Modelización de temperaturas del aire a 850 Mb en el caso de la onda cálida de julio del 2006 en el noroeste de México

Abstract

[ES]El estudio de las ondas de calor se enfrenta al reto de conocer los elementos clave que intervienen en su formación y desarrollo y la manera en que afectan a la salud de la población, lo que en un futuro permitiría su modelación predictiva. Se analiza el caso de una onda cálida que afectó a la ciudad de Mexicali, Baja California, México, en los días del 16 al 26 de julio de 2006 que causó graves estragos en la población. Se identifican las principales variables que causan el desarrollo de una onda cálida, y se propone la modelación de la temperatura del aire a 850 mb (Taire850) mediante un modelo de regresión múltiple (MRM) y regresión con redes neuronales (RRN). Se encuentra que el MRM explica a la Taire850 un 67%, siendo la altura geopotencial a 500mb y la presión atmosférica al nivel del mar las variables que más contribuyen a esta explicación. En cuanto a la RRN muestra un desempeño más aceptable i.e. coeficientes de regresión de 0.89; el p-value obtenido fue de 0.0019, por lo que se puede afirmar que un modelo no lineal como la Red Neuronal tiene un mejor desempeño en la predicción de valores independientes que un modelo lineal.

[EN]The study of heat waves is challenged to know the key elements involved in their formation and development, and how they affect the health of the population, which in the future would allow its predictive modeling. The case of a heat wave that affected the city of Mexicali, Baja California, Mexico, on days 16 to July 26, 2006 causing serious damage on the population is analyzed. Major variables that cause the development of a heat wave are identified, and the modeling of air temperature at 850 mb (Taire850) is proposed by a multiple regression model (MRM) and regression neural network (RNN). It was found that the MRM explained to Taire850 a 67%, with a 500mb geopotential height and atmospheric pressure at sea level the atmospheric variables that more contribute to this explanation. Insomuch as RNN show a performance more, i.e. regression coefficients of 0.89; the p-value obtained was 0.0019, so we can say that a nonlinear model such as neural network has a better performance in predicting independent values that a linear model.