RESUMEN: Muchos de los modelos utilizados tradicionalmente como la regresión lineal no son capaces de encontrar las relaciones no lineales establecidas entre las variables predictoras utilizadas en los problemas de predicción meteorológica. Además, añadimos elementos como la dependencia temporal o la incertidumbre que lleva intrínseca la meteorología. En los últimos años los modelos de redes neuronales han resurgido y están demostrando sus capacidades en multitud de campos y la meteorología no podía ser excluida. Gracias a sus arquitecturas tan versátiles y altamente no lineales se convierten en una herramienta útil capaz de realizar predicciones con gran exactitud. Arquitecturas modernas como las redes LSTM nos permiten introducir dependencias temporales y abordar con éxito problemas de predicción de series temporales.
ABSTRACT: Many of traditional used models as linear regression are not able to find the non-linear relationships established among the predictive variables used in weather forecasting. In addition, elements such as temporal dependence or uncertainty, which is intrinsic to meteorology, are added to this problem. In recent years, neural network models have resurfaced and are showing their capabilities in many fields, meteorology could not be excluded. Thanks to its versatile and highly non-linear architectures, they become a useful tool capable of making predictions with great accuracy. Modern architectures like LSTM networks allow us to introduce temporary dependencies and deal successfully time series prediction problems.
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 3.0 España
