Elección del mejor modelo univariante entre una red neuronal y modelo Box Jenkins para predecir los niveles de agua del lago Titicaca

Abstract

La predicción del nivel del agua del lago Titicaca, situado en el sureste de Perú, es crucial para la gestión de los recursos hídricos y la mitigación de los impactos socioeconómicos en las comunidades circundantes. La variación del nivel del agua está influenciada por los cambios climáticos. El objetivo de la investigación fue determinar el mejor modelo univariado entre Box-Jenkins y redes neuronales para predecir las fluctuaciones del nivel medio mensual del agua en la bahía de Puno entre los años 1982-2019. Para evaluar y comparar la efectividad de ambos modelos en la predicción de los niveles de agua, se realizó un diseño de investigación no experimental, longitudinal y aplicado. Los datos fueron obtenidos del SENAMHI. Se emplearon modelos ARIMA de Box-Jenkins y redes neuronales artificiales para un análisis de series temporales. La precisión de cada modelo se evaluó utilizando los indicadores MAE, RMSE y MAPE. El desempeño del modelo Box-Jenkins fue mejor que el modelo de redes neuronales, con menores valores de error (MAE = 0.05046418 versus 0.4252787; RMSE = 0.05895039 versus 0.4283435; y MAPE = 0.001324998 versus 0.011166245), mostrando que es el más eficiente y confiable para predecir los niveles de agua en el Lago Titicaca, siendo una herramienta clave para la toma de decisiones en la gestión del agua.