme de la superficie del mar con
simulaciones usando un modelo interactivo llamado slab-ocean. (Reed,
Chavas, 2015).
GFS (Global Forecast System)
A mediados de los meses entre septiembre y octubre del 2002 existió un

cambio de nombre el AVN se procedió a llamarlo modelo GFS. Es un
modelo numérico de predicción meteorológica creado y utilizado por la
Administración Nacional Oceánica y Atmosférica de Estados Unidos
(NOAA). Este modelo matemático se actualiza cuatro veces al día con
predicciones que alcanzan los 16 días (384 horas), pero su resolución
espacial y temporal decrece con el tiempo. Por lo general se acepta que las
predicciones del GFS no ofrecen demasiada fiabilidad a más de 7 días
vista, siendo mayoría los institutos y agencias de meteorología nacionales
los que prescinden de los resultados ofrecidos por el GFS
(Eltiempoenjumilla.es, n.d.).
La documentación y los pronostico del GFS son emitido por los Centros
Nacionales de Predicción Ambiental (NCEP).
59
RAMS (Regional Atmospheric Model System)
El modelo RAMS fue desarrollado en código Fortran 90 en Colorado State

University, con la idea de unir varios fragmentos de código numéricos de
simulación de tiempo existentes. Modelo meso-escalar que trabaja en el
rango meso-α, meso-β, meso-γ. Resuelve las ecuaciones primitivas con
diferencias finitas. RAMS puede configurarse como modelo hidrostático o
no-hidrostático, usando coordenadas que siguen el terreno en altura.
Puede trabajar con anidamientos, utilizando two way nesting.
Este modelo de predicción numérica es muy escalable, permite disminuir la

resolución a menos de un kilómetro, logrando ser aplicado en la simulación
de la dinámica de la atmósfera en áreas muy reducidas, desde ciudades
hasta plantas industriales o estadios de fútbol.
En la actualidad, con el avance de la tecnología, se han desarrollado

técnicas y herramientas para el desarrollo de modelos basados en técnicas
de Machine Learning con el propósito de automatizar el proceso de
predicción y aumentar la confianza en las predicciones de las temperaturas,
a continuación, se presentan un conjunto de trabajos de predicción
basados en técnicas de Machine Learning
Trabajos de aplicación con técnicas de Machine Learning para el

pronóstico del clima
Los estudios han demostrado que las técnicas de Machine Learning

obtuvieron un destacado rendimiento que los sistemas estadístico-
tradicionales.
En el presente, existen varios modelos basados en técnicas de Machine

Learning, que se han omitido en este trabajo por la razón de estar en fase
de prueba o que no estén completamente operativos.
60
A continuación, se describe a breve rasgo trabajos y aplicaciones
desarrolladas con técnicas de Machine Learning es distintas empresas,
instituciones y universidades en diversos países.
Atmospheric Temperature Prediction using Support Vector Machines
Este trabajo presenta una aplicación de Support Vector Machines (SVMs)

para la predicción del clima. Datos de series temporales de la temperatura
máxima diaria en una ubicación, se analizan para predecir la temperatura
máxima del día siguiente en esa ubicación en función del máximo diario
temperaturas durante un lapso de n días previos denominado orden de la
entrada. El método de regresión no lineal es adecuado para entrenar el
SVM para esta aplicación. Los resultados son comparados con MultiLayer
Perceptrón (MLP) entrenado con algoritmo de retropropagación y el
rendimiento de SVM es encontrado para ser consistentemente mejor
(Radhika, Shashi, 2009).
A Deep Hybrid Model for Weather Forecasting
Modelo híbrido con discriminaciones y componentes generativos para

inferencias espacio - temporales sobre el clima. Combina de forma
discriminatoria modelos predictivos entrenados con una red neuronal
profunda que modela las estadísticas conjuntas de un conjunto de variables
relacionadas con el clima. Los pronósticos se hacen en tiempo real. Modela
la distribución conjunta entre las variables meteorológicas a través de Deep
Belief Network (DBN). Unos de sus componentes clave es un kernel basado
en una función de similitud que aprende automáticamente de los datos. El
núcleo que se utiliza para imponer dependencias de largo alcance en el
espacio y asegurar que las inferencias respeten las leyes naturales. Para
conseguir una mejor predicción se realizó un entrenamiento de los
componentes individuales, predictores individuales, los parámetros de la
61
DBN y los hiperparámetros del kernel GP kernel (Grover, Kapoor, Horvitz,
2015).
Meteonowcasting using Deep Learning Architecture.
Aplica un enfoque de aprendizaje profundo para la predicción de los

parámetros meteorológicos, tales como la temperatura, la presión y la
humedad de un sitio en particular. Los modelos predictivos implementados
se basan en Deep Belief Network (DBN) y Restricted Boltzmann Machine
(RBM). Inicialmente, cada modelo se entrena capa por capa sin supervisión
para aprender las características jerárquicas no lineales de la distribución
de entrada del conjunto de datos. Posteriormente, cada modelo se vuelve
a entrenar globalmente de forma supervisada con una capa de salida para
predecir el resultado apropiado. Los resultados obtenidos son alentadores.
Se encuentra que el modelo de pronóstico basado en características puede
hacer predicciones con un alto grado de precisión. Esto implica que el
modelo puede adaptarse adecuadamente para hacer pronósticos más
largos en áreas geográficas más grandes (Narejo, Pasero, 2017).
RAL - Advancing Weather Analysis and Forecasting Technologies.
RAL ha sido líder en el desarrollo de sistemas inteligentes de predicción

meteorológica. Combinan datos de modelos numéricos de predicción
meteorológica, conjuntos de datos estadísticos, observaciones en tiempo
real e inteligencia humana para optimizar los pronósticos en ubicaciones
definidas por el usuario. El objetivo de estos sistemas es reducir el error de
pronóstico inherente asociado con los modelos de Predicción Numérica del
Tiempo (NWP) y simplificar el proceso de previsión para los responsables
de la toma de decisiones. Al utilizar el aprendizaje automático para
comprender las características de error de los modelos, podemos
combinarlos para crear un pronóstico de consenso optimizado. El Sistema
de pronóstico integrado dinámico (DICast) se desarrolló en RAL y es un
62
ejemplo de esta tecnología. El sistema DICast combina los datos y las
observaciones del modelo de NWP para producir pronósticos ajustados de
elementos meteorológicos sensibles, así como otros elementos
meteorológicos derivados o personalizados. El sistema está
completamente automatizado, se actualiza con la frecuencia. El sistema
DICast se ha utilizado como base para numerosos proyectos de RAL,
incluidas las áreas de transporte, energía eólica, energía solar y agricultura
(Research Application Laboratory, n.d.).
A system for airport weather forecasting based on circular regression

trees.
Modelo para mejorar la precisión de los pronósticos meteorológicos de los

aeropuertos producidos por la predicción numérica del tiempo. Se basa en
aprendizaje automático que permite que las variables circulares se
incorporen naturalmente en los árboles de regresión, produciendo
resultados más precisos que las metodologías de árbol de regresión
circular lineal y previa. El software se ha puesto a disposición del público
como un paquete de Python, que contiene todas las herramientas
necesarias para extraer el PNT histórico, los datos meteorológicos
observados y para generar pronósticos de variables climáticas diferentes
para cualquier aeropuerto del mundo. Se presentan varios ejemplos donde
los resultados del modelo propuesto mejoran significativamente los
producidos por PNT y también por modelos de árboles de regresión
previos. El nombre del software es AeroCirTree (Rozas, Inza, Lozano,
2018).
Weather Prediction Based on Decision Tree Algorithm Using Data

Mining Techniques.
Un método efectivo en la toma de decisiones para la predicción del tiempo

es Decision Tree. Los datos meteorológicos recopilados fueron entre 2012
63
y 2015 de las diferentes ciudades. En los conjuntos de datos disponibles,
se utilizó la técnica de minería de datos y algoritmo Decision Tree para
clasificar los parámetros meteorológicos como temperatura máxima,
temperatura mínima en términos del día, el mes, año y eliminar los datos
inapropiados. En general, la temperatura máxima y la temperatura mínima
son las principales responsables de la predicción meteorológica. Este
documento desarrolla un modelo que utiliza el árbol de decisión para
predecir fenómenos climáticos como el frío total, el calor total y la caída de
la nieve, que pueden ser una información que salve vidas (Bhatkande,
Hubballi, 2016).
Conceptos, terminología y tecnologías
Machine Learning
Es uno de los campos de la Inteligencia artificial más prometedor

actualmente, para llegar a la cima dorada la cual es considerar
artificialmente inteligente a las maquinas. Conocido como aprendizaje
automático. Machine Learning se basa en la construcción de algoritmo que
aprendan del pasado y lograr así realizar predicciones del futuro, darle la
capacidad a la computadora de aprender a reconocer patrones, y como
clasificar los datos que se le proporcionen sin escribir el código
explícitamente. Logrando ese objetivo a base de diferente algoritmo.
Machine Learning se puede acoplar en 3 área como: clasificación,
agrupación y predicción. Además, de resolver diversos trabajos como:
Antispam, reconocimiento de objeto, reconocimiento de voz, clasificación
facial, análisis de imágenes, etc. A contrario, de los algoritmos heurísticos.
64
TÉCNICAS DE APRENDIZAJE DE MACHINE LEARNING
1. Support Vector Machines
Las maquina soporte de vectores o conocidas como SVM, es una técnica

supervisada de aprendizaje automático, fue desarrollada originalmente por
Cortes y Vapnik 1995. La versión más popular de SVM es la que usa la
norma euclidiana para medir distancia. Se puede usarse para problemas
de clasificación, reconocimiento de patrones y análisis de regresión. SVM
consiste en encontrar un hiperplano para separe un conjunto de datos en
dos clases, de modo que la distancia desde el hiperplano al punto más
cercano de cada clase se maximiza. Para hacer eso, el SVM estándar
resuelve un problema de optimización que explica tanto el error de
entrenamiento como la complejidad del modelo. Para un problema de
clasificación, el problema original se transforma en un problema de
programación cuadrática convexo. El modelo SVM puede estimar las
regresiones sobre la base de un conjunto de funciones del núcleo. Estas
funciones pueden transformar implícitamente el conjunto de datos de
entrada de baja dimensión en un espacio de características de alta
dimensión. En las últimas décadas SVM se ha convertido en una
metodología popular para la clasificación supervisada debido a sus
aplicaciones exitosas, como por ejemplo en reconocimiento de escritura,
evaluación de riesgos de seguro o riesgo de crédito para préstamos o
detección de tumores malignos (Puerto, 2020).
2. Bayesian inference
Los modelos bayesianos aprenden a partir de datos. Genera un marco

probabilístico para la inferencia que une cognición anticipada con datos
observados en una manera de principios. Por otro lado, los métodos
variacionales formulan la inferencia bayesiana como un problema de
optimización, donde la función objetivo se forma para ser un límite inferior
65
de la probabilidad marginal. Esto puede permitir algoritmos más eficientes
que tienen un proceso más simple para dar seguimiento a la convergencia.
Una de su característica importante radica en que revela mejor las tareas
de nivel superior como hacer decisiones óptimamente rentables o diseño
experimental. En este último, aspectos del modelo y los experimentos de
medición se adaptan en función del creciente conocimiento sobre la
situación actual.
Una gran ventaja es que en un sistema basado en redes neuronales es

inviable insertar conocimiento a priori en los pesos de los nodos, en tanto
que utilizando redes bayesianas sí se puede realizar introduciendo
conocimiento del experto, con dependencias indicadas entre variables. En
relación con el coste computacional hay que indicar que las redes
bayesianas calculan muchas funciones de distribución de probabilidad,
pero no más que las redes neuronales que deben de calcular los pesos de
los nodos.
3. Redes Neuronales
Las Redes Neuronales Artificiales (RNA) son sistemas de procesamiento

de la información cuya estructura y funcionamiento están inspirados en las
redes neuronales biológicas . En los últimos años se ha masificado el uso
de las RNA para la predicción de series temporales gracias a su capacidad
generalizadora por el hecho de aprender a partir de ejemplos, tal y como lo
hace el cerebro humano. Se destacan como uno de los métodos de
predicción para series temporales gracias a su gran capacidad de
adaptación y capacidad de representación de procesos no lineales
(Mercado, Caballero, Martínez, 2015).
Las RNA como modelo matemático puede resuelve diversas tareas como
clasificación de patrones, reconocimientos, grandes procesamientos de
información, etc.
66
4. Clustering technique: PCA
La técnica del análisis de componentes principales se emplea para

detectar puntos de datos estrechamente conectados en cualquier conjunto
de datos. La unión de K-medias es un ejemplo comúnmente estudiado en
el que los puntos de datos deben agruparse en grupos de K de manera que
se minimice la distancia media entre los grupos. Esta técnica se puede usar
para identificar patrones en un diagrama meteorológico digamos en un
gráfico de temperatura frente a la capa de nubes donde se puede identificar
una región con mayor densidad de puntos (que se puede usar para inferir
cuando la temperatura es de cierto valor, entonces es más probable que la
capa de nubes sea de cierto valor).
Aprendizaje supervisado
En este tipo de aprendizaje se realiza un entrenamiento de la red neuronal

que estará supervisado y controlado por el diseñador de esta, para
determinar que la respuesta de la red sea una específica dependiendo de
la entrada. En caso de que la respuesta entregada sea diferente a la
indicada, se modifican los pesos de las conexiones para aproximar la
respuesta a la salida debida. Como se mencionó con anterioridad, a esto
se la llama “Ser significativo” (Serna, 2017).
En este tipo de aprendizaje se suelen considerar, a su vez, tres formas de

llevarlo a cabo y son:
Aprendizaje por corrección de error: Consiste en ajustar los pesos de

las conexiones de la red en función de la diferencia entre los valores
deseados y los obtenidos a la salida de la red, es decir, en función del error
cometido en la salida.
67
Aprendizaje por refuerzo: Se trata de un aprendizaje supervisado, más
lento que el anterior, que se basa en la idea de no disponer de un ejemplo
completo del comportamiento deseado, es decir, de no indicar durante el
entrenamiento exactamente la salida que se desea que proporcione la red
ante una determinada entrada.
Aprendizaje estocástico: Consiste básicamente en realizar cambios

aleatorios en los valores de los pesos de las conexiones de la red y evaluar
su efecto a partir del objetivo deseado y de distribuciones de probabilidad.
Aprendizaje no supervisado.
Este tipo de aprendizaje fue desarrollado por Kohonen en el año de 1984.

En este aprendizaje no se requieren de unas salidas deseadas y debidas.
Por lo tanto, no se realizan comparaciones entre las salidas reales y las
salidas. El algoritmo de entrenamiento modifica los pesos de la red de tal
manera que se produzcan vectores de salida consistentes. Este tipo de
aprendizaje no requiere de una supervisión y no hay un proceso de
comparación de salidas externos, como se puede visualizar en las figuras
anteriores. Este tipo de aprendizaje muestra un proceso Autoorganización
hasta cierto grado. La red neuronal descubre con los datos de entrada las
características, regularidades, correlaciones y categorías, y lo hace de una
forma autónoma. Existen algunos algoritmos de aprendizaje no
supervisados, pero la gran mayoría de trabajos se basan en el modelo
propuesto en 1949 por Hebb (Serna, 2017).
En general se suelen considerar dos tipos, que dan lugar a los siguientes
aprendizajes:
Aprendizaje hebbiano: El aprendizaje hebbiano está regido por las reglas

de plasticidad sináptica, las cuales son producto de las investigaciones
hechas por Hebb a partir de su postulado. El postulado de Hebb dice que:
68
“Cuando un axón de una celda A esta suficientemente cerca como para
conseguir excitar una celda B y persistentemente toma parte en su
activación, algún proceso de crecimiento tiene lugar en una o ambas
celdas, de tal forma que la eficiencia de A, cuando la celda a activar es B,
aumenta”. Este postulado nos dice que los pesos de las conexiones
sinápticas se ajustan por medio de la correlación entre los valores de
activación de las dos neuronas conectadas. Las neuronas son activadas
por los pensamientos, las decisiones y las experiencias a partir de la
estimulación externa, entonces el cerebro verifica si ya ha habido un
estímulo similar o no y toma las características de los datos de entrada
generando una asociación entre las entradas y las salidas del sistema. La
conexión de las neuronas genera un peso sináptico. Si un peso contribuye
a la activación de la neurona, el peso incrementa, si se inhibe, el peso se
decrementa por lo que la fuerza de la sinapsis en el cerebro cambia
proporcionalmente según el disparo de las neuronas de entrada y salida.
Este proceso remodela las viejas redes hebbiano, (las que ya no son
agradables) o crea nuevas redes (que sí sean agradables) generando la
neuroplasticidad. La neurona de entrada es conocida como presináptica y
la de salida como post sináptica (Ordoñez, 2017).
Aprendizaje competitivo y comparativo: Se orienta a la clusterización o

clasificación de los datos de entrada. Las neuronas compiten basadas en
proximidad a un patrón de entrada y la ganadora se ajusta a su peso. Se
han utilizado para explicar la formación de mapas topológicos que ocurren
en muchos sistemas sensoriales. Las más comunes están las redes
Hamming y Kohonen.
69
Clasificación de redes neuronales artificiales
Clasificación de redes neuronales según la topología de red
• Red neuronal Monocapa – Perceptrón simple
Las redes monocapa son redes con una sola capa. Para unirse las
neuronas crean conexiones laterales para conectar con otras neuronas de
su capa. Las redes más representativas son la red de Hopfield, la red
BRAIN-STATE-IN-A-BOX o memoria asociativa y las maquinas
estocásticas de Botzmann y Cauchy. Entre las redes neuronales
monocapa, existen algunas que permiten que las neuronas tengan
conexiones a sí mismas y se denominan autorecurrentes. Las redes
monocapa han sido ampliamente utilizadas en circuitos eléctricos ya que,
debido a su topología, son adecuadas para ser implementadas mediante
hardware, usando matrices de diodos que representan las conexiones de
las neuronas (Ballesteros, n.d.-a).
Figura N. 10 Red neuronal Monocapa.

Esta figura muestra la representación de una red de una sola capa con sus respectivas
uniones. (Fuente; Elaboración: Diego Calvo,2017).
• Red neuronal Multicapa – Perceptrón multicapa

El perceptrón multicapa tuvo su origen en los años 80, con la idea de
solucionar el mayor problema que presenta el perceptrón simple: no ser
70
capaz de aprender funciones no linealmente separables (como es el caso
de la función XOR). Se ha demostrado que es un aproximador universal de
funciones. Este, es un modelo de red neuronal con alimentación hacia
delante, es decir, con conexiones sin bucles (tipo de red feedforward). Está
compuesto por varias capas ocultas entre la entrada y la salida, y se
caracteriza por tener salidas disjuntas pero relacionadas entre sí (siendo la
salida de una neurona la entrada de la siguiente).Las capacidades de
decisión de un perceptrón multicapa de 2 y 3 capas con una única neurona
de salida como se muestra en la figura número 11. En el perceptrón
multicapa, al igual que en el perceptrón simple, podemos diferenciar una
fase de propagación de los valores de entrada hacia delante, y una fase de
aprendizaje en la que los errores obtenidos a la salida del perceptrón se
van propagando hacia atrás con el objetivo de actualizar los pesos de las
conexiones mediante el gradiente de la función de error. Este algoritmo se
llama backpropagation o retropropagación (Cortés Antona, 2017).
Figura N. 11 Perceptrón multicapa.

Se expone la composición para una red neuronal multicapa.
(Fuente; Elaboración: Diego Calvo,2017).
• Redes con conexiones hacia adelante o feedforward:
Este tipo de redes contienen solo conexiones entre capas hacia delante.
Esto implica que una capa no puede tener conexiones a una que reciba la
71
señal antes que ella en la dinámica de la computación. Ejemplos de estas
redes son: Perceptrón, Adaline, Madaline, Backpropagation y los modelos
LQV y TMP de Kohonen (Ballesteros, n.d.-a).
• Redes con conexiones hacia atrás feedback:
Este tipo de redes se diferencia en las anteriores en que si pueden existir

conexiones de capas hacia atrás y por tanto la información puede regresar
a capas anteriores en la dinámica de la red. Este Tipo de redes suelen ser
bicapas. Ejemplos de estas redes son: Las redes ART, Bidirectional
Associative Memory (BAM) y Cognitron (Ballesteros, n.d.-a).
Tipos de neuronas artificiales
Se puede categorizar de acuerdo con los valores que pueden tener.

Primordialmente se puede separarlas en 2 clases : neuronas binarias y las
neuronas reales. Las neuronas binarias solamente pueden aceptar un valor
entre {0, 1} o {-1, 1}, mientras que las neuronas reales estarían en un valor
entre [0, 1] o [-1, 1].
Red neuronal Convolucional (CNN)
Las redes neuronales convolucionales son similares a las redes neuronales

multicanal, su principal ventaja es que cada parte de la red se le entrena
para realizar una tarea, esto reduce significativamente el número de capas
ocultas, por lo que el entrenamiento es más rápido. Además,
presenta invarianza a la traslación de los patrones a identificar. Las redes
neuronales convolucionales son muy potentes para todo lo que tiene que
ver con el análisis de imágenes, debido a que son capaces de detectar
características simples como por ejemplo detención de bordes, líneas, etc.,
y componer en características más complejas hasta detectar lo que se
busca (Calvo, 2017).
72
ARQUITECTURA
Convolution: En la convolución se realizan operaciones de productos y

sumas entre la capa de partida y los n filtros (o kernel) que genera un mapa
de características. Las características extraídas corresponden a
cada posible ubicación del filtro en la imagen original.
Pooling: En la reducción se disminuye la cantidad de parámetros al

quedarse con las características más comunes.
Clasificador o red perceptrón multicapa: El final de las

capas convolucional y de reducción, se suele utilizar capas completamente
conectadas en la que cada pixel se considera como una neurona separada
al igual que en un perceptrón multicapa.
Figura N. 12 Red neuronal convolucional.

Es esta figura representa todas las capas que intervienen para el funcionamiento de una red
neuronal convolucional. (Fuente; Elaboración: Diego Calvo,2017).
Red neuronal recurrente (RNN)
Las redes neuronales recurrentes no tienen una estructura de capas, sino

que permiten conexiones arbitrarias entre las neuronas, incluso pudiendo
crear ciclos, con esto se consigue crear la temporalidad, permitiendo que
la red tenga memoria.
73
Los datos introducidos en el momento t en la entrada, son transformados y
van circulando por la red incluso en los instantes de tiempo siguientes t +
1, t + 2, [..] (Calvo, 2017).
Figura N. 13 Red Neuronal Recurrente.

Esta figura indica las conexiones para la formación de una red neuronal recurrente. (Fuente;
Elaboración: Diego Calvo,2017).
Redes de base radial (RBF)
Una red de funciones de base radial es una red neuronal que utiliza
funciones de base radial como funciones de activación. La arquitectura
utilizada por las RBF es muy similar a la del perceptrón multicapa, con la
característica de que las RBF utilizan siempre tres capas; una capa de
entrada, una capa oculta y una de salida, mientas que los MLP pueden
tener más. En las RBF la capa oculta realiza una transformación no lineal
del espacio de entrada. Las neuronas de esta capa son las funciones de
base radial y cada neurona de la capa de salida es un combinador lineal
(Mercado et al, 2015).
Figura N. 14 Estructura de una red de base radial.

(Fuente: Researchgate. Elaboración: Ocampo, 2014).
74
TECNOLOGÍAS Y COMPONENTES UTILIZADOS EN EL DESARROLLO
DEL PROYECTO
Componentes electrónicos empleados para la construcción de la mini

estación meteorológica.
Protoboard
Es una placa que permite conectar y desconectar componentes

electrónicos a voluntad, sin tener la tarea de soldar en una tarjeta de
manera permanente, en la cual se puede ir armando diferentes prototipos
de nuestro circuito.
Compuesto en su interior, por pequeños rieles metálicos que permiten

transmitir la electricidad a través de ellos. También con una serie de
agujeros identificados alfanuméricamente, alineado en orden definidos, que
permite las conexiones con los rieles metálicos y los demás componentes
electrónicos. En la parte trasera tiene un plástico extraíble adhesivo, para
ser adaptada a una superficie plana donde requiera su ubicación para un
mejor desempeño.
Figura N. 15 Placa Protoboard.

(Fuente; Elaboración: autoría propia).
75
Cables jumper
Este cable permite crear conexiones eléctricas, armar y desarmar un

circuito de manera rápida y segura, con la protoboard o con la placa
microcontroladora. Imprescindible para desarrollar proyecto en los
laboratorios de electrónica. Compuesto en sus extremos por conectores
tipo dupont. Para las conexiones se utilizó tipo macho a hembra de 10
centímetros de longitud.
Figura N. 16 Cable de conexión jumper.

UVM-30A
Es un módulo de material pcb, básico ultravioleta empleado con el objetivo

de captar el índice de intensidad ultravioleta (UV) y representarlo en una
salida tipo analógica entre 0 y 1200 mV. La señal de salida del uvm-30a
puede cambiar en relación con la intensidad de los rayos UV. Su
programación se la realiza con el IDE de Arduino.
Características del UVM-30A
• Voltaje de funcionamiento: 3v ~ 5v.

• Corriente: 0.06mA estándar y 0.1mA máximo.
• Rango de temperatura de trabajo: -20 ~ 85°C.
76
• Exactitud ±1UV índice.
• Tamaño 27 x 22 mm.
• Tiempo de respuesta : <0,5 s.
• Longitud de onda de respuesta 200 ~ 370nm.
CUADRO N. 3
PINES DE CONFIGURACIÓN UVM30A.
Nombre Descripción
+ Power
- Conexión a tierra
OUT Salida analógica
Elaborado por: Telmo Roque, Kevin Egas.
Fuente: Telmo Roque, Kevin Egas.
Figura N. 17 Sensor ultravioleta UVM-30A.

BMP180
Es un sensor barométrico basada en la tecnología piezo-resistive muy

versátil, la cual sirve para medir y monitorear la presión atmosférica,
además realiza una medición de la temperatura y altitud relativa ya que
estas son variables muy importantes que permiten que la presión
atmosférica cambie. Tiene una alta precisión acompañada con una interfaz
de comunicación. El bmp180 lleva a cabo la comunicación mediante su
puerto I2c, su factibilidad es que puede ser conectado directamente a un
77
microcontrolador a través de este puerto. Entre sus aplicaciones típicas
tenemos la mejora de la navegación en los dispositivos GPS, su uso en
PDAS y fundamental para pronóstico del tiempo. Su programación se la
realiza con el IDE de Arduino.
Características del BMP180
• Rango de presión: 300 a 1100 hPa.

• Alimentación: 1.8 a 3.6 V.
• Precisión temperatura ±1 ºC.
• Tamaño: 3.6 mm x 3.8 mm.
• Interfaz I2c.
• Velocidad del protocolo máxima: 3.4 MHz.
CUADRO N. 4
PINES DE CONFIGURACIÓN BMP180.
Nombre Descripción
VDD Alimentación a 3.3v
GND Tierra
SCL I2c, serial bus clock
SDA I2c, serial bus data
Elaborado por: Telmo Roque, Kevin Egas.
Fuente: Telmo Roque, Kevin Egas.
Figura N. 18 Sensor barométrico BMP180.

78
ESP32-WROOM-32
Es una potente placa genérica microcontrolador diseñada para dispositivos

móviles e IoT (Internet de las cosas), posee varias características entre ella
su doble núcleo de desarrollo que se pueden controlar individualmente con
sus modulo integrando conjuntamente, un chip integrado que es adaptable
y escalable además posee un regulador de tensión, controlador serie USB
para poder dar alimentación y programarlo. Destaca por sus conexiones
inalámbricas como son por wifi y bluetooth, sin duda lo hace una gran
ventaja respecto a los otros controladores existente en el mercado, la
cuales necesitan controladores extra para dicha conexión. Su
Características y especificaciones del esp32-wroom-32
• Certificación Bluetooth BQB y Wi-Fi Alliance.

• Certificación RF y Green Certificación RoHS/REACH.
• Protocolo Wi-Fi 802.11 b/g/n (802.11n up to 150 Mbps) con un rango
de frecuencia 2.4 GHz ~ 2.5 GHz.
• Protocolo Bluetooth v4.2 BR/EDR y BLE.
• Voltaje de 3.0 V ~ 3.6 V.
• Consumo de 80 mA.
• Tamaño de (18.00±0.10) mm × (25.50±0.10) mm × (3.10±0.10) mm.
• Rango de temperatura recomendado para su funcionamiento –40 °C
~ +85 °C.
• Sensor Hall.
• Flash SPI integrado 4 MB.
• Interfaces SD card, UART, SPI, SDIO, I²S, LED PWM, Motor PWM,
I²C, IR, pulse counter, GPIO, capacitive touch sensor, ADC, DAC.
79
CUADRO N. 5
PINES DE CONFIGURACIÓN ESP32-WROOM-32.
ESP32-WROOM-32
NOMBRE NÚMERO DESCRIPCIÓN
GND 1 CONEXIÓN A TIERRA
3V3 2 FUENTE DE ALIMENTACIÓN
EN 3 SEÑAL DE HABILITACIÓN DE MÓDULO
SENSOR_VP 4 GPIO36, ADC1_CH0, RTC_GPIO0
SENSOR_VN 5 GPIO39, ADC1_CH3, RTC_GPIO3
IO34 6 GPIO34, ADC1_CH6, RTC_GPIO4
IO35 7 GPIO35, ADC1_CH7, RTC_GPIO5
GPIO32, XTAL_32K_P (32.768 KHZ CRYSTAL
IO32 8 OSCILLATOR INPUT), ADC1_CH4, TOUCH9,
RTC_GPIO9
GPIO33, XTAL_32K_N (32.768 KHZ CRYSTAL
IO33 9 OSCILLATOR OUTPUT), ADC1_CH5,
TOUCH8, RTC_GPIO8
GPIO25, DAC_1, ADC2_CH8, RTC_GPIO6,
IO25 10
EMAC_RXD0
GPIO26, DAC_2, ADC2_CH9, RTC_GPIO7,
IO26 11
EMAC_RXD1
GPIO27, ADC2_CH7, TOUCH7, RTC_GPIO17,
IO27 12
EMAC_RX_DV
IO14 13 MTMS, HSPICLK, HS2_CLK, SD_CLK,
EMAC_TXD2
IO12 14 MTDI, HSPIQ, HS2_DATA2, SD_DATA2,
EMAC_TXD3
IO13 16 MTCK, HSPID, HS2_DATA3, SD_DATA3,
EMAC_RX_ER
GPIO9, SD_DATA2, SPIHD, HS1_DATA2,
SHD/SD2* 17
U1RXD
80
GPIO10, SD_DATA3, SPIWP, HS1_DATA3,
SWP/SD3* 18
U1TXD
SCS/CMD* 19 GPIO11, SD_CMD, SPICS0, HS1_CMD, U1RTS
SCK/CLK* 20 GPIO6, SD_CLK, SPICLK, HS1_CLK, U1CTS
SDO/SD0* 21 GPIO7, SD_DATA0, SPIQ, HS1_DATA0, U2RTS
SDI/SD1* 22 GPIO8, SD_DATA1, SPID, HS1_DATA1, U2CTS
GPIO15, ADC2_CH3, TOUCH3, MTDO,
O15 23 HSPICS0, RTC_GPIO13, HS2_CMD, SD_CMD,
EMAC_RXD3
IO2 24
HSPIWP, HS2_DATA0, SD_DATA0
IO0 25
CLK_OUT1, EMAC_TX_CLK
IO4 26 HSPIHD, HS2_DATA1, SD_DATA1,
EMAC_TX_ER
GPIO16, HS1_DATA4, U2RXD,
IO16 27
EMAC_CLK_OUT
GPIO17, HS1_DATA5, U2TXD,
IO17 28
EMAC_CLK_OUT_180
GPIO5, VSPICS0, HS1_DATA6,
IO5 29
EMAC_RX_CLK
IO18 30 GPIO18, VSPICLK, HS1_DATA7
IO19 31 GPIO19, VSPIQ, U0CTS, EMAC_TXD0
NC 32 -
IO21 33 GPIO21, VSPIHD, EMAC_TX_EN
RXD0 34 GPIO3, U0RXD, CLK_OUT2
TXD0 35 GPIO1, U0TXD, CLK_OUT3, EMAC_RXD2
IO22 36
GPIO22, VSPIWP, U0RTS, EMAC_TXD1
IO23 37 GPIO23, VSPID, HS1_STROBE
Elaborado por: Telmo Roque - Kevin Egas.

Fuente: Telmo Roque - Kevin Egas.
81
Figura N. 19 Microcontrolador Esp32-wroom-32.
DTH11
Es un módulo de temperatura y humedad que permite censar, monitorear

la temperatura y humedad relativa de forma precisa con una alta fiabilidad.
El DTH11 facilita su uso por su tamaño pequeño, bajo consumo de energía
y transmisión de señal de hasta 20 metros, lo convierten en la mejor
elección para distintas aplicaciones.
Este sensor funciona básicamente inicializando una señal analógica que

posteriormente será convertida en formato digital y luego remitida
al microcontrolador. Utiliza un pin digital, para enviar la información y por lo
tanto se obtiene la ventaja de protección contra el ruido. Este modelo
incluye una pcb, 3 pines y una resistencia pull up, aunque existen otros
modelos que son de 4 pines sin pcb y que no incluyen dicha resistencia. Su
Características del DTH11

• Funciona con un voltaje de 3.5V a 5V.
• Tamaño de 15.5 mm x 12 mm x 5.5 mm.
• Señal de salida digital.
• Precisión Temperatura ±2 °C.
• Precisión Humedad entre 0 ºC y 50 ºC ± 5% RH.
82
• Tiempo de respuesta 2s.
• Rango de medida Temperatura de 0 ºC a 50 ºC.
• Rango de medida Humedad De 20% a 90% RH.
• Consumo de 2,5 mA.
CUADRO N. 6
Pines de configuración DTH11.
Nombre Descripción
GND Tierra
DATA Transmitir la información
VCC Alimentación 3,5 V a 5 V
Elaborado por: Telmo Roque - Kevin Egas.
Fuente: Telmo Roque - Kevin Egas.
Figura N. 20 Sensor DTH11.

(Fuente; Elaboración autoría propia).
Arduino Software
Es el complemento de la placa Arduino y para otras placas

microcontroladoras genéricas que existen en el mercado, es principalmente
su IDE de Software libre, mediante el lenguaje C++, se logra programar
sensores, módulos y microcontroladores, lo cual facilitará al desarrollador
del proyecto que se encuentre trabajando con dichos componentes.
83
Figura N. 21 IDE de desarrollo de Arduino.
(Fuente; Elaboración autoría propia).
Python
Python es un lenguaje de alto nivel y se ha convertido en el lenguaje de

programación más popular para la ciencia de datos porque nos permite
olvidar las partes tediosas de la programación y nos ofrece un entorno en
el que podemos apuntar rápidamente nuestras ideas y poner los conceptos
directamente en acción. Python está disponible para los tres principales
sistemas operativos: Windows, macOS y Linux.
Python es open source, y su interprete está escrito en el lenguaje de

programación C, además uno de los mejores lenguajes para examinar
información, potente y sencillo para el programador. Tiene una orientación
hacia la programación orientada a objeto. Es muy productivo, flexivo y fácil
de procesar para la máquina.
La comunidad Python han desarrollado librerías de gran ayuda que hacen
que los proyecto con aprendizaje automático se realice con éxito y que las
operaciones sean rápidas y vectorizadas, en matrices multidimensionales.
Entre la más esenciales tenemos : SciPy, NumPy, Scikit-learn, Matplotlib y
84
pandas la cual también se utilizaron para el desarrollo del proyecto
(Raschka, Mirjalili, 2017).
Python tiene una amplia gama de, API que hace sencillo y posible el
desarrollo de trabajos que estén relacionado con la Data Science y la
Inteligencia Artificial.
En el siguiente gráficos número 1 se muestra el comparativo con otros

lenguajes diseñado para la ciencia de datos y para la inteligencia artificial.
GRÁFICO N. 1
COMPARATIVA PYTHON VS LISP VS PROLOG VS OPS5 VS HASKELL.
GRÁFICO N. 2
COMPARATIVA PYTHON VS LISP VS PROLOG VS OPS5 VS HASKELL.
Elaborado por: Google Trends

Fuente: Google Trends
85
Figura N. 22 Estudio diferentes herramientas para Machine Learning.
Investigación por Jeff Hale Co-organizer of Data Science DC, basada en 11 fuentes de datos y
en 7 categorías. Con criterio listados de trabajos en línea y la encuesta de uso de KDnuggets,
las búsquedas en la web. (Fuente: Towards Data Science Elaboración: Jeff Hale).
TensorFlow
TensorFlow es una biblioteca de código abierto dirigida al aprendizaje

automático a través de una serie de tareas. Ha sido desarrollado por Google
para satisfacer las necesidades de sistemas capaces de construir y entrenar
redes neuronales para detectar y descifrar patrones y correlaciones, análogos
al aprendizaje y razonamiento usados por los humanos . Actualmente es
utilizado tanto para la investigación como para la producción de productos de
Google. TensorFlow puede correr en múltiple CPUs y GPUs. Esta biblioteca
también está disponible en Linux de 64 bits, macOS, y plataformas móviles
que incluyen Android y iOS (Delgado, 2017).
Keras
Es una API desarrollada en Python de alto nivel para crear y entrenar redes
neuronales que opera por default en TensorFlow. Adicionalmente puede
desempeñarse en Theano o en Microsoft Cognitive Toolkit. Es totalmente
libre y la más utilizada en la actualidad para implementar modelos de Deep
Learning. Lo que consigue Keras de manera muy simplificada es plantear
86
una interfaz sencilla a nivel de capas de todas las funcionalidades que
aporta tensorFlow. Keras sabe todo los calculo que tiene que hacer para
construir y entrenar una red, pero no lo hace, esos cálculos se los envía
para que lo realice tensorFlow.
Se consideró el uso de tensorFlow y Keras no solamente por ser los más

utilizado, en ello destaca la gran base de usuario utilizándolo, domina la
demanda entre los investigadores, la facilidad de su uso, flexibilidad y así
lo avala la comparativa en la siguiente imagen según las investigaciones
de Hale.
GRÁFICO N. 3
COMPARATIVA DE DIFERENTES HERRAMIENTAS DE MACHINE LEARNING.
GRÁFICO N. 4
COMPARATIVA DE DIFERENTES HERRAMIENTAS DE MACHINE LEARNING.
Elaborado por: Jeff Hale.

Fuente: (Hale, 2018).
87
PHP
El lenguaje PHP (PHP Hypertext Pre-Processor) es uno de los más

antiguos (fue creado 1995 por la empresa PHP Group) y utilizado en el
diseño de páginas web que utilizan bases de datos. Se trata de un lenguaje
interpretado en el lado del servidor que permite la creación de páginas web
dinámicas que pueden estar dentro de páginas en HTML. Es uno de los
lenguajes de programación web más populares por su rapidez y la facilidad
de desarrollo. Lo mejor de utilizar PHP es su extrema simplicidad para el
principiante, pero a su vez ofrece muchas características avanzadas para
los programadores profesionales. Una de las características más potentes
y destacables de PHP es su soporte para un amplio abanico de bases de
datos (Sierra, Espinoza, 2018).
Las características más potentes que se destaca PHP, es que

precisamente no está limitado a generar HTML, películas flash, su fácil
manejo y creación de ficheros PDF, XHTML, entre otros… la cual puede
almacenarlos en el sistema de fichero. Además, su soporte para establecer
comunicaciones con servicios empleando el uso de protocolos NNTP,
POP3, LDAP, SNMP.
En la figura número 23 se muestra que el uso de PHP es uno de los

mejores, ocupa el primer lugar entre los mejores lenguajes del lado del
servidor.
Figura N. 23 Comparación de lenguajes de programación.

Estudio realizado de los más populares lenguajes de programación del lado del servidor.
(Fuente; Elaboración: w3techs,2019).
88
JetBrains PyCharm Community Edition
Desarrollado por la compañía de software JetBrains s.r.o. Ofrecen una gran

diversidad de IDEs para diferentes tecnologías basa en Intellij IDEA. Para
nuestro objetivo que es trabajar en lenguaje Python existen 2 versión. La
edición professional que es de pago enfocado para un desarrollo de Python
tanto científico como de web. La otra versión es la que se utilizó en el
proyecto que es el IDE de versión gratuita de código abierto denominada
Community para un desarrollo Python puro. Opera bajo la licencia de
Apache 2.
Característica PyCharm Community
• Editor de Python inteligente.

• Depurador gráfico y ejecutor de pruebas.
• Navegación inteligente por el código y refactorización.
• Inspecciones de código.
• Compatibilidad con VCS.
Figura N. 24 Interfaz de PyCharm Community.

Se utilizo la versión Edition 2019.2.3. (Fuente; Elaboración: autoría propia).
89
000webhost
Es una de la plataforma web hosting completamente gratuita la más

utilizada de la red. Permite a sus usuarios hacer pruebas, anunciar,
desarrollar sus proyectos web de pequeño y mediano tamaño. Opera con
un Uptime de 99%. Considerado en este proyecto por su compatibilidad
con MYSQL, PHP, su panel de administración de hosting y sin ninguna
publicidad.
Características 000webhost
• 3 GB ancho de banda.
• Auto instalador de WordPress, Joomla entre otros más.
• 10Gb de tráfico al mes.
• Cpanel administrable y Gratis.
• 300 MB espacio en disco.
• Sitios web permitidos 2.
• Alojamiento de dominio gratis.
• Copias de seguridad instantáneas.
• Características compatibles con tareas Cron y Curl.
• Protección Hotlink.
• Directorios Protegidos por Contraseña.
• Administrador de IPs y Redirección URL.
En la siguiente imagen se muestra la comparativa con otros hostings,

ubicándose entre los primeros lugares, aunque 000webhost tenga un
número limitado de sitios web, un tope de espacio en disco y ancho de
banda, aun así, sigue siendo ideal para el proyecto además permitiendo
obtener excelentes funcionalidades totalmente gratis.
90
Figura N. 25 Comparativa de Hosting.
En esta ilustración se expone una comparativa entre los mejores hostings gratuitos de la red.
(Fuente: hosting experto,2019. Elaboración: Josep García Bonilla).
91
FUNDAMENTACIÓN LEGAL
El presente proyecto de titulación se fundamenta en la Constitución, leyes

y normas que se detallan a continuación:
ARTÍCULOS DE LA CONSTITUCIÓN REPÚBLICA 2008
Art. 22.- Las personas tienen derecho a desarrollar su capacidad creativa,

al ejercicio digno y sostenido de las actividades culturales y artísticas, y a
beneficiarse de la protección de los derechos morales y patrimoniales que
les correspondan por las producciones científicas, literarias o artísticas de
su autoría.
Art. 26.- La educación es un derecho de las personas a lo largo de su vida

y un deber ineludible e inexcusable del Estado. Constituye un área
prioritaria de la política pública y de la inversión estatal, garantía de la
igualdad e inclusión social y condición indispensable para el buen vivir. Las
personas, las familias y la sociedad tienen el derecho y la responsabilidad
de participar en el proceso educativo.
Art. 28.- La educación responderá al interés público y no estará al servicio

de intereses individuales y corporativos. Se garantizará el acceso universal,
permanencia, movilidad y egreso sin discriminación alguna y la
obligatoriedad en el nivel inicial, básico y bachillerato o su equivalente.
Art. 350.- El sistema de educación superior tiene como finalidad la

formación académica y profesional con visión científica y humanista; la
investigación científica y tecnológica; la innovación, promoción, desarrollo
y difusión de los saberes y las culturas; la construcción de soluciones para
los problemas del país, en relación con los objetivos del régimen de
desarrollo.
Art. 355.- El Estado reconocerá a las universidades y escuelas politécnicas

autonomía académica, administrativa, financiera y orgánica, acorde con los
92
objetivos del régimen de desarrollo y los principios establecidos en la
Constitución.
Se reconoce a las universidades y escuelas politécnicas el derecho a la

autonomía, ejercida y comprendida de manera solidaria y responsable.
Dicha autonomía garantiza el ejercicio de la libertad académica y el

derecho a la búsqueda de la verdad, sin restricciones; el gobierno y gestión
de sí mismas, en consonancia con los principios de alternancia,
transparencia y los derechos políticos; y la producción de ciencia,
tecnología, cultura y arte.
Art. 424.- La Constitución es la norma suprema y prevalece sobre cualquier

otra del ordenamiento jurídico. Las normas y los actos del poder público
deberán mantener conformidad con las disposiciones constitucionales; en
caso contrario carecerán de eficacia jurídica.
Ley Orgánica de Educación Superior (LOES)
Art. 1.- Ámbito. - Esta Ley regula el sistema de educación superior en el

país, a los organismos e instituciones que lo integran; determina derechos,
deberes y obligaciones de las personas naturales y jurídicas, y establece
las respectivas sanciones por el incumplimiento de las disposiciones
contenidas en la Constitución y la presente Ley.
Art. 2.- Objeto. - Esta Ley tiene como objeto definir sus principios,
garantizar el derecho a la educación superior de calidad que propenda a la
excelencia, al acceso universal, permanencia, movilidad y egreso sin
discriminación alguna.
Art. 4.- Derecho a la Educación Superior. - El derecho a la educación

superior consiste en el ejercicio efectivo de la igualdad de oportunidades,
en función de los méritos respectivos, a fin de acceder a una formación
93
académica y profesional con producción de conocimiento pertinente y de
excelencia.
Art. 19.- Inviolabilidad de los recintos universitarios. - Los recintos de las

universidades y escuelas politécnicas son inviolables y no podrán ser
allanados sino en los casos y términos en que puede serlo el domicilio de
una persona, según lo previsto en la Constitución y la Ley. Deben servir
exclusivamente, para el cumplimiento de sus fines y objetivos definidos en
esta Ley.
El principio de igualdad de oportunidades: consiste en garantizar a

todos los actores del Sistema de Educación Superior las mismas
posibilidades en el acceso, permanencia, movilidad y egreso del sistema,
sin discriminación de género, credo, orientación sexual, etnia, cultura,
preferencia política, condición socio económica o discapacidad.
El principio de calidad: consiste en la búsqueda constante y sistemática

de la excelencia, la pertinencia, producción óptima, transmisión del
conocimiento y desarrollo del pensamiento mediante la autocrítica, la crítica
externa y el mejoramiento permanente.
Art. 87.- Requisitos previos a la obtención del título. - Como requisito previo
a la obtención del título, los y las estudiantes deberán acreditar servicios a
la comunidad mediante prácticas o pasantías preprofesionales,
debidamente monitoreadas, en los campos de su especialidad, de
conformidad con los lineamientos generales definidos por el Consejo de
Educación Superior.
Art. 144.- Tesis Digitalizadas. - Todas las instituciones de educación

superior estarán obligadas a entregar las tesis que se elaboren para la
obtención de títulos académicos de grado y posgrado en formato digital
para ser integradas al Sistema Nacional de Información de la Educación
94
Superior del Ecuador para su difusión pública respetando los derechos de
autor.
Art. 204.- Sanciones a Instituciones del Sistema de Educación Superior. -

El incumplimiento de las disposiciones consagradas en la presente Ley por
parte de las instituciones de educación superior, y cuando no constituyan
causales para la intervención de la institución, dará lugar, previo el proceso
administrativo correspondiente, a la imposición de las siguientes sanciones
por parte del Consejo de Educación Superior:
a) Amonestación, sanción económica o suspensión de hasta 60 días sin

remuneración, a las autoridades de las instituciones que violen o
atenten contra los derechos y disposiciones establecidos en la Ley, su
reglamento y más normativa que rige al Sistema de Educación
Superior;
b) Sanción económica a las instituciones que violen o atenten contra los

derechos de la Ley, su reglamento y más normativa que rige al Sistema
de Educación Superior; y,
c) Las demás que disponga el Consejo de Educación Superior.
Código Orgánico de la economía social de los conocimientos,

creatividad e invención.
Artículo 104.- Obras susceptibles de protección. - La protección

reconocida por el presente Título recae sobre todas las obras literarias,
artísticas y científicas, que sean originales y que puedan reproducirse o
divulgarse por cualquier forma o medio conocido o por conocerse. Las
obras susceptibles de protección comprenden, entre otras, las siguientes:
1. Las obras expresadas en libros, folletos, impresos, epistolarios,

artículos, novelas, cuentos, poemas, crónicas, críticas, ensayos,
95
misivas, guiones para teatro, cinematografía, televisión,
conferencias, discursos, lecciones, sermones, alegatos en derecho,
memorias y otras obras de similar naturaleza, expresadas en
cualquier forma;
2. Colecciones de obras, tales como enciclopedias, antologías o
compilaciones y bases de datos de toda clase, que por la selección
o disposición de las materias constituyan creaciones intelectuales
originales, sin perjuicio de los derechos que subsistan sobre las
obras, materiales, información o datos;
3. Obras dramáticas y dramático musicales, las coreografías, las
pantomimas y, en general las obras teatrales;
4. Composiciones musicales con o sin letra;
5. Obras cinematográficas y otras obras audiovisuales;
6. Las esculturas y las obras de pintura, dibujo, grabado, litografía y las
historietas gráficas, tebeos, comics, así como sus ensayos o bocetos
y las demás obras plásticas;
7. Proyectos, planos, maquetas y diseños de obras arquitectónicas y
de ingeniería;
8. Ilustraciones, gráficos, mapas, croquis y diseños relativos a la
geografía, la topografía y, en general, a la ciencia;
9. Obras fotográficas y las expresadas por procedimientos análogos a
la fotografía;
10. Obras de arte aplicado, en la medida en que su valor artístico pueda
ser disociado del carácter industrial de los objetos a los cuales estén
incorporadas;
11. Obras remezcladas, siempre que, por la combinación de sus
elementos, constituyan una creación intelectual original; y,
12. Software.
Artículo 131.- Protección de software. - El software se protege como obra

literaria. Dicha protección se otorga independientemente de que hayan sido
incorporados en un ordenador y cualquiera sea la forma en que estén
96
expresados, ya sea como código fuente; es decir, en forma legible por el
ser humano; o como código objeto; es decir, en forma legible por máquina,
ya sea sistemas operativos o sistemas aplicativos, incluyendo diagramas
de flujo, planos, manuales de uso, y en general, aquellos elementos que
conformen la estructura, secuencias y organización del programa.
Se excluye de esta protección las formas estándar de desarrollo de

software.
Código Orgánico de Economía Social de los Conocimientos,

Creatividad e Innovación.
Apartado Segundo
De las tecnologías libres y formatos abiertos.
Artículo 142.-Tecnologías libres
Se entiende por tecnologías libres al software de código abierto, los

estándares abiertos, los contenidos y el hardware libres. Los tres primeros
son considerados como Tecnologías Digitales Libres.
Se entiende por software de código abierto al software en cuya licencia el

titular garantiza al usuario el acceso al código fuente y lo faculta a usar
dicho software con cualquier propósito. Especialmente otorga a los
usuarios, entre otras, las siguientes libertades esenciales:
• La libertad de ejecutar el software para cualquier propósito;

• La libertad de estudiar cómo funciona el software, y modificarlo.
para adaptarlo a cualquier necesidad. El acceso al código fuente es
una condición imprescindible para ello;
• La libertad de redistribuir copias; y,
• La libertad de distribuir copias de sus versiones modificadas a

terceros.
97
Se entiende por código fuente, al conjunto de instrucciones escritas en
algún lenguaje de programación, diseñadas con el fin de ser leídas y
transformadas por alguna herramienta de software en lenguaje de maquina
o instrucciones ejecutables en la máquina.
Los estándares abiertos son formas de manejo y almacenamiento de los

datos en los que se conoce su estructura y se permite su modificación y
acceso no imponiéndose ninguna restricción para su uso. Los datos
almacenados en formatos de estándares abiertos no requieren de software
propietario para ser utilizados. Estos formatos estándares podrían o no ser
aprobados por una entidad internacional de certificación de estándares.
Contenido Libre es el acceso a toda la información asociada al software,

incluyendo documentación y demás elementos técnicos diseñados para la
entrega necesarios para realizar la congelación, instalación y operación del
programa, mismos que deberán presentarse en estándares abiertos.
Se entiende por hardware libre a los diseños de bienes o materiales y

demás documentación para la congelación y su respectiva puesto en
funcionamiento, otorgan a los usuarios las siguientes libertades:
1. La libertad de estudiar dichas especificaciones, y modificarlas para

adaptarlas a cualquier necesidad;
2. La libertad de redistribuir copias de dichas especificaciones; y
3. La libertad de distribuir copias de sus versiones modificadas a
terceros.
El Estado en la adquisición de bienes o servicios incluidos los de

consultoría de tecnologías digitales, preferirá la adquisición de tecnologías
digitales libres. Para el caso de adquisición de software se observará el
orden de prelación previsto en este código.
98
Artículo 151.- Libre elección de software. –
Los usuarios tienen derecho a la libre elección del software en dispositivos

que admitan más de un sistema operativo. En dispositivos que no admitan
de fábrica, más de un sistema operativo, podrán ofrecerse solo con el
sistema instalado de fábrica.
En la compra de computadores personales y dispositivos móviles, los

proveedores estarán obligados a ofrecer al usuario alternativas de software
de código cerrado o software de código abierto, de existir en el mercado.
Se deberá́ mostrar por separado el precio del hardware y el precio de las
licencias.
Artículo 145.- Migración a software de fuente abierta:
Las Instituciones del sector público deberán realizar una evaluación de

factibilidad de migrar sus tecnologías digitales a tecnologías digitales libres
con los criterios establecidos en el reglamento correspondiente. Se
evaluará la criticidad del software, debiendo considerar los siguientes
criterios:
1. Sostenibilidad de la solución;
2. Costo de oportunidad;
3. Estándares de seguridad;
Capacidad técnica que brinde el soporte necesario para el uso del software.
99
HIPÓTESIS
¿Cuál es la relación entre las técnicas de Machine Learning y la reducción

del margen de error en la predicción de la temperatura en la ciudad de
Guayaquil?
Variables independientes
• Margen de error en la predicción de la temperatura.
Variables dependientes
• Técnicas de Machine Learning.
100
CAPITULO III
PROPUESTA TECNOLÓGICA
En esta sección se presenta información sobre la factibilidad del uso de

técnicas de Machine Learning para la predicción de las temperaturas, los
procesos y las tecnologías utilizadas para obtener los datos de
temperatura, presión atmosférica y humedad que se utilizaran para la
predicción.
La propuesta que se presenta consiste en desarrollar un modelo predictivo

y una mini estación meteorológica para la recolección de la temperatura,
humedad y presión atmosférica, utilizando tecnología IoT, la cual permita
automatizar procesos de conexiones al servidor, él envió de datos,
almacenamiento en una base de datos, y monitorización para el respectivo
tratamiento de la información, la cual será utilizada para que el usuario
conozca la temperatura, presión atmosférica y humedad cada 5 minutos en
un sitio web.
Se procederá con la recolección de datos del año 2019 de las siguientes

variables: Temperatura máxima y temperatura mínima, humedad y presión
atmosférica, la cual será proporcionada por el Instituto Nacional de
Meteorología e Hidrología (INAMHI), para el entrenamiento del modelo
predictivo y las respectivas pruebas para lograr la predicción adecuada de
la temperatura, de igual manera se obtendrán las variables recabadas por
la mini estación meteorológica, información que será mostrada de forma
diaria cada 5 minutos en una sitio web, en la cual se podrá observar un
Dashboard en tiempo real de la variación periódica de la temperatura, y la
predicción de la temperatura.
101
ANÁLISIS DE FACTIBILIDAD
En esta etapa se realizará el respectivo análisis de factibilidad de que tan

viable es el desarrollo de la propuesta de titulación. Para el análisis del
diseño del modelo predictivo que se lleva a cabo la utilización del lenguaje
de programación Python y una base de datos la cual contiene almacenado
datos históricos del año 2019 de las variables de temperatura, humedad y
presión atmosférica para poder predecir la temperatura en la ciudad de
Guayaquil, asimismo de la ventaja de utilizar un sitio web que permitirá
visualizar la información diaria de las variaciones de temperatura cada 5
minutos que son recabadas por la mini estación, y poder visualizar la
predicción, por lo que se puede deducir que el proyecto en desarrollo es
viable.
La factibilidad se refiere a la disponibilidad de los recursos necesarios para

llevar a cabo el cumplimiento de ciertos objetivos, la cual se analizan 4
aspectos básicos que son:
• Factibilidad Operacional
• Factibilidad Técnica
• Factibilidad Legal
• Factibilidad Económica
Factibilidad Operacional
El análisis de factibilidad operacional se puede deducir que operativamente

el tema planteado en este documento de tesis para la creación del diseño
de un modelo predictivo para predecir la temperatura en la ciudad de
Guayaquil será factible tomando en consideración los siguientes puntos:
• La creación de una mini estación permitirá obtener y almacenar

información de temperatura, humedad y presión atmosférica en una
base de datos.
102
• La creación del diseño de un modelo predictivo basado en técnicas
de Machine Learning, aplicando técnicas actualizadas, pretende
obtener un mejor desempeño del modelo predictivo para la
reducción del porcentaje de desconfianza en la predicción de la
temperatura.
• El sitio web creado proporcionará información diaria de la
temperatura, humedad y presión atmosférica en la cual se podrá
monitorizar las variaciones de las temperaturas de cada 5 minutos a
través de un dashboard, adicional se mostrará información de la
predicción de la temperatura.
Factibilidad Técnica
Para la ejecución del siguiente proyecto de titulación se determinó

diferentes requerimientos tanto de software como de hardware para su
correcto funcionamiento, son factibles ya que los componentes de
hardware son de fácil acceso y programación de los microcontroladores.
Los requerimientos de Hardware deben cumplir con las siguientes

especificaciones:
103
CUADRO N. 7
ESPECIFICACIONES DE HADWARE.
Componentes
Computador Lenovo IdeaPad 320 de procesador Intel Core i5 de séptima
generación, con memoria RAM de 8 Gb o superior, disco duro HDD 1tb o
superior y tarjeta gráfica Nvidia Gforce 940 MX, con memoria RAM dedicada
de 2 GB o superior.
Placa Esp32-Wroom-32
Sensor Uvm-30a
Sensor Dht11
Sensor Bmp180
Protoboard
Elaborador por: Telmo Roque Colt, Kevin Egas Arizala.
Los requerimientos de software deben cumplir con las siguientes

especificaciones:
CUADRO N. 8
REQUERIMIENTOS DE SOFTWARE.
COMPONENTES ESPECIFICACIÓN
Sistema Operativo Windows 8
Windows 10
MacOs 10.15.3
IDE Arduino 1.8.10
PyCharm 11.0.5
Base de Datos PhpMyAdmin
Servidor web Apache Xampp 7.1.30
Lenguaje de programación Python 3.6.5
PHP 7.2
104
Librerías TensorFlow 2.0.0
Keras
Numpy
Pandas
Matplotlib
Factibilidad Legal
El proyecto propuesto de Diseño de modelo predictivo basado en técnicas

de Machine Learning que permita determinar la temperatura usando los
datos de una mini estación meteorológica en la ciudad de Guayaquil, no
infringe ninguna ley o norma según se detalló en la fundamentación legal
descrita en el capítulo ll, ya que los componentes, herramientas y datos que
se utilizan para el desarrollo del proyecto son de fácil acceso y de libre
distribución, esto hace que no se infrinja ninguna ley en el ámbito legal.
Factibilidad Económica
La implementación económica que se especifica a continuación con rubros

que son desembolsables y no desembolsables a través de los egresos
reales de dinero, donde se evidencia que el desarrollo del proyecto “Diseño
de modelo predictivo basado en técnicas de Machine Learning que permita
determinar la temperatura usando los datos de una mini estación
meteorológica en la ciudad de Guayaquil”, es económicamente factible.
105
CUADRO N. 9
ESPECIFICACIONES DE RUBROS RECURSOS HUMANOS.
RECURSOS HUMANOS
N. Valor
Descripción Total Observación
de Horas por hora
Estudiante 1: Telmo
Fernando 380 $3 1140 Estos valores deben ser
Roque Colt considerados por tiempo
y esfuerzo en el desarrollo
Estudiante 2: Kevin Oswaldo
380 $3 1140 del proyecto,
Egas Arizala pero no es desembolsable
Tutor: Ing. Jorge Charco 80 $5 400 en el desarrollo de este.

CUADRO N. 10
ESPECIFICACIONES DE RUBROS MATERIALES.
RECURSOS MATERIALES
Descripción Cantidad Valor Total Observación
Equipos de
Sin desembolso en el proyecto,
computación 2 $700 $1400
cada uno tiene equipo de trabajo
(Laptops)
Materiales de Oficina 100 $1,25 $125 Desembolso del proyecto
Viáticos
Descripción Valor Total Observación
Transporte $200 $200
Desembolso del proyecto
Alimentación $250 $250
106
CUADRO N. 11
ESPECIFICACIONES DE RUBROS DE HADWARE.
HARDWARE TECNOLÓGICO
Componentes Valor Cantidad Valor Total
Placa Esp32-Wroom-32 $30 1 $30
Sensor Dht11 $10 5 $50
Sensor Uvm30A $16 1 $16
Sensor Bmp180 $9 1 $9
Protoboard $4 2 $8
otros materiales Electrónicos $40 1 $40
Total $153
CUADRO N. 12
ESPECIFICACIONES DE RUBROS DE SOTWARE.
SOFTWARE
Descripción Cantidad Valor Valor Total
Windows 10 1 $0 $0
MacOs 10.15.3 1 $0 $0
IDE de Arduino 1 $0 $0
IDE PyCharm 2 $0 $0
Apache Xammp 2 $0 $0
Hosting y Dominio 1 $80 $80
Total $80
CUADRO N. 13
RESUMEN DEL COSTO DEL PROYECTO.
RESUMEN DEL COSTO DEL PROYECTO

Rubro Valor Desembolso
Recursos Humanos $2680 $0
Recursos Materiales $1525 $125
Hardware $153 $153
Software $80 $80
Viáticos $450 $450
Total $4888 $808
107
CRITERIOS DE VALIDACIÓN DE LA PROPUESTA
Se ha realizado la siguiente validación de la propuesta en base al siguiente

esquema de validación.
Validación de expertos
Para determinar el cumplimiento y la calidad del producto final, y que se

haya seleccionado los componentes y tecnología adecuada, los procesos
de desarrollo del proyecto.
ETAPAS DE LA METODOLOGÍA DEL PROYECTO
La metodología aplicada a este proyecto de tesis establecido en el capítulo

l es la metodología de Investigación de Campo y metodología de Cascada.
Metodología de Investigación de Campo
Para el desarrollo del proyecto diseño de un modelo predictivo se utilizará

la metodología de investigación de campo. Esta permitirá recolectar
información de la Temperatura, Humedad y Presión Atmosférica aplicando
el método de síntesis de observación la cual permitirá observar la variación
de los elementos antes mencionados, esta información será almacenada
para previamente ser analizada sin que dicha información sea modificada,
esto se podrá lograr aplicando la técnica de observación no participante,
donde la información procesada será necesaria para que el modelo pueda
ser entrenado de la manera correcta.
108
Captura de los
datos de
Observación de
temperatura,
las variables
humedad y
capturadas
presión
atmosférica
Tratamiento de Almacenamiento
la información de la información
Figura N. 26 Proceso de la data.

En este bosquejo se observa los procesos que se efectúan desde que se realiza la captura de datos
de la mini estación para luego ser aceptada por el modelo predictivo. (Fuente; Elaboración:
autoría propia).
Metodología de Cascada
El diseño del modelo predictivo utilizará la metodología en cascada

simplificada en 3 fases que son las que se muestran a continuación.
109
CUADRO N. 14
FASES DE CASCADA.
Fase 1 Análisis Análisis de las variables

que afectan al cambio de
la temperatura, y
selección de los
elementos de la mini
estación.
Fase 2 Diseño y Codificación Diseño y codificación del
dispositivo, modelo
predictivo y sitio web.
Fase 3 Pruebas Validación de los datos
obtenidos por la mini
estación meteorológica y
los resultados de
predicción obtenidos por
el modelo predictivo.
Fase 1: Análisis de las variables que afectan al cambio de la

temperatura, y selección de los elementos del dispositivo
1. Investigación
Por medio de la investigación que se realizó sobre las variables que hacen
que la temperatura varié como se detalló en la fundamentación teórica
descrita en el capítulo ll, se han seleccionado la temperatura, humedad y
presión atmosférica como las variables más considerables para continuar
con el desarrollo del modelo predictivo.
2. Análisis para seleccionar la placa de Hardware IoT a emplearse

en el desarrollo de este proyecto
En el siguiente cuadro se mostrarán los diferentes modelos de placas IoT

que existen en el mercado por precio, asequibilidad y que poseen la
documentación necesaria para el desarrollo del proyecto.
110
CUADRO N. 15
CARACTERISTICAS DE LAS PLACAS IOT.
Nombre de la placa Precio Asequibilidad Documentación
ESP32-WROOM-32 $30 Alta Media
ARDUINO MKR $66 Media Alta

WAN 1300
JETSON TX2 $458 Baja Baja
RASPBERRY PI 3 $75 Alta Media

MODELO B
ESP8266 $10 Alta Media
ARTIK 710 $199 Baja Baja

En base a estos criterios se eligió la placa ESP32-WROOM-32 debido a su

capacidad y compatibilidad con dispositivos que serán necesarios para el
desarrollo del proyecto.
3. Análisis para la selección de los sensores a utilizarse en este

proyecto
En el siguiente cuadro se muestra los diferentes sensores que existen en

el mercado por precio, asequibilidad y que poseen la documentación
necesaria como guía de desarrollo.
111
CUADRO N. 16
CARACTERISTICAS DE LOS SENSORES.
Nombre del sensor Precio Asequibilidad Documentación

Temperatura $5 Alta Media
DHT11
Temperatura $10 Baja Baja
DHT21
Temperatura $11 Media Baja
DHT22
Temperatura LM35 $6.50 Baja Baja
Presión Atmosférica $5 Media Media
BMP180
Presión Atmosférica $6 Media Media
BMP280
Presión Atmosférica $15 Baja Baja
BME280
Radiación UVM- $20 Media Baja
30A
Radiación LLC- $12 Baja Baja
1384
Radiación UV-SU- $11 Baja Baja
100
En base a los diferentes criterios establecidos en el cuadro número 16 de

los tipos de sensores que se encuentran en el mercado, podemos indicar
que los escogidos en este proyecto sería los siguientes sensores:
temperatura DHT11, presión atmosférica BMP180, radiación UVM-30A.
Fase 2: Diseño y desarrollo de la mini estación
Basado a los requerimientos establecidos se procede con el diseño,

parametrización y el desarrollo de la arquitectura necesaria en el Diseño de
la mini estación meteorológica, la cual ayudará a obtener los datos que se
recolectan a través de la observación de campo de manera óptima y
almacenar los datos obtenidos en una base de datos.
112
Requerimientos Básicos
Para el usuario: Que sea de fácil uso, de componentes accesibles.
Para el cliente: Que tenga un costo bajo, que sea de fácil acoplamiento de
los componentes, una vida útil de larga duración y sea de fácil
programación de los microcontroladores, los datos puedan ser accedidos
de manera rápida y fácil a través del sitio web, donde se puedan visualizar
la variación de la temperatura y se pueda visualizar la predicción de la
temperatura, que el acceso a la información sea a través de credenciales
desde el sitio web.
Para los desarrolladores: Que se usen materiales resistentes y de buena

calidad, que los componentes se puedan reemplazar rápidamente y sin
inconvenientes, que sea independiente cada sensor, que exista
escalabilidad, sea capaz de proporcionar datos precisos y los resultados
sean los óptimos posibles.
Los componentes que se utilizaran para el desarrollo de la mini estación

son los siguientes:
CUADRO N. 17
COMPONENTES USADOS EN LA MINI ESTACIÓN.
COMPONENTES
Placa ESP32-WROOM-32
Sensor DHT11
Sensor UVM30A
Sensor BMP180
Cables Jumper
Cable Micro USB
Protoboard
113
Se muestra a continuación el diseño de las conexiones de cada uno de los
componentes electrónicos necesarios para el correcto funcionamiento del
proyecto en desarrollo.
Figura N. 27 Conexión de la mini estación meteorológica.

Bosquejo que muestra como están interconectado todos los sensores de la mini estación
meteorológica. (Fuente; Elaboración: autoría propia).
Se procedió a la instalación, configuración y montaje de cada uno de los

componentes del circuito para proceder con las respectivas pruebas de
campo.
114
Figura N. 28 Mini estación meteorológica.
Vista de forma general una vez en funcionamiento de la mini estación (Fuente; Elaboración:
autoría propia).
Fase 2: Diseño y desarrollo del modelo predictivo
Basado a los requerimientos establecidos, se procede con el diseño y

desarrollo de la arquitectura necesaria en el diseño del modelo predictivo
basado en técnicas de Machine Learning que permita determinar la
temperatura usando los datos de una mini estación meteorológica en la
ciudad de Guayaquil, la cual se busca una técnica de Machine Learning
para obtener un mejor resultado en la predicción.
En este proyecto de tesis se optó por el uso de las redes neuronales

recurrentes (LSTM) multivariante para la predicción de la temperatura, la
cual toma como entrada los datos del año 2019 proporcionados por el
INAMHI tales como la temperatura mínima, máxima, Humedad mínima y
máxima, Presión atmosférica mínima y máxima, la cual después del
procesamiento de la información y entrenamiento de la red se espera una
salida de la predicción de la temperatura mínima y máxima diaria.
115
A continuación, se presenta información sobre la red neuronal LSTM y del
porque la utilización de esta en el proyecto en desarrollo.
LSTM
Denominadas redes de memoria a corto y largo plazo o Long Short-Term

Memory. Es un tipo de red neuronal recurrente muy particular, con la
peculiaridad especial de ser capaces de aprender dependencias a largo
plazo. Considerando que esta es una mejora de las redes neuronales
tradicionales. Las redes LSTM fueron creadas para evitar el inconveniente
de dependencia a largo plazo, básicamente acordarse y preservar la
información durante extensos períodos de tiempo. Las LSTM cuenta con
diversas funcionalidades, y su desempeño es mucho mejor para un sin
número de variedad de tareas. Entre sus aplicaciones tenemos:
Compresión de textos de lenguajes naturales, composición musical,
predicción de señales en problema de biomedicina, traducción de lenguaje
de signos, control de robots, reconocimientos de voz, predicción de series
temporales, reconocimiento de escritura a mano, reconocimiento de gestos
entre otros.
Funcionamiento de una red LSTM
Cell state es la clave del funcionamiento de una red LSTM, en si es una

celda de estado que está compuesta por una entrada y una salida adicional.
En dicha celda se puede añadir o remover los datos en memoria que no
queremos que queden en la red.
116
Figura N. 29 Celda de estado de la LSTM.
Esta figura da una imaginación previa de como seria el correcto funcionamiento de una cell
state de estado, de una red LSTM. (Fuente; Elaboración: autoría propia).
La celda de estado funciona como una banda transportadora, que para

agregar o eliminar los datos utilizan compuertas como: Forget gate, que
permite eliminar elementos de la memoria; update gate, que permite añadir
nuevos elementos a la memoria; output gate, permite crear el estado oculto
actualizado. Dichas compuertas o denominadas puertas en realidad son
redes neuronales la cual dan paso a la información o la bloquean, a su vez
están compuestas por 3 elementos que son: una red neuronal, una función
sigmoidal o sigmoidea y un elemento multiplicador.
Arquitectura de la red LSTM
Compuesta por dos capas LSTM y una capa densa, la primera con 32
unidades internas, tangente hiperbólica como función de activación que
incluye como secuencias de retorno para múltiples capas LSTM ocultas. El
segundo contiene 16 unidades internas y ReLu como función de activación
del modelo. Finalmente, una capa densa con 1 unidad para predecir la
temperatura durante el próximo día.
117
Figura N. 30 Entrenamiento y proceso de predicción.
Muestra un funcionamiento básico y paso para realizar una predicción. (Fuente; Elaboración: autoría
propia).
Embedding
Embedding proviene de «embed» que es incrustar. Las

incrustaciones son representaciones vectoriales continuas. Como
aplicación práctica se tiene, por ejemplo; palabras para traducción
automática.
Embedding posee 3 finalidades sustanciales:
1. Encontrar vecinos más cercanos en el espacio de incrustación.

2. Como entrada a un modelo de aprendizaje automático para una
tarea supervisada.
3. Para la visualización de conceptos y relaciones entre categorías.
Este modelo de red neuronal utiliza el término llamado variable categórica

que simplemente es un modo de identificar y dar valor a variables relevante.
Los embeddings son una manera de dar un valor utilizable y favorable a
118
datos categóricos. Fundamentalmente se basa en un método utilizado para
representar variables discretas como vectores continuos.
Para nuestro ejemplo usaríamos el día como variable categórica con

valores de 0 a 6 denotando el día de semana, al igual que meses como otra
variable categórica. La intuición es que la red comprenda las
estacionalidades dadas entre semana y mes.
Para ello se destina una profundidad a cada identificador, declara un vector

con valores continuos inicialmente aleatorios. Esos valores
se adaptan con backpropagation y de la misma manera a la red
neuronal. Nuestros datos categóricos quedan enriquecidos y dejan de ser
lunes para ser unos vectores con valores que significan
algo. En realidad, significa que los vectores acercan identificadores
similares entre sí y distancia a los opuestos.
Una ventaja de usar Embeddings es que se pueden reutilizar. Una vez

entrenados podemos guardarlos para utilizarlos en otra red. Aunque
también tendría una desventaja si se excede con el uso de las dimensiones
para modelar las variables categóricas sucederá algo llamado overfitting.
La arquitectura de la red neuronal será:
• Las capas importadas por parte de Keras serán tipo: Input,

Embedding, Dense, Flatten, Dropout, concatenate, LSTM.
• La salida será una capa densa con una sola neurona, con una
función de activación ReLU.
• La entrada será 7 capas
• La capa intermedia serán 2 capas con su respectiva función de
activación ReLU.
• Este modelo utilizó la métrica mae, como optimizador RMSprop, la
función loss también mae.
• EPOCHS=1000
119
Figura N. 31 Proceso Training y Prediction.
Descripción de manera superficial del funcionamiento básico del algoritmo Embeddings. (Fuente;
Elaboración: autoría propia).
El desarrollo del modelo predictivo realizado con el lenguaje de

programación Python, utilizando librerías para el procesamiento de la
información y programación de redes neuronales, librerías tales como
TensorFlow, Pandas, Keras, Numpy y para la interpretación gráfica la
librería de Matplotlib.
Figura N. 32 Librerías a utilizar para la predicción.(Fuente; Elaboración: autoría propia).
120
El INAMHI al ser un instituto dedicado a llevar un control en las variaciones
de las variables climáticas en el Ecuador, en sus estaciones meteorológicas
cuenta con un conjunto de sensores con resultados más confiables, por la
cual se decide utilizar el conjunto de datos proporcionados para entrenar el
modelo predictivo del proyecto de tesis.
Tratamiento de la data
Para el entrenamiento del modelo predictivo es importante seguir los

siguientes pasos:
• Preprocesamiento de la información con la que se cuenta del año

2019 proporcionada por el INAMHI.
• Verificación de que la Información preprocesada sea la correcta para
poder ser enviada al modelo predictivo, este proceso se lo realiza de
manera manual.
• Estructurar un archivo CSV con la información ya verificada.
• Separar los datos en dos archivos CSV diferentes, un archivo
denominado entrenamiento que contiene el 80% de los datos de
cada mes y otro archivo llamado test que contiene el 20% restante
de los datos.
La información proporcionada por el INAMHI, data de cada 5 minuto, la cual

se registraba un conjunto de 288 registros por día, para adaptar esa
información según las necesidades de nuestro proyecto, se trató la data
manualmente, ya que el proyecto demandaba 1 registro por día para la
temperatura máxima, mínima, humedad y presión atmosférica, tomando en
criterio la temperatura más baja registrada en el día por la estación
meteorológica, asimismo seleccionando la temperatura máxima registrada
con sus respectivos registros de humedad y presión atmosférica.
121
El archivo CSV debe de cumplir una estructura para que el modelo
predictivo pueda obtener la información de manera correcta, a
continuación, se detalla la estructura:
• Debe de contar con un encabezado, en este caso el encabezado

hace énfasis a cada campo de los datos para que el modelo
predictivo pueda saber de qué campo debe de extraer la
información.
• Debe de estar separados por filas y columnas
• Cada columna debe de estar separada por una coma.
• La información que se encuentra en un campo de cada fila debe de
estar dentro de comillas dobles.
Figura N. 33 Estructura inicial de la data proporcionada por el INAMHI. (Fuente; Elaboración:

autoría propia).
Figura N. 34 Estructura del archivo CSV. (Fuente; Elaboración: autoría propia).
122
Entrenamiento del modelo predictivo
Para entrenar el modelo, fue necesario el uso del lenguaje de programación

Python en su versión 3.6.5, descargando las versiones de las librerías
tensorFlow, Keras, Numpy, pandas, Matplotlib para el uso de redes
neuronales.
Para la interpretación del lenguaje de programación Python, se utilizó el

IDE PyCharm Community Edition para el desarrollo y codificación del
modelo predictivo. El entrenamiento de las redes neuronales se basó en
dos partes, una parte para obtener la temperatura mínima y otra para la
temperatura máxima.
Figura N. 35 Script del modelo predictivo. (Fuente; Elaboración: autoría propia).
Es necesario que la red neuronal conozca los datos de temperatura,

humedad y presión atmosférica, donde esta información debe estar
normalizada a través de un proceso matemático que consiste en obtener
la media y la desviación estándar de los datos que se le ha dado a conocer
a la red neuronal, donde la data ingresada inicialmente es restada por la
media de los datos, y divididos para la desviación estándar, una vez
realizado este proceso, se obtendrá la data normalizada para un mejor
funcionamiento del algoritmo de la LSTM.
123
Figura N. 36 Script para normalizar la data. (Fuente; Elaboración: autoría propia).
Para que el modelo obtenga una predicción de un día, es necesario contar

con información histórica que la red debe de conocer para realizar la
predicción, en este caso se ha considerado información histórica de 10
días, con esta cantidad es posible que el modelo sea capaz de predecir 1
día.
Figura N. 37 Proceso de la red neuronal LSTM. (Fuente; Elaboración: autoría propia).
Figura N. 38 Información del Pasado Histórico y el Objetivo a predecir. (Fuente; Elaboración:

autoría propia).
Una vez entrenado el modelo, es necesario guardar el modelo ya

entrenado, este proceso consiste en guardar el Epoch que haya obtenido
124
el val_loss más bajo, para que se lo pueda utilizar en el archivo de
predicción y no haya necesidad de volver a entrenar el modelo en caso de
que se requiera realizar la predicción de un día en específico.
Figura N. 39 Script para guardar el mejor modelo. (Fuente; Elaboración: autoría propia).
Fase 2: Diseño y desarrollo del Sitio Web
Basado a los requerimientos establecidos se procede con el diseño, y

desarrollo de la arquitectura necesaria para el diseño web para mostrar los
resultados de la toma de los datos de la mini estación y de la predicción del
modelo.
El sitio web contará con una interface de inicio de sesión, que mediante
unas credenciales de acceso se podrá acceder al conjunto de módulos que
cuenta el sitio web.
125
Figura N. 40 Inicio de sesión del sitio web. (Fuente; Elaboración: autoría propia).
El diseño del sitio web según los requerimientos cuenta con un conjunto de
módulos que son detallados a continuación:
Figura N. 41 Módulos del Sitio Web. (Fuente; Elaboración: autoría propia).
126
Inicio
Este módulo, muestra la información de la temperatura, humedad y presión

atmosférica que fue recabada y almacenada en la base de datos por la mini
estación, adicional cuenta con un Dashboard donde se podrá visualizar la
variación de la temperatura de cada 5 minutos.
Figura N. 42 Módulo de Inicio. (Fuente; Elaboración: autoría propia).
Administrar Usuarios
Solo accesible para los usuarios con rol de administrador, este módulo
permitirá al usuario modificar la información de cualquier usuario o
desactivar una cuenta en el sitio web.
127
Figura N. 43 Modulo de Administrar Usuarios. (Fuente; Elaboración: autoría propia).
Información de la Cuenta
En este módulo se podrá visualizar la información personal de la cuenta del

usuario, donde la contraseña podrá ser modificada.
Figura N. 44 Módulo de Información de la Cuenta. (Fuente; Elaboración: autoría propia).
128
Predecir la Temperatura
En este módulo se podrá visualizar la información de la predicción

proporcionada por el modelo predictivo, donde el modelo recibirá la fecha
que será enviada desde este módulo y devolverá la predicción
correspondiente a la fecha elegida.
Figura N. 45 Módulo de Predecir la Temperatura. (Fuente; Elaboración: autoría propia).
Fase 3: Validación de los datos obtenidos por la mini estación

meteorológica
Se realiza la validación de los datos proporcionados de la mini estación y

los datos que nos ha proporcionado el Instituto Nacional de Meteorología e
Hidrología (INAMHI) del mes de noviembre del 2019, desde el 11 hasta el
30, los resultados es el promedio de 21 días.
129
CUADRO N. 18
COMPONENTES USANDOS EN LA MINI ESTACIÓN.
Estación Mes Promedio Promedio Promedio

Temperatura Humedad Presión
Atmosférica
Proyecto Noviembre 26.72 82.16 1005.90
Estación Noviembre 26.31 73.33 1009.24

de CCNN
INAMHI

GRÁFICO N. 5
RESULTADOS DE LOS COMPONENTES USADOS EN LA MINI
ESTACIÓN.
1200
1000
800
600
400
200
0
Temperatura Humedad Presion Atmosferica
Mini Estación INHAMI (CNN)

Se observa según el grafico N.º 9, existe una diferencia en los datos

tomados por la mini estación vs los datos proporcionados por el INAMHI de
0,41 grados, 8,83 con respecto a la Humedad y de -3,34 con respecto a la
presión atmosférica.
130
La ubicación estratégica de la mini estación al norte de la ciudad de
Guayaquil, según las coordenadas proporcionadas por Google Maps 3er
Pasaje 23 NO 15, Guayaquil 090510, Ecuador.
Figura N. 46 Ubicación exacta de la mini estación. (Fuente Google Maps Elaboración: autoría
propia).
La información proporcionada por una de las estaciones meteorológicas del

INAMHI ubicada al norte de Guayaquil en la Facultad de Ciencias Naturales
de la Universidad, según las coordenadas proporcionadas por Google
Maps (código postal 090601), Av. Juan Tanca Marengo, Guayaquil,
Ecuador.
131
Figura N. 47 Ubicación de la estación meteorológica del INAMHI.( Fuente; Elaboración:
Instituto Nacional de Meteorología e Hidrología).
Se decidió ubicar la mini estación en esta localización, para cubrir la

necesidad de comparar los datos obtenidos por la mini estación con los
datos proporcionados por el INAMHI y corroborar que el dispositivo está
tomando la temperatura, humedad y presión atmosférica de manera
correcta o lo más parecida posible a la estación meteorológica del INAMHI.
La información que fue proporcionada por el Instituto Nacional de

Meteorología e Hidrología fueron las siguientes: Temperatura mínima,
máxima y promedio, Humedad mínima, máxima y promedio, Presión
atmosférica mínima, máxima y promedio las cuales son consideradas
necesarias para poder entrenar el modelo predictivo y obtener resultados
los más confiables posibles.
132
A continuación, se presentan las especificaciones de los sensores que
utiliza el INAMHI en su estación meteorológica para la obtención de los
datos de temperatura, humedad y presión atmosférica.
Figura N. 48 Ítem Sensor de Temperatura. (Fuente; Elaboración: Instituto Nacional de

Meteorología e Hidrología).
133
Figura N. 49 Ítem Sensor de Presión Atmosférica. (Fuente; Elaboración: Instituto Nacional de
Meteorología e Hidrología).
Fase 3: Validación de los resultados de predicción obtenidos por el

modelo LSTM
Para la validación de los resultados obtenidos por el modelo predictivo, se

toma en cuenta el 20% de los datos de testing de cada uno de los meses
que se tiene del año 2019, información que el modelo no conoce y debe
ser capaz de predecir las temperaturas máximas y mínimas de cada día del
20% del mes, donde se obtendrá un promedio de lo predicho y compararlo
con el promedio de la data del 80% de los datos de cada mes, que se
utilizaron para el entrenamiento del modelo predictivo, los resultados del
promedio de las temperaturas máximas, mínimas y promedio del INAMHI
comparándolos con los resultados obtenidos por el modelo como se
muestra a continuación.
134
Tabla N. 2
Comparativa de Resultados de la Red Neuronal.
Our Proposed
Our Proposed
Real Model -
Model - Error time
Temperature Prediction time Error LSTM
Prediction series embedding
(IMANHI) series
LSTM
embedding
Min Max Avg Min Max Avg Min Max Avg Min Max Avg Min Max Avg
ENE 24,1 31,5 27,8 24,2 32,2 28,2 24,4 32,1 28,3 0,58% 2,09% 1,46% 1,45% 1,65% 1,56%
FEB 24,3 32,2 28,2 24,1 33,5 28,8 25,1 32,6 28,9 0,62% 3,97% 2,00% 3,50% 1,09% 2,14%
MAR 24,3 32,7 28,5 23,9 33,4 28,7 24,5 33 28,8 1,40% 2,02% 0,56% 1,07% 0,86% 0,95%
ABR 23,9 33,5 28,7 23,6 33,3 28,5 24,4 34,1 29,3 1,34% 0,63% 0,92% 2,09% 1,82% 1,93%
MAY 24 32,7 28,4 23,4 32,4 27,9 24,2 31,9 28 2,37% 1,01% 1,57% 0,67% 2,48% 1,15%
JUN 22,8 30,8 26,8 22,3 31 26,7 23,5 32,2 27,9 2,28% 0,78% 0,50% 3,07% 4,68% 4,01%
JUL 21,5 31,2 26,3 20,9 32 26,5 20,9 31,6 26,3 2,79% 2,79% 0,51% 2,74% 1,54% 0,21%
AGO 20,2 31,4 25,8 19,8 31,3 25,6 20,4 32,1 26,2 2,08% 0,41% 1,06% 0,64% 2,07% 1,53%
SEPT 20,2 30,5 25,4 21,2 31,2 26,2 20,6 29,2 24,9 4,90% 2,20% 3,29% 2,13% 4,36% 1,76%
OCT 21,5 30,6 26 20,9 30,9 25,9 21,4 30,2 25,8 2,38% 0,88% 0,46% 0,42% 1,27% 0,92%
NOV 22,8 31,8 27,3 23 32,3 27,6 23 32 27,5 0,83% 1,48% 1,21% 1,05% 0,47% 0,73%
DICI 23,5 33,7 28,6 23,6 35,6 29,6 23,6 34,2 28,9 0,34% 5,82% 3,59% 0,30% 1,63% 1,10%
Mean error
1,43% 1,50%
estimation
En la tabla N. 2 Se muestran los resultados obtenidos, luego una comparación, con su respectivo mínimo, máximo y promedio.
135
Tabla N. 3
Comparativa Respecto al Artículo Científico.
Our Error -
Proposed
Proposed Proposed
Our Proposed Model by Error Error -
Real Temperature Model - Model by
Model - Prediction (Pérez- - time serie
(IMANHI) Prediction (Pérez-
LSTM Espinoza, LSTM embedding
Time serie Espinoza,
2019)
embedding 2019)
Min Max Avg Min Max Avg Avg Avg Avg Avg Avg
ENE 24,09 31,54 27,82 24,23 32,2 28,22 28,25 27,51 1,46% 1,56% 1,10%
FEB 24,26 32,23 28,25 24,11 33,51 28,81 28,85 27,14 2,00% 2,14% 3,91%
MAR 24,27 32,71 28,49 23,93 33,37 28,65 28,76 26,89 0,56% 0,95% 5,62%
ABRIL 23,91 33,52 28,72 23,59 33,31 28,45 29,27 27,53 0,92% 1,93% 4,13%
MAY 24,01 32,72 28,37 23,44 32,39 27,92 28,04 29,68 1,57% 1,15% 4,64%
JUN 22,81 30,76 26,79 22,29 31 26,65 27,86 28,52 0,50% 4,01% 6,48%
JUL 21,53 31,16 26,35 20,93 32,03 26,48 26,29 29,2 0,51% 0,21% 10,84%
AGOS 20,24 31,41 25,83 19,82 31,28 25,55 26,22 29,23 1,06% 1,53% 13,18%
SEPT 20,2 30,51 25,36 21,19 31,18 26,19 24,91 29,69 3,29% 1,76% 17,10%
OCT 21,45 30,59 26,02 20,94 30,86 25,9 25,78 29,07 0,46% 0,92% 11,72%
NOV 22,79 31,83 27,31 22,98 32,3 27,64 27,51 26,8 1,21% 0,73% 1,87%
DIC 23,48 33,65 28,57 23,56 35,61 29,59 28,88 28,15 3,59% 1,10% 1,45%
Mean error
1,43% 1,50% 6,84%
estimation
En la tabla N. 3 Se muestra la comparativa con respecto al artículo científico y al modelo de red neuronal propuesto por Pérez Espinoza, 2019.
El porcentaje de error para la predicción fue mejorado notablemente como se presenta en la tabla. (Fuente; Elaboración: autoría propia).
136
Para soporte de los resultados obtenidos por el modelo predictivo LSTM,
se desarrolló una variante, un modelo predictivo time serie embedding, en
el cual se utilizaron parámetros similares al modelo LSTM, donde se
obtuvieron resultados de predicción que pueden ser usados para comparar
los resultados de predicción obtenidos por el modelo de predicción LSTM.
GRÁFICO N. 6
COMPARACIÓN DE TEMPERATURA MÍNIMA.
COMPARACIÓN TEMPERATURA MÍNIMA

30
25
20
15
10
INAMHI LSTM Time Serie Embedding

137
GRÁFICO N. 7
COMPARACIÓN DE TEMPERATURA MÁXIMA.
COMPARACIÓN TEMPERATURA MÁXIMA

40
35
30
25
20
15
10
5
0
INAMHI LSTM Time Serie Embedding

Además, como se puede apreciar en la tabla N°.3, los resultados del error
estimado en la predicción obtenidos por el modelo predictivo desarrollado
en este proyecto, fue comparado con un modelo de Deep Learning
propuesto por (Pérez-Espinoza, 2019), donde los resultados obtenidos por
el modelo se compara el margen de error estimado obtenido por el modelo
LSTM que se desarrolló en su artículo “Comparison Between Two Deep
Learning Models for Temperature Prediction at Guayaquil”, con los
resultados del error obtenido en la predicción por nuestro modelo LSTM, y
el modelo time serie embedding.
138
Figura N. 50 Funcionamiento del proyecto.
Mediante esta ilustración se da una breve guía resumida de como funciona de manera general el
proyecto.(Fuente; Elaboración: autoría propia).
VALIDACIÓN DE RESULTADOS
Validación de Expertos
En esta parte se expondrá las diferentes opiniones de expertos en el área

de la Inteligencia Artificial y profesionales en Sistemas con el fin de
presentar un desarrollo que cumpla con las características de calidad del
proyecto.
Validación de expertos de un modelo predictivo basado en técnicas

de Machine Learning que permita determinar la temperatura usando
los datos de una mini estación meteorológica en la ciudad de
Guayaquil.
El personal responsable para la validación de experto, son docentes

pertenecientes a la Universidad de Guayaquil, Facultad de Ciencias
139
Matemáticas y Físicas, carrera de Ingeniería en Sistemas
Computacionales, con experiencia en el área de Inteligencia Artificial, este
análisis autoriza el cumplimiento de las fases del proceso del proyecto
desarrollado de titulación.
Los productos que se van a evaluar en este proyecto son los siguientes:
• Modelo predictivo basado en técnicas de Machine Learning.

• Componentes de la mini estación meteorológica.
• Preprocesamiento de los datos de la mini estación meteorológica.
• Sitio web basado en el lenguaje de programación PHP, que
permitirá visualizar los datos de la mini estación, realizar la
predicción de la temperatura y mostrar los datos de la predicción.
Plan de Evaluación de Expertos
A continuación, en el siguiente grafico se muestra el plan de evaluación de

los expertos:
140
CUADRO N. 19
PLAN DE EVALUACIÓN DE EXPERTOS.
Actividad Hoja Responsable
1.- Experto evalúa los Calidad de Expertos

componentes utilizados en aplicación
la mini estación.
2.- Experto evalúa si los Calidad de Expertos
dispositivos tecnológicos aplicación
son adecuados para la
recolección de datos.
3.- Experto evalúa el Calidad de Expertos
preprocesamiento de los proceso
datos.
4.- Experto evalúa si el Calidad de Expertos
modelo de Red Neuronal aplicación
Recurrente LSTM es el
adecuado.
5.- Experto evalúa las Calidad de Expertos
tecnologías utilizadas en el aplicación
desarrollo del proyecto.
Una vez realizado el juicio de expertos, en el área de Inteligencia Artificial

y profesionales en sistemas, docentes de la Universidad de Guayaquil,
Facultad de Ciencias Matemáticas y Físicas de la carrera de Ingeniería en
Sistemas Computacionales, se concluye que el proyecto cumple con los
criterios evaluados.
Entregables del proyecto
Una vez finalizado el proyecto de titulación: Diseño de modelo predictivo

basado en técnicas de Machine Learning que permita determinar la
temperatura usando los datos de una mini estación meteorológica en la
ciudad de Guayaquil. Se realiza la entrega de los siguientes documentos:
141
• Datos del INAMHI
Entrega de la base de datos del año 2019 con datos de temperatura,

humedad y presión atmosférica proporcionada por el Instituto
Nacional de Meteorología e Hidrología del Ecuador.
• Código fuente del modelo predictivo
Se entregará el código fuente del modelo predictivo a la carrera de

Ingeniería en Sistemas Computacionales de la Universidad de
Guayaquil.
• Dispositivo Electrónico
Se proporciona la mini estación meteorológica para que se pueda

hacer uso de ella según se requiera.
• Sitio Web
Se proporciona el sitio web con todos sus módulos y con su

respectivo código fuente a la carrera de Ingeniería en Sistemas
Computacionales de la Universidad de Guayaquil.
142
CAPITULO IV
CRITERIOS DE ACEPTACIÓN DEL PROYECTO
Se evaluaron en este proyecto algunos criterios, valiéndose del juicio de expertos

realizado a expertos en el área de Inteligencia Artificial y profesionales en
sistema de la Universidad de Guayaquil, de la facultad de Ciencias Matemáticas
y Físicas de la carrera de Ingeniería en Sistemas Computacionales, luego de
validar el dispositivo y modelo predictivo.
Juicio de Expertos
CUADRO N. 20
CRITERIOS DE ACEPTACIÓN DEL DISPOSITIVO.
Indicadores Cumple No Observación

Cumple
Acceso mediante X
Login a página web.
Dispositivos X
tecnológicos son
adecuados para la
recolección de
datos.
Almacenamiento en X
la nube de datos
recolectados.
Datos almacenados X
son confiables.
Monitoreo de datos X
en tiempo real de las
variables
meteorológicas.
Página web para X
mostrar predicción
de temperatura.
Elaborador por: Telmo Roque Colt, Kevin Egas Arizala

Fuente: Telmo Roque Colt, Kevin Egas Arizala
143
CUADRO N. 21 MODELO DE PREDICCIÓN UTILIZADO
Indicadores Si No Observación
Según su experiencia. X
¿El modelo de Red
Neuronal Recurrente
LSTM es el adecuado?
¿El algoritmo cumple X

con los objetivos
expresados en este
trabajo de titulación?

CUADRO N. 22 PREPROCESAMIENTO Y DATOS UTILIZADOS
Indicadores Si No Observación
¿El preprocesamiento de X
los datos (Mini estación
meteorológica) son los
adecuados?
X
¿La cantidad de datos
utilizados son suficientes
para la predicción?

144
CONCLUSIONES
En el desarrollo del proyecto, se utilizaron dos tipos de técnicas de Machine

Learning para la predicción: Una serie temporal Embedding y una red neuronal
recurrente (LSTM), donde se compararon los resultados obtenidos de cada red
neuronal y se observa que existe una relación en la reducción del margen de
error en el uso de la red neuronal recurrente (LSTM), en comparación con la
serie temporal Embedding. Para generar una mejor predicción, la LSTM requiere
más de una variable climática, en este caso se utilizó la temperatura, humedad
y presión atmosférica, a diferencia de la Embedding que utiliza como entrada
una sola variable climática, ayudándose de la fecha para encontrar una sucesión
o coincidencia de las variaciones de la temperatura.
Una vez finalizado el proyecto de titulación: “Diseño de un modelo predictivo

basado en técnicas de Machine Learning que permita determinar la temperatura
usando los datos de una mini estación meteorológica en la ciudad de Guayaquil”,
se ha concluido lo siguiente:
• Se realizo la investigación de las variables climáticas que tienen una

mayor incidencia en las variaciones de las temperaturas, para poder
seleccionar correctamente las variables que se utilizaron para el
entrenamiento del modelo y predicción de la temperatura.
• Se diseñó y desarrolló una solución, cuyo alcance contemple el desarrollo

de un dispositivo para recolectar los datos de temperatura, humedad y
presión atmosférica con bastante precisión, permitiendo la recolección de
los datos atmosféricos de manera exitosa, considerando el uso de
sensores y dispositivos con tecnología IoT.
• Se realizó el correcto almacenamiento de los datos de temperatura,

humedad y presión atmosférica a través de diferentes fuentes, tanto la
recolección a través de la mini estación meteorológica y a través de los
datos proporcionados por el Instituto Nacional de Meteorología e
Hidrología.
145
• Se procedió con la experimentación y parametrización de la red neuronal
LSTM para obtener mejores resultados, basados en entrenamientos y
pruebas, haciendo uso de los valores proporcionados por el INAMHI, se
pudo obtener un modelo de red neuronal para la predicción de la
temperatura mínima y máxima.
• El propósito de realizar las pruebas con la red neuronal LSTM es

encontrar la forma de que a través de ajustes de los parámetros, se pueda
reducir el porcentaje de error en la predicción de la temperatura frente
otros modelos predictivos, donde se comparó los resultados obtenidos por
la LSTM vs los datos de la temperatura proporcionada por el INAMHI, y
los resultados del modelo de predicción propuesto por (Peréz, 2019),
“Comparison Between Two Deep Learning Models for Temperature
Prediction at Guayaquil”, concluyendo que la predicción fue bastante
aceptable, donde se obtuvieron mejores resultados en la prediccion de la
temperatura que se predijo vs los resultados del modelo propuesto por
(Peréz, 2019).
• Se desarrollo un sitio web con el fin de mostrar los datos recabados por
la mini estación meteorológica en tiempo real, llevar un control de las
variaciones de la temperatura diaria y mostrar la predicción obtenida por
el modelo predictivo desarrollado en este proyecto.
146
RECOMENDACIONES
• Utilizar redes neuronales LSTM junto con redes Embedding, para

determinar si se pueden obtener mejores resultados.
• Ampliar el alcance de la funcionalidad del modelo predictivo, para obtener

la predicción de más de un día, se recomienda realizar ajustes a la red
neuronal LSTM para que no solo prediga la temperatura, sino que además
sea capaz de predecir humedad y presión Atmosférica, para que esa
predicción sirva como entrada para alimentar a la red neuronal y se pueda
predecir más de un día.
• Ampliar el alcance de la funcionalidad del dispositivo, incrementando otros

sensores para medir velocidad de vientos, rayos ultravioletas, etc.
• Añadir el modulo de entrenar el modelo desde el sitio web, para que sea
capaz de realizar el entrenamiento del modelo predictivo.
• Alojar el proyecto en un servidor web, instalar Python en la versión 3.6.5

o superior, las librerias tensorflow 2.0, keras y numpy en la versión mas
actual, para que el sitio web sea capaz de realizar la predicción desde el
servidor.
• Utilizar años de datos historicos de las variables de la temperatura,

humedad, presión atmosférica, para que la red neuronal recurrente LSTM
obtenga una mayor precisión.
147
BIBLIOGRAFÍA
Alemán, s. m. (n.d.). Wetter und klima - deutscher wetterdienst - numerische

vorhersagemodelle - globalmodell icon. recuperado de
https://www.dwd.de/de/forschung/wettervorhersage/num_modellierung/01_
num_vorhersagemodelle/icon_beschreibung.html?nn=19912)
Ballesteros. (n.d.-a). Las redes neuronales multicapa. recuperado de
http://www.redes-neuronales.com.es/tutorial-redes-neuronales/las-redes-
neuronales-multicapa.htm
Ballesteros. (n.d.-b). Universidad de Málaga. recuperado de http://www.redes-
neuronales.com.es/tutorial-redes-neuronales/las-redes-neuronales-
monocapa.htm
Barros, j., & Troncoso, a. (2010). Atlas climatológico del Ecuador. recuperado de
http://bibdigital.epn.edu.ec/handle/15000/1720
Bhatkande, s. s., & hubballi, r. g. (2016). Weather prediction based on decision
tree algorithm using data mining techniques. international journal of
advanced research in computer and communication engineering,
recuperado de https://doi.org/10.17148/ijarcce.2016.55114
Bruno, l. (2019). The state of the global climate in 2018. journal of chemical
information and modeling, 53(9), 1–12. recuperado de
https://doi.org/10.1017/cbo9781107415324.004
Calvo, d. (2017a). Clasificación de redes neuronales artificiales. recuperado de
http://www.diegocalvo.es/clasificacion-de-redes-neuronales-artificiales/
Calvo, d. (2017b). Red neuronal convolucional cnn. recuperado de red
http://www.diegocalvo.es/red-neuronal-convolucional/
Cortés, c. (2017). Herramientas modernas en redes neuronales: la librería keras.
recuperado de https://doi.org/1617 032 co
Cosmo.org. (n.d.). Cosmo public area. recuperado de http://cosmo-model.org/
delgado, d. o. (2017). ¿qué es tensorflow? | openwebinars. recuperado de
https://openwebinars.net/blog/que-es-tensorflow/
El Universo. (2019). Récord anual de temperatura máxima en guayaquil.
recuperado de
https://www.eluniverso.com/guayaquil/2019/12/28/nota/7669347/nuevo-
record-anual-temperatura-maxima-guayaquil-348degc-este
148
Barraza., Choto, Cortez (2017). Aplicación del modelo mesoescalar wrf en la
modelación hidrológica de la cuenca del río sucio.
Flores, Benoit, Masson, (2019). Enhanced modelling of the stratified atmospheric
boundary layer over steep terrain for wind resource assessment enhanced
modelling of the stratified atmospheric boundary layer over steep terrain for
wind resource assessment. recuperado de https://doi.org/10.1088/1742-
6596/1222/1/012005
Foundation, n. c. for a. r. & n. s. (2018). wrf-chem | Atmospheric chemistry
observations & modeling (acom). recuperado de
https://www2.acom.ucar.edu/wrf-chem
Frank lantsheer. (2016). Hirlam. recuperado de
http://hirlam.org/index.php/hirlam-programme-53
Gnoza, n., & Barberena, m. (2018). Estudio de factibilidad del uso de machine
learning con múltiples fuentes de datos en el pronóstico del tiempo.
Gómez, j. c., & Montaluisa, j. p. (2006). Diseño e implementación de una estación
meteorológica automática.
González, Calero, s. l. (2019). Comparación de las metodologías cascada y ágil
para el aumento de la productividad en el desarrollo de software.
Ojea. (2018). imágenes y datos. recuperado de https://es.greenpeace.org/es/wp-
content/uploads/sites/3/2018/11/gp-cambio-climatico-lr.pdf
Grover, a., Kapoor, a., & Horvitz, e. (2015). a deep hybrid model for weather
forecasting. proceedings of the acm sigkdd international conference on
knowledge discovery and data mining, recuperado de
https://doi.org/10.1145/2783258.2783275
Weatherspark (2020). Clima promedio en guayaquil. recuperado de
https://es.weatherspark.com/y/19346/clima-promedio-en-guayaquil-
ecuador-durante-todo-el-año
Hale, j. (2018). Deep learning framework power scores 2018 - hacia la ciencia de
datos. retrieved february 5, 2020, recuperado de
https://towardsdatascience.com/deep-learning-framework-power-scores-
2018-23607ddf297a
Ipcc. (2019). Informe especial del ipcc sobre los impactos del calentamiento
global de 1,5 oc con respecto a los niveles preindustriales y las trayectorias
correspondientes que deberían seguir las emisiones mundiales de gases de
149
efecto invernadero, en el contexto del r. recuperado de www.ipcc.ch
Kukkonen, j., Olsson, t., Schultz, d. m., Baklanov, a., Klein, t., Miranda, a. i., …
Eben, k. (2012). A eview of operational, regional-scale, chemical weather
forecasting models in europe. atmospheric chemistry and physics.
recuperado de https://doi.org/10.5194/acp-12-1-2012
La observación del tiempo. (2020). El tiempo. recuperado de
https://www.canaltiempo21.com/capitulo-9-la-prediccion-del-tiempo/
Murillo, Rivera. (2018). Cambio climático y desarrollo sostenible en iberoamérica.
recuperado de www.observatoriolarabida.com
Lema, l. (2018). Análisis geoespacial para la determinación de vapor de agua
troposférico con datos de gps en ecuador. recuperado de
http://dspace.ups.edu.ec/bitstream/123456789/5081/1/ups-cyt00109.pdf
Instituto Nacional de Meteorología e Hidrología. (2019). Boletín climatológico
mensual.
Mercado, Caballero, l. p., & Martínez, e. (2015). Comparison of neural network
applied to prediction of time series. 13(2), recuperado de
https://doi.org/10.15665/rp.v13i2.491
Mm5 community model homepage. (2015). Welcome to the pennsylvania state
university / national center for atmospheric recuperado de
https://www2.mmm.ucar.edu/mm5/mm5-home.html
Model, u. (n.d.). Unified model - met office. recuperado de
https://www.metoffice.gov.uk/research/approach/modelling-
systems/unified-model/index
Model, w. r. a. f. (n.d.). Weather research and forecasting model. recuperado de
https://www.mmm.ucar.edu/weather-research-and-forecasting-model
Eltiempoenjumilla.es. (n.d.). Modelos de predicción recuperado de
http://www.eltiempoenjumilla.es/prediccion/modelos-de-prediccion.html
Montero, b. m., Cevallos, h. v., & Cuesta. (2018). Metodologías ágiles frente a
las tradicionales en el proceso de desarrollo de software. espirales revista
multidisciplinaria de investigación recuperado de
https://doi.org/https://doi.org/10.1007/bf03194495
Montoro, a. f. (2012). Python 3 al descubierto.
Narejo, s., & pasero, e. (2017). Meteonowcasting using deep learning
architecture. international journal of advanced computer science and
150
applications, 8(8). recuperado de
https://doi.org/10.14569/ijacsa.2017.080803
Nullis, c. o. m. m. (2019). El año 2019 cierra una década de valores
excepcionales de calor y fenómenos meteorológicos de efectos
devastadores a escala mundial. retrieved december 26, 2019, recuperado
de https://public.wmo.int/es/media/comunicados-de-prensa/el-año-2019-
cierra-una-década-de-valores-excepcionales-de-calor-y
Office, n. (n.d.). Numerical weather prediction models - met office. recuperado de
https://www.metoffice.gov.uk/research/approach/modelling-
systems/unified-model/weather-forecasting
Ordoñez, b. (2017). Sistema generico de clasificacion extendida con aprendizaje
hebbiano (gxcs-h) para apoyo a la generacion de comportamientos
autonomos. universidad autoonoma del estado de mexico.
Page, w. d. a. s. u. (2019). recuperado de
https://www2.mmm.ucar.edu/wrf/users/wrfda/index.html
Pedregosa, f., Weiss, r., & Brucher, m. (2011). Scikit-learn : machine learning in
python. scikit-learn: machine learning in python fabian, 12, 2825–2830.
Pérez, c. m. (2019). Comparison between two deep learning models for
temperature prediction at.
Ponce, b. (2017). Caracterización de arrecifes rocosos de la costa del pacífico
de ecuador usando la metodología reef check.
Portilla, f. (2018). Agroclimatología del Ecuador.
Puerto, j. (2020). On p -support vector machines and multidimensional kernels.
Raschka, S., & Mirjalili, V. (2017). Python Machine Learning. Second edition
Radhika, y., & Shashi, m. (2009). Atmospheric temperature prediction using
support vector machines. international journal of computer theory and
engineering, 55–58. recuperado de https://doi.org/10.7763/ijcte.2009.v1.9
Reed, k., & Chavas, d. (2015). Journal of advances in modeling earth systems.
1938–1955. recuperado de https://doi.org/10.1002/2015ms000519.received
Research application laboratory (ral). (n.d.). Advancing weather analysis and
forecasting technologies | laboratorio de aplicaciones de investigación ncar
| ral. recuperado de https://ral.ucar.edu/projects/advancing-weather-
analysis-and-forecasting-technologies
Research, n. c. for a. & n. s. f. a. r. (n.d.). Overview | ncar research applications
151
laboratory ral. recuperado de
https://ral.ucar.edu/projects/wrf_hydro/overview
Rodriguez, capa, Lozano. (2004). Meteorología y climatología semana de la
ciencia y la tecnología. recuperado de www.fecyt.es
Rozas, p., Inza, i., & Lozano, j. a. (2018). A system for airport weather forecasting
based on circular regression trees. recuperado de
https://doi.org/10.1016/j.envsoft.2017.11.004
Serna, e. (2017). Desarrollo e innovación en ingeniería.
recuperado de http://arps.caps.ou.edu/arpsoverview.html
Aws Truepower (2012). Description of the mesomap system.
Calderon, Naranjo, De los reyes, Hidalgo (2014). formulario para la presentación
de proyectos de investigación científica y desarrollo tecnológico.
Um – ncas (2019). Computational modelling services. recuperado de
http://cms.ncas.ac.uk/wiki/um#umversions
Useros, l. j. (2012). El cambio climático: sus causas y efectos medioambientales.
Valderá, n. (2018). La persistencia como referencia en la estimación de la
habilidad de las predicciones del tiempo a corto plazo.
Sierra, Espinoza (2018). Análisis comparativo entre asp. net y php comparative
analysis between asp.net and php. análisis comparativo entre asp. net y php
comparative analysis between asp.net and php.
Garcia, Moya (n.d.). Los modelos numéricos de predicción del tiempo.
recuperado de
https://www.tethys.cat/antics/num02/articles/art0205esp.htm
zou, x. (2015). Using the coampstm adjoint modeling system to forecast.
152
ANEXOS
153
ANEXOS
ANEXO 1. GEOLOCALIZACIÓN DE LA MINI ESTACIÓN

154
ANEXO 2. SOLICITUD PARA LA PETICIÓN DE LOS DATOS
METEOROLÓGICOS DEL INAMHI
155
ANEXO 3. ARTÍCULO CIENTIFICO (Using Multivariate Time Series Data via
Long-Short Term Memory Network for Temperature Forecasting)
156
157
158
159
160
161
162
163
164
165
ANEXO 4. JUICIO DE EXPERTOS
166
167
168
169
170
171

Universidad de Guayaquil: Proyecto de Titulación

Cargado por

Copyright:

Formatos disponibles

Universidad de Guayaquil: Proyecto de Titulación

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Universidad de Guayaquil: Proyecto de Titulación

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS

DISEÑO DE UN MODELO PREDICTIVO BASADO EN

INGENIERO EN SISTEMAS COMPUTACIONALES

En mi calidad de Tutor del trabajo de investigación, “DISEÑO DE UN MODELO

Ing. Jorge Charco A., M.sc.

Esta ambición está dedicada a mis

EGAS ARIZALA KEVIN OSWALDO

Dedico este logro a mis padres y

ROQUE COLT TELMO FERNANDO

A mis padres porque son ese gran pilar en

EGAS ARIZALA KEVIN OSWALDO

A mis padres y abuelos por el apoyo

ROQUE COLT TELMO FERNANDO

Ab. Juan Chávez Atocha, Esp.

“La responsabilidad del contenido de este

EGAS ARIZALA KEVIN OSWALDO

ROQUE COLT TELMO FERNANDO

CARRERA DE INGENIERÍA EN SISTEMAS

DISEÑO DE UN MODELO PREDICTIVO BASADO EN

INGENIERO EN SISTEMAS COMPUTACIONALES.

Autor: Egas Arizala Kevin Oswaldo

Autor: Roque Colt Telmo Fernando

Tutor: Ing. Jorge Charco A., M.sc.

Guayaquil, abril de 2020

En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo

Que he analizado el Proyecto de Titulación presentado por los estudiantes EGAS

DISEÑO DE UN MODELO PREDICTIVO BASADO EN TÉCNICAS DE

Considero aprobado el trabajo en su totalidad.

Egas Arizala Kevin Oswaldo 0930997309

Tutor: Ing. Jorge Charco A., M.sc.

Guayaquil, abril de 2020

Autorización para Publicación de Proyecto de Titulación en Formato Digital

Nombre Alumno: EGAS ARIZALA KEVIN OSWALDO

Nombre Alumno: ROQUE COLT TELMO FERNANDO

Facultad: Ciencias Matemáticas y Físicas.

DISEÑO DE UN MODELO PREDICTIVO BASADO EN TÉCNICAS DE MACHINE

Tema del Proyecto de Titulación: (Palabras claves 5 a 8) Predicción de la Temperatura.

2. Autorización de Publicación de Versión Electrónica del Proyecto de Titulación

C.I. 0930007309 C.I. 1207127612

CUADRO N. 1 MATRIZ DE CAUSAS Y CONSECUENCIAS DEL

Figura N. 1 Etapas de la modelo cascada. ............................................................. 11

Tabla N. 1 Distribuciones de Estaciones Meteorológicas. .................................. 28

GRÁFICO N. 1 COMPARATIVA PYTHON VS LISP VS PROLOG VS OPS5

DISEÑO DE UN MODELO PREDICTIVO BASADO EN TÉCNICAS DE

Autores: Roque Colt Telmo Fernando

Tutor: Ing. Jorge Charco A., M.sc.

En la actualidad conocer la temperatura a futuro se ha vuelto importante para realizar las

Palabras Claves: Predicción, modelo, Machine Learning, Temperatura.

DESIGN OF A PREDICTIVE MODEL BASED ON MACHINE

Autores: Roque Colt Telmo Fernando

Tutor: Ing. Jorge Charco A. M.sc

Keywords: Prediction, model, Machine Learning, Temperature.

En la actualidad el cambio climático ha sido uno de los principales

El cambio en las variables del clima ha llevado al desarrollo de modelos

En Ecuador, las variaciones de las temperaturas han afectado actividades

Se han aplicados diferentes técnicas para la predicción de la temperatura,

Los avances tecnológicos y las técnicas de aprendizajes profundos han

En el trabajo actual, la arquitectura LSTM se usa para la predicción de la