Pronóstico de temperatura de alta resolución mediante descomposición funcional de series temporales y modelos predictivos avanzados

Por qué importan mejores pronósticos de temperatura en la vida cotidiana

La temperatura del aire condiciona casi todo a nuestro alrededor: la electricidad que consumimos, los alimentos que cultivamos, y el confort y la seguridad de las personas durante olas de calor o episodios de frío. A medida que el clima se vuelve más variable, planificadores urbanos, agricultores, médicos y operadores de redes eléctricas necesitan pronósticos de temperatura a corto plazo fiables, con resolución horaria. Este estudio presenta una nueva forma de transformar flujos densos de lecturas de temperatura en pronósticos diarios más suaves y precisos, lo que podría mejorar la planificación ante calor, frío y la demanda energética.

De números irregulares a curvas diarias suaves

La mayoría de las estaciones meteorológicas registran la temperatura cada hora, generando largas listas de números. Las herramientas tradicionales de predicción tratan cada número por separado, como cuentas en un collar. Los autores, en cambio, consideran las 24 lecturas horarias de cada día como una única curva suave que sube y baja a lo largo del día. Esta visión basada en curvas captura el ritmo diario familiar de noches frescas y tardes cálidas, así como las oscilaciones estacionales más largas a lo largo de meses y años. Al representar la temperatura como curvas continuas en lugar de puntos aislados, el método puede seguir mejor los patrones subyacentes ocultos en lo que de otro modo parecería ruido.

Separar patrones regulares de las sorpresas

Para interpretar estas curvas, el estudio primero divide la señal de temperatura en dos partes. Una parte captura la estructura predecible: la tendencia de calentamiento o enfriamiento a largo plazo, las estaciones anuales y los hábitos semanales como los días laborables frente a los fines de semana. Esta columna vertebral suave se estima con herramientas matemáticas flexibles que siguen los datos sin reaccionar de forma exagerada a baches de corta duración. La segunda parte recoge las fluctuaciones diarias más aleatorias: las sorpresas meteorológicas que aún importan para el pronóstico de mañana. Al eliminar los ciclos regulares, el modelo puede concentrarse en predecir con mayor precisión estos cambios a corto plazo.

Dejar que días enteros “conversen” entre sí

En lugar de predecir la siguiente hora solo a partir de la hora anterior, el modelo central de este artículo —llamado modelo autorregresivo funcional— permite que curvas diarias completas se influyan entre sí a lo largo del tiempo. En términos sencillos, el perfil completo de temperatura de ayer contribuye a formar el de hoy, y el de hoy contribuye al de mañana. El método comprime cada curva suave en un pequeño conjunto de formas esenciales y luego aprende cómo estas formas evolucionan día a día. Esto permite que el modelo respete la continuidad de la señal de temperatura, captando cómo las mañanas frescas suelen derivar en tardes cálidas y cómo se repiten patrones meteorológicos entre días, a la vez que admite variación natural.

Superando a rivales estándar y basados en IA

Los investigadores probaron su enfoque con siete años de datos horarios de temperatura de Tabuk, una ciudad de Arabia Saudí, usando los primeros seis años para entrenar el modelo y el último año para evaluarlo en pronósticos realistas y deslizantes «a un día vista». Compararon su método basado en curvas con modelos estadísticos clásicos ampliamente usados en pronósticos, así como con enfoques populares de inteligencia artificial basados en redes neuronales. En todos los casos —ya sea hora por hora, mes a mes o a lo largo del año—, el modelo funcional produjo los errores de pronóstico más pequeños y el rendimiento más estable, particularmente durante las complicadas horas de madrugada y tarde-noche cuando las temperaturas pueden cambiar con rapidez.

Qué significa esto para las personas y la planificación

Para un público no especializado, el mensaje es claro: al ver la temperatura no como números desconectados sino como relatos diarios suaves, podemos predecir el calor y el frío de mañana con mayor fiabilidad. En este estudio, el método basado en curvas superó de forma consistente tanto a la estadística tradicional como a herramientas de IA más complejas, lo que sugiere que respetar la forma y el ritmo natural de la temperatura tiene ventajas. Aunque el trabajo se centra en una ciudad y un tipo de modelo, apunta a una vía práctica para afinar pronósticos de alta resolución. Mejores predicciones horarias pueden ayudar a los proveedores de energía a equilibrar oferta y demanda, a los agricultores a proteger cultivos de heladas repentinas o estrés térmico, y a las comunidades a prepararse con mayor eficacia frente a riesgos meteorológicos.

Cita: Alshanbari, H.M., Aldhabani, M.S., Iqbal, N. et al. High resolution temperature forecasting using functional time series decomposition and advanced predictive models. Sci Rep 16, 8906 (2026). https://doi.org/10.1038/s41598-026-40796-w

Palabras clave: pronóstico de la temperatura del aire, análisis de datos funcionales, modelos de series temporales, planificación climática y energética, comparación de redes neuronales