Adaptación de las ciudades al cambio climático:
Sostenibilidad de los Territorios Urbanos y Rurales

IA en la predicción del clima en Buenos Aires.

1. Introducción
1.1. Las ciudades frente al cambio climático

El concepto de adaptabilidad de ciudades se encuentra relacionado con su vulnerabilidad. En relación con el cambio climático, se entiende como vulnerabilidad a la susceptibilidad de un determinado sistema, es decir las ciudades, a soportar el impacto de un dado fenómeno, en éste caso, el cambio climático y sus consecuencias. La vulnerabilidad es resultado de una serie de factores como lo son la magnitud, el carácter y la intensidad de la amenaza y, como se ha mencionado, la capacidad de acción o adaptación del sistema frente a la misma.

Seguidamente, se entiende así que la capacidad de respuesta del sistema es de gran importancia para afrontar las amenazas. Con el fin de disminuir la vulnerabilidad de las ciudades y mejorar su capacidad de adaptación al cambio, es necesario contar con planificaciones a largo plazo cuyas incertidumbres sean lo menor posible. En el particular caso del cambio climático, las variables cuyos valores se desea predecir son de la índole meteorológica – temperatura, precipitaciones, etc., dado que como secuela de éste, se ha observado las últimas décadas un incremento en los eventos climáticos extremos.

1.2. Data Science e Inteligencia Artificial

Paralelamente, durante los últimos años se ha desarrollado con gran interés el campo de la Inteligencia Artificial. Bajo el mismo se engloban una serie de técnicas computacionales cuyo objetivo es la creación de sistemas adaptativos que poseen la capacidad de aprender y encontrar soluciones óptimas a un gran número de problemas. Éstas técnicas empleadas en conjunto con datos históricos permiten desarrollar lo que se conoce como “Data Science”. El último, es un proceso que consiste en encontrar nuevas relaciones potenciales y conocimientos de información presente en grandes bases de datos.

Con el fin de encontrar dicha información predictiva se suelen emplear métodos relacionados con la Inteligencia Artificial, como es el caso de las Redes Neuronales Artificiales y los Algoritmos Genéticos. Estos modelos emplean los datos de las series y en función de los objetivos planteados entregan resultados creando relaciones entre las variables que componen la serie.

1.3. Presentación de Métodos Empleados

Los métodos previamente mencionados se caracterizan por sus principios evolutivos y su semejanza con el comportamiento del aprendizaje humano.

Primeramente, los Algoritmos Genéticos son una técnica empleada para encontrar la combinación óptima de un gran número de parámetros o variables. Los mismos se basan en el principio de supervivencia del más apto, es decir, en los mecanismos de selección natural. A diferencia de otros métodos de optimización que emplean gradientes para obtener la solución óptima, los Algoritmos Genéticos se basan en encontrar la solución del problema estudiado dentro de una población de soluciones posibles. Consecuentemente, cada individuo de la población es evaluada mediante una función de adaptabilidad que cuantifica la bondad del individuo para resolver el problema. De esta forma, solo los individuos más aptos son candidatos para la evolución, siendo el resto de las posibles soluciones de dicha generación descartados. Es entonces a partir de esta primera selección que sucede la evolución. La nueva generación de soluciones “hijas” se constituye mediante la combinación de los individuos elegidos de la generación de “padres”. Las combinaciones posibles pueden hacerse mediante: reproducción, mutación y copia. En el primer caso, se escogen dos individuos y se crea uno nuevo a partir de la combinación de sus padres. El segundo se refiere a la incorporación de un cierto grado de aleatoriedad en el proceso, lo cual implica que ciertas características son modificadas arbitrariamente. Finalmente, la copia implica que cierta parte de los individuos “padres” son directamente copiados en los individuos “hijos”.

En lo que a las Redes Neuronales Artificiales se refiere, se puede decir que son una aplicación de la Inteligencia Artificial que busca replicar el comportamiento del cerebro y la inteligencia humana de una forma simplificada, mediante la simulación por computadora. Esta forma de Inteligencia Artificial, posee la capacidad de memorizar y asociar hechos, por lo que se puede decir que tiene la capacidad de aprender a partir de la experiencia acumulada. Consecuentemente, las neuronas, o unidades de procesamiento de la red, tienen la capacidad de procesar e intercambiar datos, reconocer patrones y aún más, de aprender y generar predicciones a partir de los ejemplos que les son presentados.

Es de esperar entonces que la combinación de los métodos mencionados permita optimizar problemas de planificación, mediante la reducción de la incertidumbre, presente en las predicciones de variables, por ejemplo meteorológicas, y con ello la vulnerabilidad de los sistemas.

2. Aplicación del caso
2.1 Redes Neuronales aplicadas a la predicción del clima

Actualmente se encuentran en desarrollo una serie de aplicaciones conjuntas de Algoritmos Genéticos y Redes Neuronales Artificiales con el fin de realizar predicciones a corto plazo.

Sin embargo, para el presente trabajo, se empleó una Red Neuronal Artificial (ANN) con tres capas: la primera, correspondiente a las capa de entrada, la segunda, denominada capa oculta, y la última, la capa de salida. Cabe destacar que la capa oculta puede estar constituida por varias capas, en este caso se eligió una única capa. Además, se optó por construir una red multicapa con conexiones hacia adelante (o feedforward network), en donde todas las neuronas de una determinada capa reciben como datos de entrada las salidas de la capa inmediatamente anterior y envían señales de salida a la capa inmediatamente posterior. Aún más, las neuronas se encuentran totalmente conectadas entre sí con el fin de maximizar la vinculación entre las variables.

En la capa de entrada se tomaron como datos de ingreso las variables meteorológicas y es por ellos que el número de neuronas en la capa de entrada es igual a las variables de entrada. En cuanto a la capa oculta, la cantidad de neuronas se estableció igual a la capa precedente y dado que la capa de salida representa el resultado que se desea conocer, se tomó un único nodo.

Por otra parte, como método de aprendizaje se empleó la propagación de errores hacia atrás (o backpropagation), es decir que el error se propaga hacia atrás, desde la capa de salida hacia la más interna, lo que permite que los pesos sobre las conexiones de las neuronas ubicadas en la capa oculta se modifiquen y se ajusten durante el entrenamiento. Finalmente, como función de activación, parámetro que calcula el estado de actividad de una neurona través de la transformación de la entrada global, se empleó la función sigmoidea.


Ecuación 1 - Función de activación sigmoidea.

2.2 Predicción de temperaturas mensuales medias, máximas y mínimas para la Ciudad de Buenos Aires.

Previamente a emplear la Red Neuronal para hacer predicciones, es necesario realizar una serie de procesos con el fin de establecer los pesos de las conexiones entre las neuronas. Primeramente, se realiza un proceso de entrenamiento en el cual se le entrega a la red una serie de datos de entrada y su correspondiente salida. Consecuentemente, durante las sucesivas iteraciones, la red variará el valor de los pesos ajustándolos de forma tal que el error entre lo calculado y la salida esperada se reduzca con el avance de los pasos de cálculo. Para este proceso se emplea una serie de datos que se denomina “Serie o Conjunto de Entrenamiento”. Resulta conveniente que ésta serie sea completa y sus datos certeros, dado que es mediante ellos que se establecerán los pesos entre las conexiones de las neuronas y la dinámica de la red. Una vez finalizado el proceso de entrenamiento, los pesos de la red permanecen fijos y se realizar un proceso de validación en el cual se busca comprobar que la red realmente puede resolver los problemas para los cuales fue entrenada. Para este proceso se emplea otro conjunto de datos denominado “Serie de Validación o de Testeo”.

Como “Serie de Entrenamiento” y “Serie de Validación” se emplearon datos históricos recolectados por el Servicio Meteorológico Nacional correspondientes a las mediciones de los años comprendidos entre 1990 y 2014. Cabe destacar que parte de la precisión de las Redes Neuronales en lo que a las predicciones se refiere, depende la cantidad y la calidad de datos disponibles para entrenar y validar la red. Concretamente, es necesario emplear una cantidad de datos que sea por lo menos diez veces el número de neuronas de la capa de entrada de la red; dado que a partir de estas dimensiones es que los resultados comenzarán a ser fuertemente certeros.

Se realizaron tres aproximaciones para cada una de las predicciones, con el fin de conocer cuál era la mejor combinación de variables en cada uno de los casos, es decir que se entrenaron y se validaron nueve redes neuronales en total según se especifica a continuación.


Tabla 1 – Variables elegidas para el pronóstico de la temperatura media mensual. Los índices (i) indican que dicha variable está referida al mes anterior del que se desea hacer el pronóstico mientras que el índice (i+1) indica el mes del cual se desea conocer el pronóstico.


Tabla 2 - Variables elegidas para el pronóstico de la temperatura máxima mensual. Los índices (i) indican que dicha variable está referida al mes anterior del que se desea hacer el pronóstico mientras que el índice (i+1) indica el mes del cual se desea conocer el pronóstico.


Tabla 3 - Variables elegidas para el pronóstico de la temperatura mínima mensual. Los índices (i) indican que dicha variable está referida al mes anterior del que se desea hacer el pronóstico mientras que el índice (i+1) indica el mes del cual se desea conocer el pronóstico.

Se optó por dichas configuraciones dado que se deseaba conocer las respuestas de la red frente a distintas configuraciones en los nodos de entrada, particularmente si se obtenían mejoras significativas en la precisión de los resultados cuando se agregaban variables representaban lo acontecido, para el mismo período de predicción pero para años anteriores.

3. Resultados obtenidos

Una vez definidas las estructuras y los pesos de las redes se procedió a realizar el pronóstico para treinta y un meses de los cuales se conocía cuales habían sido las temperaturas medias, mínimas y máximas absolutas, y consecuentemente podían ser empleados para comprobar la eficiencia de la red desarrollada. A continuación se presentan los resultados obtenidos para el pronóstico para la Ciudad de Buenos Aires.

Con el fin de constatar cual de los tres ejemplos resultó más preciso se procedió a calcular la Raíz del Error Cuadrático Medio (RMSE), el Desvío Estándar de los errores absolutos y el Índice de Acuerdo para los tres pronósticos realizados cuyas expresiones se detallan a continuación.


Ecuación 2 – Expresión de la Raíz del Error Cuadrático Medio.


Ecuación 3- Expresión del Desvío Estándar.


Ecuación 4 – Expresión del Índice de Acuerdo (Index of Agreement).

La Raíz del Error Cuadrático Medio suele emplearse en modelos de predicción con el fin de ilustrar las diferencias entre los valores predichos y los valores reales u observados. El mismo brinda información sobre la capacidad de resolución a corto plazo del modelo, siendo RMSE=0 el resultado ideal y pudiendo tomar valores en el rango [0; ∞). Por otra parte, el Índice de Acuerdo es un parámetro adimensional que refleja la concordancia entre los valores predichos (Pi) y los observados (Oi), siendo IA=1 una correlación perfecta e IA=0 ninguna relación. Por ende su rango de aplicación es IA=[0;1].

En el caso del pronóstico de las medias mensuales se obtuvieron los siguientes errores absolutos, en cada uno de los casos planteados, resultando el de mejor aproximación el Caso 2, siendo el que poseía el menor RMSE y Desvió Estándar, y mayor Índice de Acuerdo.


Gráfico 1- Comparación de los pronósticos de las temperaturas promedio mensuales para los tres casos de estudio.


Tabla 4 – RMSE, Desvío Estándar e IA para el pronóstico de la temperatura media mensual.


Gráfico 2 - Comparación de los pronósticos de las temperaturas máximas mensuales para los tres casos de estudio.


Tabla 5 – RMSE, Desvío Estándar e IA para el pronóstico de la temperatura máxima mensual.


Gráfico 3 - Comparación de los pronósticos de las temperaturas mínimas mensuales para los tres casos de estudio.


Tabla 6 - RMSE, Desvío Estándar e IA para el pronóstico de la temperatura mínima mensual.

Se observa que para el caso del pronóstico del las temperaturas medias mensuales el mínimo RSME y el máximo IA coinciden para el Caso 2. No obstante, para la predicción de las máximas y mínimas mensuales, el mínimo valor de RMSE y el máximo de IA no coinciden para el mismo caso de estudio. Esto se debe principalmente a que tanto máximas como mínimas (absolutas del mes, es decir, la máxima/mínima temperatura registrada para dicho mes), poseen un comportamiento errático, con muy bajas probabilidades de suceder. Consecuentemente, al no contar con suficientes ejemplos de ocurrencia de los mismos en las series que se emplean para el entrenamiento de la Red Neuronal, difícilmente puedan ser predichas con un alto grado de certitud.

4. Conclusiones y reflexiones
4.1 Nuevos abordajes de Big Data e Inteligencia Artificial.

El estudio de series de datos y su particular análisis mediante la utilización de métodos referentes a la Inteligencia Artificial, es decir el “Data Science”, resulta una técnica con extensos campos de aplicación. La predicción del clima es uno de los más importantes debido a la relación que éste posee con el cambio climático. Las condiciones climáticas afectan directamente las decisiones que tanto ciudadanos como autoridades toman cotidianamente. Aún más, impactan en las economías locales, como es el caso de las actividades agrícolas, cuyos niveles de producción se encuentran vinculados a a estas variables. Es por ello que en épocas de constante desarrollo tecnológico, se debe concebir la planificación y la gestión como un resultado de un análisis complejo de escenarios, que sencillamente pueden ser modelados, y por ende previstos, gracias a la aplicación de estos métodos inteligentes.

4.2 Potencial para nuevas medidas de gestión y planificación en ciudades.

La gran ventaja que poseen los métodos de Inteligencia Artificial es que permiten disminuir la incertidumbre de escenarios futuros y con ello reducir costos de gestión e incrementar la eficiencia en las planificaciones. Entre los amplios horizontes que ofrecen éstos métodos podemos encontrar la predicción de picos de demanda de electricidad, de determinados medios de transporte, y consecuentemente conocer donde las arterias se encontrarán colapsadas, etc. Conjuntamente los ejemplos de aplicación previamente mencionados son vectores de acción que colaborarán a perfeccionar la adaptabilidad de las ciudades al cambio dado que permite reducir incertidumbres en los componentes y con ello su vulnerabilidad.

5. Referencias bibliográficas

  • APA – Agencia de Protección Ambiental, Gobierno de la Ciudad de Buenos Aires (http://www.buenosaires.gob.ar/agenciaambiental/estrategias-ambientales).
  • Bautu, A., Bautu, E. (2006). Meteorological Data Analysis and Prediction by Means of Genetic Programming. Proceedings of the Fifth Workshop on Mathematical Modelling of Environmental and Life Science Problems, Constanta, Romania, septiembre 2006, pp. 35-42.
  • CDP-Driving Sustainable Economies (2014). Climate Change Resilience in Europe: A snapshot of the private sector.
  • CDP-Driving Sustainable Economies, Bloomberg Philanthropies, C40 Cities – Climate Leadership Group. (2014). protecting our capital: How climate adaptation in cities creates resilient place for business.
  • CDP-Driving Sustainable Economies, C40 Cities – Climate Leadership Group. (2013). CDP Cities 2013 America Latina: Resumen Ejecutivo 2013.
  • Culclasure, A. (2013). Using Neural Networks to Provide Local Weather Forecasts. Electronic These & Dissertations. Paper 32. Georgia Southern University.
  • Gutiérrez, J. M., Cano, R., Cofiño, A. S., Sordo, C. (2004). Redes Probabilísticas y Neuronales en las Ciencias Atmosféricas. Universidad de Cantabria. Instituto Nacional de Meteorología. Ministerio de Medio Ambiente, Madrid, España.
  • IPCC, 2013: Summary for Policymakers. In: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
  • IPCC, 2014: Summary for policymakers. In: Climate Change 2014: Impacts, Adaptation, and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Field, C.B., V.R. Barros, D.J. Dokken, K.J. Mach, M.D. Mastrandrea, T.E. Bilir, M. Chatterjee, K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S. Kissel, A.N. Levy, S. MacCracken, P.R. Mastrandrea, and L.L.White (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, pp. 1-32.
  • Lanzen, M., Murray, S. A., Korte, B., Dey, C. J. (2003). Environmetal impact assessment including indirect effects – a case study using input-output analysis. Environmental Impact Assessment Revie 23 (2003) 263-282. IIASA – International Institute for Applied Systems Analysis, Austria.
  • Larsen, S. V., Kornov, L., Wejs, A. (2011). Mind the gap in SAE: An institutional perspective on why assessment of synergies amongst climate change mitigation, adaptation and other policy areas are missing. Environmental Impact Assessment Review 33 (2012) 32-40.
  • Linnenrooth-Bayer, J., Hochrainer-Stigler, S. (2013). Financial instruments for disaster risk management and climate change adaptation. Advancing Climate Change Adaptation and Risk Management, IIASA – International Institute for Applied Systems Analysis, Austria.
  • Loucks, D. P., Van Beek, E. (2005). Water Resources Systems Planning and Management: An Introduction to Methods, Models and Applications. United Nations Educational and Scientific and Cultural Organization 7, place de Fontenoy, Paris, France.
  • Maqsood, I., Khan, M. R., Abraham, A. (2004). An ensemble of neural networks for weather forecasting. Neural Computation and Applications 13 (2004) 112-122.
  • Matich, D. J. (2001). Redes Neuronales: Conceptos Básicos. Universidad Tecnológica Nacional – Facultad Regional Rosario. Grupo de Investigación Aplicada de la Ingeniería Química.
  • Nastos, P. T., Paliastos, A. G., Koukouletsos, K. V., Larissi, I. K., Moustris, K. P. (2013). Artificial neural networks modelling for forecasting the maximum daily total precipitation at Athens, Greece. Atmospheric Research 144 (2014) 141-150.
  • Peralta Donate, J. Li, X., Gutiérrez Sanchez, G., Sanchis de Miguel, A. (2011). Time series forecasting by evolving artificial neural networks with genetic algorithm, differential evolution and estimation of distribution algorithm. Neural Computation and Applications 22 (2013) 11-20.
  • Poli, R., Langdon, W. B., McPhee, N. F. (2008). A Field Guide to Genetic Programming. Published via http:/lulu.com and freely available at http://www.gp-field-guide.org.uk, 2008 (With contributions by Kooza, J. R.).
  • Singh, S., Bhambri, P., Gill, J. (2011). Time Series based Temperature Prediction using Back Propagation with Genetic Algorithm Technique. International Journal of Computer Science Issues, Vol. 8, Issue 5, No 3, septiembre 2011.
  • Smith, B. A., McClendon, R. W., Hoogenboom, G. (2007). Improving Air Temperature Prediction with Artificial Neural Networks. International Science Index (2007) Vol: 1. No: 10.
  • Zhang. G., Patuwo, B. E., Hu, M. Y. (1997). Forecasting with Artificial Neural Networks: The State of Art. International Journal of Forecasting 14 (1998) 35-62.
“Copyright ©2014 Bereciartúa, Pablo J. y Couvin, Sabrina G.: Los autores delegan al CAI la licencia para reproducir este documento para los fines del Congreso ya sea que este artículo se publique de forma completa, abreviada o editada en la página web del congreso, en un CD/ DVD o en un documento impreso de los trabajos de INGENIERÍA 2014 Latinoamérica y Caribe.”