Predicción de la tendencia de la temperatura con inteligencia artificial explicable y aprendizaje automático basado en ACP: un estudio de caso en Zonguldak, Turquía

Por qué importan las tendencias locales de temperatura

Para muchas comunidades, el cambio climático puede sentirse como una historia distante y global. Sin embargo, sus efectos se manifiestan con mayor claridad en el clima local: veranos más cálidos, cambios en las precipitaciones y tormentas más intensas. Este estudio se centra en Zonguldak, una provincia costera e industrial en la región occidental del Mar Negro de Turquía, y plantea una cuestión práctica: ¿puede la inteligencia artificial moderna no solo pronosticar con precisión las tendencias locales de temperatura, sino también explicar cómo llega a esos pronósticos, de modo que planificadores y residentes puedan confiar en los resultados y utilizarlos?

Transformar los registros meteorológicos en pistas útiles

Para abordar esta pregunta, los investigadores recopilaron más de dos décadas de registros meteorológicos mensuales de Zonguldak, abarcando los años 2000 a 2022. El conjunto de datos incluía temperaturas promedio, mínima y máxima, varias medidas de precipitación, dirección y velocidad del viento, y humedad. Antes de que cualquier modelo informático pudiera aprender de estos datos, el equipo los limpió y estandarizó: se rellenaron los valores faltantes, etiquetas de texto como las direcciones del viento se convirtieron en números y todas las variables se pusieron en una misma escala para que ninguna medición dominara a las demás simplemente por sus unidades.

Destilar patrones climáticos complejos

Los datos climáticos son notoriamente enredados: muchas variables cambian de forma conjunta y algunas están fuertemente vinculadas. Para simplificar esta red sin perder información importante, los investigadores emplearon una técnica llamada análisis de componentes principales (ACP). En lugar de examinar cada medición original por separado, el ACP crea un pequeño número de nuevos factores “resumen” que capturan la mayor parte de la variación en los datos. En este estudio, el equipo mantuvo suficientes de estos factores para preservar el 95 por ciento de la información original. El factor más importante, conocido como el primer componente principal, resultó combinar temperatura y viento de manera significativa: temperaturas mínimas y máximas más altas elevaban este factor, mientras que vientos más fuertes lo reducían.

Elegir los motores de predicción más fiables

Con estos factores climáticos simplificados en mano, el equipo probó una serie de métodos de aprendizaje automático para predecir la temperatura media mensual. Algunos eran modelos lineales sencillos; otros, como redes neuronales y árboles potenciados, pueden captar relaciones más complejas. Los investigadores dividieron los datos en conjuntos de entrenamiento y prueba y evaluaron cada método con varias medidas de error y ajuste. A pesar del interés por los sistemas complejos de “caja negra”, los claros ganadores aquí fueron dos enfoques lineales sencillos, denominados regresión lineal y regresión ridge. Estos modelos produjeron de forma consistente los errores más bajos y explicaron más del 90 por ciento de la variación en los datos de prueba, lo que muestra que, para esta región y escala temporal, la temperatura se comporta de manera mayoritariamente lineal y predecible.

Abriendo la caja negra de las decisiones de la IA

La precisión por sí sola no es suficiente cuando los pronósticos van a informar planificación de infraestructuras, agricultura o salud. Para entender por qué los modelos hicieron predicciones concretas, el equipo recurrió a herramientas de IA explicable. Entrenaron un modelo basado en árboles adecuado para este tipo de análisis y utilizaron dos métodos complementarios: la “importancia por permutación”, que mide cuánto empeoran las predicciones cuando se baraja un factor, y los valores SHAP, que asignan a cada factor una contribución a cada predicción individual. Ambos enfoques señalaron la misma historia: el primer componente principal dominó las decisiones del modelo, con papeles secundarios para algunos otros componentes. Al examinar cómo se construye este factor principal, el análisis mostró que condiciones más cálidas (temperaturas mínimas y máximas más altas) elevan fuertemente la temperatura media predicha, mientras que vientos más rápidos tienden a suprimirla. La humedad y las precipitaciones tuvieron roles más modestos.

Qué significa esto para la población y los planificadores

En términos simples, el estudio demuestra que es posible construir herramientas de predicción de temperatura que sean a la vez precisas y comprensibles. Para Zonguldak, modelos estadísticos simples y bien probados, guiados por factores climáticos cuidadosamente destilados, funcionaron tan bien o mejor que sistemas de IA más elaborados. Los análisis de explicabilidad confirmaron que los modelos se comportan de una manera físicamente sensata: responden de forma marcada a los cambios de temperatura y de manera contraria al viento. Esta combinación de rendimiento y transparencia convierte al marco en un esquema prometedor para otras regiones que busquen monitorear las tendencias climáticas locales y diseñar estrategias de adaptación basadas en evidencia fiable e interpretable.

Cita: Arslan, R.U., Aksoy, B. & Yapıcı, İ.Ş. Temperature trend prediction with explainable artificial intelligence and PCA based machine learning: a case study of Zonguldak, Turkey. Sci Rep 16, 4910 (2026). https://doi.org/10.1038/s41598-026-35173-6

Palabras clave: predicción de la temperatura, cambio climático, aprendizaje automático, IA explicable, análisis de componentes principales