La variabilidad de los parámetros meteorológicos en el pronóstico del clima mediante el modelo ARIMA de inteligencia artificial en la estación solar, Ica, 2025

Abstract

El objetivo de la investigación fue: “Analizar la variabilidad de los parámetros meteorológicos que influyen en el pronóstico climático utilizando el modelo ARIMA basado en inteligencia artificial, en la estación solar de Ica, 2025”. Estrategia metodológica: Se adoptó un enfoque cuantitativo, observacional, no experimental y longitudinal. La unidad de análisis correspondió a los registros meteorológicos obtenidos por sensores instalados en la estación solar, con una frecuencia de medición de cada 10 segundos. Para el estudio se consideraron 5,503,074 registros depurados y transformados a datos horarios, centrando el análisis en siete variables: presión atmosférica, temperatura máxima, temperatura mínima, humedad relativa, radiación solar, velocidad del viento y dirección del viento. Se aplicaron técnicas de limpieza, normalización, análisis estadístico y modelamiento con algoritmos predictivos, priorizando el modelo ARIMA y complementando con pruebas comparativas mediante Random Forest, Árboles de Decisión, SVM y Redes Neuronales. Resultados: El procesamiento de los datos evidenció una estructura consistente y sin pérdidas (no missing data), permitiendo aplicar modelos de predicción con alta precisión. El análisis comparativo de algoritmos determinó que Random Forest obtuvo un coeficiente de determinación R² = 1.00, destacándose como el mejor predictor para la temperatura máxima (Tmax). El modelo ARIMA, alimentado con datos depurados y seleccionados, logró también proyecciones confiables en función de la variabilidad de los parámetros atmosféricos. Las correlaciones más significativas se observaron entre humedad relativa, radiación y temperatura, mientras que la presión atmosférica mostró menor influencia directa. Discusión de resultados: La integración de registros meteorológicos locales al modelamiento predictivo evidenció que la variabilidad de las condiciones atmosféricas afecta de forma significativa la precisión del modelo ARIMA, en especial cuando las series de tiempo conservan su estructura estacional y tendencias bien definidas. La validación estadística de la hipótesis alterna en cada uno de los objetivos permitió confirmar que tanto la variabilidad como las condiciones climáticas locales son determinantes en el rendimiento del modelo. El uso complementario de inteligencia artificial, particularmente Random Forest, no solo reforzó la capacidad de predicción, sino que también permitió verificar la robustez de los datos procesados. Conclusión: La investigación demostró que la predicción climática mediante el modelo ARIMA mejora notablemente cuando se incorpora información meteorológica local de alta calidad, debidamente tratada y modelada. La estación solar de Ica ofrece una base de datos valiosa que, al ser gestionada con herramientas estadísticas y de inteligencia artificial, permite anticipar comportamientos atmosféricos con alta precisión. The objective of this research was to analyze the variability of meteorological parameters that influence climate forecasting using an artificial intelligence-based ARIMA model at the Ica solar station in 2025. Methodological strategy: A quantitative, observational, non-experimental, and longitudinal approach was adopted. The unit of analysis consisted of meteorological records obtained by sensors installed at the solar station, with a measurement frequency of every 10 seconds. The study considered 5,503,074 records, cleaned and transformed into hourly data, focusing the analysis on seven variables: atmospheric pressure, maximum temperature, minimum temperature, relative humidity, solar radiation, wind speed, and wind direction. Cleaning, normalization, statistical analysis, and modeling techniques with predictive algorithms were applied, prioritizing the ARIMA model and complementing it with comparative tests using Random Forest, Decision Trees, SVM, and Neural Networks. Results: Data processing revealed a consistent structure with no missing data, allowing for the application of highly accurate prediction models. Comparative algorithm analysis determined that Random Forest achieved a coefficient of determination (R²) of 1.00, standing out as the best predictor for maximum temperature (Tmax). The ARIMA model, fed with refined and selected data, also achieved reliable projections based on the variability of atmospheric parameters. The most significant correlations were found between relative humidity, radiation, and temperature, while atmospheric pressure showed less direct influence. Discussion: Integrating local meteorological records into the predictive modeling demonstrated that the variability of atmospheric conditions significantly affects the accuracy of the ARIMA model, especially when the time series maintain their seasonal structure and well-defined trends. Statistical validation of the alternative hypothesis for each objective confirmed that both variability and local climatic conditions are key determinants of the model's performance. The complementary use of artificial intelligence, particularly Random Forest, not only strengthened the predictive capacity but also allowed for verification of the robustness of the processed data. Conclusion: The research demonstrated that climate prediction using the ARIMA model improves significantly when high-quality, properly processed, and modeled local meteorological information is incorporated. The Ica solar station offers a valuable database that, when managed with statistical and artificial intelligence tools, allows for highly accurate prediction of atmospheric behavior. The significant influence of meteorological parameters on the model's performance confirms the need to strengthen the systematic collection, processing, and analysis of this type of data in regional contexts.