Análisis Climatológico Mediante Redes Neuronales Artificiales, Asistido con Matlab, del Distrito de Lambayeque, 2023

Abstract

El estudio tuvo como objetivo analizar datos climatológicos con redes neuronales ar- tificiales, usando MATLAB, para comparar y proyectar la temperatura máxima mensual

del distrito de Lambayeque en 2023. Se trabajó con una serie mensual 1980-2019 y con

cuatro variables de entrada (humedad relativa, velocidad del viento, heliofanía y tempera- tura mínima) y una variable de salida (temperatura máxima). Los pocos datos faltantes

se completaron mediante interpolación por mínimos cuadrados y se etiquetaron los meses vinculados al Fenómeno El Niño para evaluar el comportamiento en condiciones extremas.

Se diseñó y entrenó un perceptrón multicapa (MLP) con dos capas ocultas [16, 8] y el al- goritmo trainscg. Se utilizó una partición de 85 % para entrenamiento y 15 % para prueba,

normalización coherente con mapminmax y parada temprana con 20 % para validación. El modelo alcanzó un MSE de validación cercano a 0.034 y coeficientes de correlación altos y consistentes, lo que indicó buena capacidad de generalización. Con el modelo final se desarrolló un ejecutable sencillo que permitió ingresar las cuatro variables de entrada y obtener la temperatura máxima estimada en ◦C. Los resultados mostraron que el sistema reprodujo la estacionalidad local y entregó predicciones con errores absolutos típicos entre 0.1 y 0,9 ◦C (algunos meses cercanos a 1◦C ). Además, se generaron proyecciones 2023-2026

con una línea base de regresión simple y se verificó que, aun si falla el sensor de tempera- tura máxima, el ejecutable estimó valores confiables usando solo las variables de entrada.

Se concluyó que la MLP [16,8] fue adecuada por su equilibrio entre precisión y estabilidad. Además, la herramienta brindó soporte práctico para la vigilancia climática y permitió estimar que, durante febrero y marzo de 2026, podría presentarse el fenómeno de El Niño en el distrito de Lambayeque.

The study aimed to analyze climate data with artificial neural networks, using MATLAB, to compare and project the monthly maximum temperature for the district of Lambayeque in 2023. It worked with a monthly series from 1980-2019, using four input variables (relative

humidity, wind speed, sunshine duration, and minimum temperature) and one output va- riable (maximum temperature). The few missing values were completed with least-squares

interpolation, and months linked to the El Niño Phenomenon were labeled to evaluate performance under extreme conditions. A multilayer perceptron (MLP) with two hidden layers [16, 8] and the trainscg algorithm was designed and trained. The workflow used an 85 %/15 % split for training and testing, consistent normalization with mapminmax, and early stopping with a 20 % validation set. The model achieved a validation MSE near 0.034 and high, consistent correlation coefficients, indicating good generalization. Based on the final model, a simple executable was developed to input the four variables and obtain the

estimated maximum temperature in ◦C. The results showed that the system reproduced lo- cal seasonality and delivered predictions with typical absolute errors between 0.1 and 0,9

◦C (with some months close to 1◦C ). In addition, projections for 20232026 were generated

using a simple linear regression baseline, and it was verified that-even if the maximum- temperature sensor fails-the executable can estimate reliable values using only the input

variables. Se concluded that the MLP ([16,8]) was suitable due to its balance between accu- racy and stability. In addition, the tool provided practical support for climate monitoring

and made it possible to estimate that the El Niño phenomenon could occur in the district of Lambayeque during February and March 2026.