Predicción de Variables Climáticas en el Norte del Estado de México utilizando Regresión Lineal y Machine Learning

Resumen

El clima es un factor crítico en sectores socioeconómicos como la agricultura y la gestión de recursos hídricos, especialmente en regiones de variabilidad climática como el norte del Estado de México. A pesar de los avances en modelos tradicionales, persisten limitaciones en precisión y adaptabilidad a escalas temporales. Este estudio propone un modelo de regresión lineal multivariable, entrenado con datos históricos de cinco estaciones meteorológicas automáticas (EMA) de la CONAGUA, para predecir variables climáticas a corto plazo en dicha región. Los datos, recolectados entre diciembre de 2023 y julio de 2024, incluyeron temperatura, humedad, precipitación, radiación solar y presión atmosférica. Tras un análisis exploratorio y de correlación de Pearson, se excluyeron datos atípicos de una estación (Donato) y se seleccionaron características clave, como temperatura del aire y humedad relativa, para entrenar el modelo. La implementación en Python con “scikit-learn” logró una precisión promedio del 84.07%, validada con datos reales de 30 días, destacando un 85.2% en temperatura y 99.67% en presión atmosférica. Si bien el modelo demostró eficacia en predicciones a corto plazo, su rendimiento disminuye ante relaciones no lineales no capturadas. Los resultados evidencian el potencial de técnicas machine learning accesibles como la regresión lineal para apoyar la toma de decisiones agrícolas, aunque se recomienda integrar modelos no lineales y ampliar el dataset para incluir patrones estacionales.