Evaluación de modelos de aprendizaje profundo para la predicción de temperaturas máximas usando información espacio-temporal.

Abstract

En este proyecto evaluamos y comparamos dos modelos de aprendizaje profundo basados en paradigmas distintos, para descubrir su capacidad de inferir valores a base de la combinación de información espacio-temporal. Para ello, planteamos el objetivo de predecir temperaturas máximas a corto plazo en una amplia región del sur de América del Sur, usando información del pasado en conjunto con información geográfica. En la actualidad, para llevar adelante esta tarea se utilizan modelos físicos de predicción numérica, de alta complejidad, especificidad y costo en cómputo. Por otra parte, el área de aprendizaje automático ha logrado recientemente grandes avances en la predicción meteorológica. Este proyecto se enmarca en el trabajo de un grupo interdisciplinario e internacional llamado ClimateDL, cuyo objetivo es evaluar distintos métodos para la predicción de temperaturas extremas a nivel estacional (mediano plazo con horizontes de varios meses) en el territorio sur de Sudamérica. Para predecir temperaturas máximas en un horizonte de hasta 10 días, evaluamos dos modelos: XGBoost y Graph WaveNet. Como resultado de este trabajo, concluimos principalmente que Graph WaveNet resulta ser mejor que XGBoost para las predicciones a corto plazo. Y más importante aún, es que lo logra con mucho menos esfuerzo de acondicionamiento de datos. Por su parte, XGBoost, parece capturar mejor el comportamiento estacionario de la temperatura máxima, y, por lo tanto, su desempeño mejora comparativamente al aumentar el horizonte de observación. Además de los hallazgos mencionados, este proyecto ha contribuido al grupo ClimateDL mediante la presentación de resultados en una reunión presencial y la colaboración en la redacción de un artículo académico.