Modelo híbrido Bayesiano–Machine Learning para la predicción espaciotemporal de índices SPI y SPEI en sequías de Chimborazo a escalas de 1, 3, 6 y 12 meses
DOI:
https://doi.org/10.70577/asce.v5i2.826Palabras clave:
Sequía, SPI, SPEI, Modelos híbridos, Inferencia bayesiana, Redes neuronales LSTMResumen
La sequía constituye un fenómeno climático complejo que afecta significativamente la disponibilidad de recursos hídricos, la producción agrícola y la estabilidad de los ecosistemas, especialmente en regiones con alta variabilidad climática como la provincia de Chimborazo, Ecuador. El presente estudio tiene como objetivo desarrollar e implementar un modelo híbrido basado en redes neuronales recurrentes tipo Long Short-Term Memory (LSTM) e inferencia bayesiana, con el fin de mejorar el análisis y pronóstico espaciotemporal de los índices de sequía SPI y SPEI en horizontes de 1, 3, 6 y 12 meses.
La metodología se fundamenta en el análisis de series temporales climáticas multivariadas, incluyendo precipitación, temperatura, evapotranspiración, humedad relativa y radiación solar. A partir de estos datos, se calcularon los índices SPI y SPEI, así como el balance hídrico, permitiendo caracterizar el comportamiento climático de la región. El modelo LSTM fue utilizado para capturar patrones no lineales y dependencias temporales, mientras que la inferencia bayesiana permitió incorporar incertidumbre en las predicciones mediante la estimación de distribuciones probabilísticas.
Los resultados evidencian una alta variabilidad climática y un comportamiento no estacionario del sistema. El índice SPEI mostró mayor sensibilidad en la detección de sequías, identificando aproximadamente un 40% de eventos secos frente al 30% detectado por el SPI, lo que resalta la importancia de considerar la evapotranspiración en el análisis del estrés hídrico. El modelo híbrido logró reducir la incertidumbre en un 20%–30% y alcanzó un desempeño predictivo elevado en horizontes de corto plazo, con coeficientes de determinación entre 0.82 y 0.91.
Se concluye que la integración de aprendizaje profundo e inferencia bayesiana mejora significativamente la precisión y confiabilidad de los pronósticos de sequía, constituyéndose en una herramienta útil para la gestión del riesgo climático y la planificación de recursos hídricos en regiones vulnerables.
Descargas
Citas
[1]D. P. R. Arana-Ruedas and N. Moggiano, “Agriculture and water resources: UNFCCC influence on Peruvian adaptation regulations to increase resilience against climate change,” Scientia Agropecuaria, vol. 13, no. 3, pp. 221–230, Jul. 2022, doi: 10.17268/SCI.AGROPECU.2022.020.
[2]I. Velasco, L. Ochoa, and C. Gutiérrez, “Sequía, un problema de perspectiva y gestión,” región y sociedad, vol. 17, no. 34, Sep. 2005, doi: 10.22198/RYS.2005.34.A615.
[3]M. Ashraf, K. Ullah, and S. Adnan, “Satellite based impact assessment of temperature and rainfall variability on drought indices in Southern Pakistan,” International Journal of Applied Earth Observation and Geoinformation, vol. 108, Apr. 2022, doi: 10.1016/J.JAG.2022.102726.
[4]F. Abdulla, “21st Century Climate Change Projections of Precipitation and Temperature in Jordan,” Procedia Manuf., vol. 44, pp. 197–204, 2020, doi: 10.1016/J.PROMFG.2020.02.222.
[5]D. P. R. Arana Ruedas et al., “Evaluación Espacio-Temporal de Sequías Usando el Índice Estandarizado de Precipitación y Evapotranspiración (SPEI) en el Valle del Mantaro, Perú,” Revista de Investigaciones Altoandinas, vol. 25, no. 3, pp. 159–170, Aug. 2023, doi: 10.18271/RIA.2023.525.
[6]UNICEF, “DIAGNÓSTICO DE LA SITUACIÓN Niñas, niños y adolescentes de Ecuador frente al cambio climático,” 2023, Accessed: Mar. 19, 2026. [Online]. Available: www.unicef.org/ecuador
[7]A. de J. Montilla Pacheco, C. I. Mora Pisco, M. E. Durán Vasco, and F. R. Pastrán Calles, “CONTRIBUCIÓN AL ESTUDIO DE LA GEOGRAFÍA CLIMÁTICA DEL ECUADOR CONTINENTAL,” CIENCIA UNEMI, vol. 17, no. 44, pp. 237–248, Jan. 2024, doi: 10.29076/issn.2528-7737vol17iss44.2024pp237-248p.
[8]D. P. Bustamante, “ESCENARIO DE CAMBIO CLIMÁTICO A NIVEL DE SUBCUENCAS HIDROGRÁFICAS PARA EL AÑO 2050 DE LA PROVINCIA DE CHIMBORAZO- ECUADOR,” La Granja, vol. 26, no. 2, p. 15, Sep. 2017, doi: 10.17163/lgr.n26.2017.02.
[9]V. Pandey and S. K. Shrivastava, “Comparative analysis of drought indices to characterize drought in agro-climatic zones of Assam, northeast region of India,” Natural Hazards Research, Aug. 2025, doi: 10.1016/J.NHRES.2025.08.008.
[10]A. B. Ahady, E. M. Klopries, H. Schüttrumpf, and S. Wolf, “Drought Analysis Methods: A Multidisciplinary Review with Insights on Key Decision-Making Factors in Method Selection,” Water 2025, Vol. 17, vol. 17, no. 15, Jul. 2025, doi: 10.3390/W17152248.
[11]C. Singh, G. Jain, V. Sukhwani, and R. Shaw, “Losses and Damages Associated with Slow-Onset Events: Urban Drought and Water Insecurity in Asia,” Curr. Opin. Environ. Sustain., vol. 50, pp. 72–86, Jun. 2021, doi: 10.101/j.cosust.2021.02.006.
[12]S. D. Latif et al., “Assessing rainfall prediction models: Exploring the advantages of machine learning and remote sensing approaches,” Alexandria Engineering Journal, vol. 82, pp. 16–25, Nov. 2023, doi: 10.1016/J.AEJ.2023.09.060.
[13]Y. Sun, L. Chen, Y. Chen, M. Tang, and S. Mei, “A capacity renting framework for shared energy storage considering peer-to-peer energy trading among prosumers with privacy protection,” Appl. Energy, vol. 407, Mar. 2026, doi: 10.1016/j.apenergy.2026.127368.
[14]J. Bernacki and R. Scherer, “A Comprehensive Review of Data-Driven Techniques for Air Pollution Concentration Forecasting,” Sensors (Basel), vol. 25, no. 19, p. 6044, Oct. 2025, doi: 10.3390/S25196044.
[15]Z. Wang, S. Wu, Y. Huang, R. Liu, and X. Liu, “A comprehensive review of deep learning for solar nowcasting: Enhancing accuracy, reliability, and interpretability,” Appl. Energy, vol. 407, p. 127378, Mar. 2026, doi: 10.1016/J.APENERGY.2026.127378.
[16]S. M. Saber, K. Z. Thowai, M. A. Rahman, M. M. Hassan, A. B. M. M. Bari, and A. Raihan, “High-accuracy prediction of vessels’ estimated time of arrival in seaports: A hybrid machine learning approach,” Maritime Transport Research, vol. 8, p. 100133, Jun. 2025, doi: 10.1016/J.MARTRA.2025.100133.
[17]J. Huang et al., “Foundation models and intelligent decision-making: Progress, challenges, and perspectives,” The Innovation, vol. 6, no. 6, p. 100948, Jun. 2025, doi: 10.1016/J.XINN.2025.100948.
[18]V. Tsioumas, P. J. Stavroulakis, D. V. Lyridis, and S. Papadimitriou, “Quantifying the impact of just-in-time (JIT) systems on freight rates,” Journal of Shipping and Trade, vol. 11, no. 1, Dec. 2026, doi: 10.1186/S41072-025-00221-3.
[19]W. Yan et al., “A Geospatial Grid Constrained Deep Learning Predication Framework Based on AIS Data for Improving Vessel Traffic Services in Maritime Internet of Things,” IEEE Internet Things J., 2026, doi: 10.1109/JIOT.2026.3663597.
[20]C. E. Balmaseda Espinosa and M. C. Mederos Machado, “Visión del cambio climático desde la perspectiva del riego y drenaje en Ecuador.,” Revista Iberoamericana Ambiente & Sustentabilidad, vol. 2, no. 1, pp. 68–73, Jun. 2019, doi: 10.46380/RIAS.V2I1.41.
[21]C. Paliz, N. Perugachi, J. Martínez, M. Moreno, C. Yaucán, and R. Palaguachi, “Análisis estadístico de datos de las precipitaciones usando métodos robustos y bootstrap,” FIGEMPA: Investigación y Desarrollo, vol. 12, no. 2, pp. 52–61, Dec. 2021, doi: 10.29166/REVFIG.V12I2.3515.
[22]Ó. Marcos Valiente, “SEQUÍA: DEFINICIONES, TIPOLOGÍAS Y MÉTODOS DE CUANTIFICACIÓN,” 2001.
[23]T. C. Sharma and U. S. Panu, “Current State of Advances in Quantification and Modeling of Hydrological Droughts,” Water 2024, Vol. 16, Page 729, vol. 16, no. 5, p. 729, Feb. 2024, doi: 10.3390/W16050729.
[24]J. A. Dracup, K. S. Lee, and E. G. Paulson, “On the statistical characteristics of drought events,” Water Resour. Res., vol. 16, no. 2, pp. 289–296, 1980, doi: 10.1029/WR016I002P00289.
[25]F. B. Enyew and S. B. Wassie, “Rainfall trends and spatiotemporal patterns of meteorological drought in Menna watershed, northwestern Ethiopia,” Heliyon, vol. 10, no. 6, p. e27919, Mar. 2024, doi: 10.1016/J.HELIYON.2024.E27919.
[26]H. Hirwa, “Review and synthesis: dynamism of classical and holistic drought indices and indicators,” Frontiers in Water, vol. 7, p. 1672070, Sep. 2025, doi: 10.3389/FRWA.2025.1672070/XML.
[27]A. B. Ahady, E. M. Klopries, H. Schüttrumpf, and S. Wolf, “Drought Analysis Methods: A Multidisciplinary Review with Insights on Key Decision-Making Factors in Method Selection,” Water (Switzerland), vol. 17, no. 15, Aug. 2025, doi: 10.3390/W17152248.
[28]V. C. Pántano, L. B. Spescha, O. C. Penalba, and G. M. Murphy, “Influencia de la variabilidad de temperatura y precipitación en la situación hídrica del suelo, en la región oriental de secano de la Argentina,” Meteorologica, vol. 39, no. 2, pp. 21–36, 2014, Accessed: Mar. 17, 2026. [Online]. Available: https://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1850-468X2014000200002&lng=es&nrm=iso&tlng=es
[29]P. F. Carrillo Freire and J. E. Aguilar Reyes, “Procesamiento, análisis y visualización del comportamiento de variables climáticas medidas desde enero de 2014 hasta diciembre de 2022 y pronóstico de los siguientes 12 meses,” Reincisol., vol. 4, no. 7, pp. 1457–1483, Mar. 2025, doi: 10.59282/reincisol.v4(7)1457-1483.
[30]D. A. C. Sotomayor, F. B. S. M. Carlos, D. A. C. Sotomayor, and F. B. S. M. Carlos, “Aplicación del método autorregresivo integrado de medias móviles para el análisis de series de casos de covid-19 en Perú,” Revista de la Facultad de Medicina Humana, vol. 21, no. 1, pp. 65–74, Jan. 2021, doi: 10.25176/RFMH.V21I1.3307.
[31]J. A. Palomino Parra, O. A. Torres Cruz, and Y. L. Angulo Méndez, “Dispositivo basado en modelo arima para predicción de variables ambientales (temperatura, humedad, velocidad del aire) en el área agrícola del departamento del Meta,” Revista GEON (Gestión, Organizaciones y Negocios), vol. 7, no. 2, pp. 1–12, Jul. 2020, doi: 10.22579/23463910.193.
[32]D. Huang et al., “Land Use/Land Cover Remote Sensing Classification in Complex Subtropical Karst Environments: Challenges, Methodological Review, and Research Frontiers,” Applied Sciences 2025, Vol. 15, Page 9641, vol. 15, no. 17, p. 9641, Sep. 2025, doi: 10.3390/APP15179641.
[33]Z. Huang, Y. Yan, and H. Yuan, “Ship trajectory prediction and privacy protection scheme based on Mamba⁃Transformer,” Dalian Haishi Daxue Xuebao/Journal of Dalian Maritime University, vol. 51, no. 4, pp. 10–21, Dec. 2025, doi: 10.16411/J.CNKI.ISSN1006-7736.2025.04.002.
[34]T. S. Madhulatha and D. M. A. S. Ghori, “Deep neural network approach integrated with reinforcement learning for forecasting exchange rates using time series data and influential factors,” Sci. Rep., vol. 15, no. 1, p. 29009, Dec. 2025, doi: 10.1038/S41598-025-12516-3.
[35]A. B. Løvland, H. Fredriksen, and J. M. Bjørndalen, “Predicting the destination port of fishing vessels utilizing transformers,” Maritime Transport Research, vol. 8, Jun. 2025, doi: 10.1016/j.martra.2025.100131.
[36]Z. Zhao, W. Chen, X. Wu, P. C. Y. Chen, and J. Liu, “LSTM network: A deep learning approach for Short-term traffic forecast,” IET Intelligent Transport Systems, vol. 11, no. 2, pp. 68–75, Mar. 2017, doi: 10.1049/IET-ITS.2016.0208.
[37]W. Sui et al., “The Evolution of Modeling Approaches: From Statistical Models to Deep Learning for Locust and Grasshopper Forecasting,” Insects, vol. 17, no. 2, p. 182, Feb. 2026, doi: 10.3390/INSECTS17020182.
[38]M. Rodrigues et al., “A tutorial on the what, why, and how of Bayesian analysis: Estimating mood and anxiety disorder prevalence using a Canadian data linkage study,” PLOS Mental Health, vol. 2, no. 2, p. e0000253, Feb. 2025, doi: 10.1371/JOURNAL.PMEN.0000253.
[39]O. D. Hurtado, A. R. Ortiz, D. Gomez, and R. Astroza, “Bayesian Model-Updating Implementation in a Five-Story Building,” Buildings 2023, Vol. 13, Page 1568, vol. 13, no. 6, p. 1568, Jun. 2023, doi: 10.3390/BUILDINGS13061568.
[40]B. A. Dada, N. I. Nwulu, and S. O. Olukanmi, “Bayesian optimization with Optuna for enhanced soil nutrient prediction: a comparative study with genetic algorithm and particle swarm optimization,” Smart Agricultural Technology, vol. 12, p. 101136, Dec. 2025, doi: 10.1016/J.ATECH.2025.101136.
[41]A. A. Alsumaiei, “Complexity-efficiency dynamics of metaheuristic-optimized recurrent neural network models for drought forecasting in hyper-arid Kuwait,” J. Hydrol. Reg. Stud., vol. 64, p. 103300, Apr. 2026, doi: 10.1016/J.EJRH.2026.103300.
[42]K. R. Singh, S. Dash, H. Liu, and Z. Wang, “Enhanced diabetes prediction using pre-trained CNNs, LSTM, and conditional GAN on transformed numerical data,” Sci. Rep., vol. 16, no. 1, p. 8081, Dec. 2026, doi: 10.1038/S41598-026-38942-5.
[43]J. Gabriel et al., “Uso de Modelos de Aprendizaje Automático para predecir eventos climáticos en Ecuador,” 2024, Accessed: Mar. 17, 2026. [Online]. Available: https://repositorio.uide.edu.ec/handle/37000/7832
[44]A. I. Ahmed Osman et al., “A review on machine learning models for drought monitoring and forecasting,” Clim. Risk Manag., vol. 50, p. 100758, Jan. 2025, doi: 10.1016/J.CRM.2025.100758.
[45]T. M. Asrade and G. M. Yigzaw, “Spatio-temporal drought monitoring in the Megech–Dirma watershed, Ethiopia, using Google Earth engine,” Sci. Rep., vol. 15, no. 1, p. 45416, Dec. 2025, doi: 10.1038/S41598-025-29537-7.
[46]M. A. Pérez-Ortiz, D. D. Montenegro-Murillo, and V. Vargas-Franco, “Analysis of the influence of climatic variability on precipitation in the Cali River basin, Colombia,” DYNA (Colombia), vol. 89, no. 221, pp. 168–177, Apr. 2022, doi: 10.15446/dyna.v89n221.101607.
[47]F. Marcillo, M. Quiñonez, P. Vaca, and G. Trujillo, “Modelado de series temporales en criptomonedas con ARIMA: Un análisis empírico aplicado a Bitcoin y Ethereum,” Revista Ingenio global, vol. 4, no. 2, pp. 219–236, Oct. 2025, doi: 10.62943/rig.v4n2.2025.365.
[48]C. Á. Fierro Torres, V. H. Castillo Pérez, C. I. Torres Saucedo, C. Á. Fierro Torres, V. H. Castillo Pérez, and C. I. Torres Saucedo, “Análisis comparativo de modelos tradicionales y modernos para pronóstico de la demanda: enfoques y características,” RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, vol. 12, no. 24, p. 354, Jun. 2022, doi: 10.23913/RIDE.V12I24.1203.
[49]J. Y. Rosales Malpartida and C. Loo Gil, “Comparación de los algoritmos random forest y gradient boosting para una estimación global del índice de compresión,” TecnoHumanismo, ISSN-e 2710-2394, Vol. 5, No. 1, 2025 (Ejemplar dedicado a: Tecnología, Justicia y Gobernanza: Retos Digitales en la Selección y Evaluación de Magistrados), págs. 147-162, vol. 5, no. 1, pp. 147–162, 2025, Accessed: Mar. 21, 2026. [Online]. Available: https://dialnet.unirioja.es/servlet/articulo?codigo=10302643&info=resumen&idioma=SPA
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Ember Geovanny Zumba Novay , Gabriel Fernando Erazo LLuguin , Jorge Enrique Ortiz Porras , Alva Rosiand Manrique
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Eres libre de:
- Compartir : copiar y redistribuir el material en cualquier medio o formato
- Adaptar : remezclar, transformar y desarrollar el material
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
En los siguientes términos:
- Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
- No comercial : no puede utilizar el material con fines comerciales .
- CompartirIgual — Si remezcla, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales : no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer algo que la licencia permite.
