Red Neuronal Artificial y series de Fourier para pronóstico de temperaturas en el Distrito de Riego 075 Sinaloa México

Resumen La temperatura es una variable trascendental en el cálculo de la evapotranspiración, el crecimiento, el desarrollo y el rendimiento de las plantas; en el estudio de la transmisión de plagas y enfermedades; en el pronóstico del clima; en la determinación del flujo de calor; en el cálculo de la presión real de vapor. Todos estos procesos son afectados por el calentamiento global. El objetivo de este trabajo es comparar los mejores resultados de dos modelos: uno de red neuronal artificial (RNA) backpropagation, y otro de series de Fourier. Se utilizaron datos diarios de temperaturas máximas (T max ) y mínimas (T min ) de las estaciones Santa Rosa 1, Ruiz Cortines, Batequis y Santa Rosa 2, del Distrito de Riego 075 Valle del Fuerte, Los Mochis, Sinaloa, México. En la RNA, 1 484 vectores de datos fueron utilizados para entrenamiento, validación y prueba y 229 para pronóstico. Para el entrenamiento las variables de entrada de la RNA fueron: día juliano, longitud, latitud y altitud. Se obtuvieron 96 escenarios con una, dos y tres capas ocultas, con diversos números de neuronas en cada capa oculta. Con los 1 484 datos, se obtuvieron los mejores ajustes para los modelos de series de Fourier para temperaturas máximas y mínimas, y se pronosticaron 229 datos para las cuatro estaciones. Los mejores modelos de RNA backpropagation para el pronóstico de temperaturas máximas y mínimas diarias obtuvieron desempeños similares en comparación con los realizados por los mejores modelos de series de Fourier, para las estaciones de estudio.