Resumen de La inteligencia artificial en la predicción de la temperatura ambiental y del suelo en Ecuador

Ángel Ramón Sabando García, Mikel Ugando Peñate, Reinaldo Armas Herrera, Ángel Alexander Higuerey Gómez, Néstor Leopoldo Tarazona Meza, Pierina D'Elia, Elvia Rosalía Inga Llanez

• español

  Introducción: El estudio tuvo como objetivo principal analizar la probabilidad y predicción para la temperatura ambiental y el suelo en la zona costera de Manabí en Ecuador. Metodología:  La metodología hace uso de series de tiempo Box Jenkins ARIMA y de comparación de medias. Los datos se midieron a las 07:00 am, 12:00 pm y 18:00pm, iniciando en enero de 2015 hasta diciembre del 2020. Los datos se analizaron y procesaron con la ayuda de la inteligencia artificial incorporada al software RStudio. Resultados: Los resultados, evidencian que la temperatura del suelo está correlacionada con la temperatura ambiental. Discusión: Las pruebas de bondades de ajuste para los coeficientes y supuestos validaron el modelo ARIMA observado y esperado. Además, los criterios AIC y BIC se utilizaron para escoger el mejor modelo predictivo. Conclusiones: En conclusión, la inteligencia artificial identificó que la predicción de las temperaturas ambiental y del suelo son simuladas adecuadamente a través de un modelo ARIMA(0,1,1)(0,1,1)[12], con componentes de tendencia y estacionalidad; afirmando un modelo de series de tiempo no estacionario. Se llega a determinar que, la temperatura tiene una pequeña variabilidad por cada periodo de tiempo, pero en aumento, y en lo posterior probablemente este factor climático se convierta en un determinante del calentamiento global.

   

• English

  Introduction: The main objective of the study was to analyze the probability and prediction for environmental and soil temperature in the coastal area of Manabí in Ecuador. Methodology: The methodology makes use of Box Jenkins ARIMA time series and comparison of means. The data was measured at 07:00 am, 12:00 pm and 18:00 pm, starting in January 2015 until December 2020. The data was analyzed and processed with the help of artificial intelligence incorporated into the RStudio software. Results: The results show that soil temperature is correlated with environmental temperature. Discussions: Goodness-of-fit tests for the coefficients and assumptions validated the observed and expected ARIMA model. Furthermore, the AIC and BIC criteria were used to choose the best predictive model. Conclusions: In conclusion, artificial intelligence identified that the prediction of ambient and soil temperatures are adequately simulated through an ARIMA(0,1,1)(0,1,1)[12] model, with trend and seasonality components, By affirming a non-stationary time series model, it is determined that temperature has a small variability for each period of time, but increasing, and in the future this climatic factor will probably become a determinant of global warming.