Análisis multivariable VAR y RNAs en el pronóstico de la variable precipi- tación pluvial. Ayabaca – Piura, enero 1990 a junio 2024

Abstract

Esta investigación tuvo como objetivo general desarrollar, evaluar y comparar modelos multi- variantes VAR y de Redes Neuronales Artificiales (RNA) para el pronóstico de la precipitación

pluvial en la provincia de Ayabaca – Piura, durante el periodo comprendido entre enero de 1990

y junio de 2024. La población estuvo conformada por el histórico de datos climatológicos men- suales obtenidos del portal NASA POWER, mediante el satélite MERRA-2, y la muestra fue

por conveniencia, entre enero del 1990 y junio del 2024. La investigación se enmarcó en un enfoque cuantitativo, de tipo descriptivo, retrospectivo, predictivo y comparativo, de diseño no

experimental. Para el análisis se emplearon técnicas estadísticas de series de tiempo multiva- riadas y aprendizaje automático, utilizando los VAR para capturar las relaciones dinámicas li- neales entre las variables climatológicas y un modelo de red neuronal artificial tipo perceptrón

multicapa para modelar relaciones no lineales. Los datos se dividieron en entrenamiento (80 %)

y evaluación (20 %), y el desempeño predictivo de ambos modelos se evaluó mediante las mé- tricas de error MSE, RMSE y MAE. Los principales resultados evidenciaron que el modelo

VAR alcanzó valores de MSE = 614.54, RMSE = 24.79 mm y MAE = 16.34 mm, mientras que el modelo de RNA presentó errores significativamente menores, con MSE = 291.98, RMSE = 17.09 mm y MAE = 13.38 mm, lo que indicó un mejor ajuste y mayor precisión predictiva de la red neuronal en el pronóstico de la precipitación acumulada en la zona de estudio.

This study aimed to develop, evaluate and compare multivariate Vector Autoregressive (VAR)

models and Artificial Neural Networks (ANNs) for forecasting rainfall in the province of Aya- baca, Piura, during the period from January 1990 to June 2024. The population consisted of the

historical monthly climatological data obtained from the NASA POWER portal, generated from

the MERRA-2 satellite system, and the sample corresponded to the entire set of records availa- ble for the study period. The research followed a quantitative approach, with a descriptive scope

and a non-experimental, retrospective and longitudinal design. For the analysis, multivariate time series statistical techniques and machine learning methods were employed. VAR models were used to capture the linear dynamic relationships among the

climatological variables, while a multilayer perceptron artificial neural network was implemen- ted to model potential non-linear patterns. The dataset was divided into training (80%) and

testing (20%) subsets, and the predictive performance of both models was assessed using the error metrics MSE, RMSE and MAE. The main results showed that the VAR model achieved values of MSE = 614.54, RMSE = 24.79 mm and MAE = 16.34 mm, whereas the ANN model produced considerably lower errors, with MSE = 291.98, RMSE = 17.09 mm and MAE = 13.38 mm. These findings indicated a better fit and greater predictive accuracy of the neural network model in forecasting accumulated rainfall in the study area.