Pronóstico meteorológico a corto plazo basado en imágenes satelitales GOES-16 y redes neuronales ConvLSTM en la región andina de Colombia

Abstract

En esta investigación se desarrolló un modelo de aprendizaje profundo basado en redes neuronales con capas ConvLSTM, orientado al pronóstico a corto plazo de imágenes satelitales provenientes del sensor GOES-16 (Geostationary Operational Environmental Satellite). Las imágenes utilizadas corresponden al canal infrarrojo de 10.3 µm (Banda 13), con resolución espacial de 2 km y frecuencia temporal de 10 minutos, en un área de interés de 400 × 400 km en la región andina colombiana (180 × 180 píxeles). Se generaron secuencias temporales de entrada de distinta longitud (3, 5, 7, 10 y 13 imágenes consecutivas) destinadas a predecir una única imagen objetivo. Para ello, se propuso una arquitectura ConvLSTM secuencial compuesta por dos capas ConvLSTM2D, seguidas de mecanismos de regularización mediante Dropout y Batch Normalization y una capa final Conv2D encargada de generar la imagen pronosticada. La evaluación se realizó mediante pronósticos autorregresivos de seis pasos (una hora hacia el futuro), comparando las imágenes generadas con observaciones reales no utilizadas en el entrenamiento y validación. Se aplicaron tres métricas complementarias entre sí: el error cuadrático medio (RMSE), para cuantificar la precisión numérica; el coeficiente de correlación de Pearson, para analizar la coherencia radiométrica; y el índice de similitud estructural (Structural Similarity Index Measure - SSIM), para medir la estructura espacial de las imágenes. En general, el desempeño de los modelos disminuyó progresivamente con el horizonte de predicción debido a la acumulación de error característica de los enfoques autorregresivos. No obstante, el modelo entrenado con secuencias de siete imágenes mostró el mejor equilibrio entre las tres métricas, manteniendo bajo RMSE y altos valores de SSIM y correlación de Pearson incluso en los horizontes más lejanos. Estos resultados muestran la capacidad del enfoque ConvLSTM para capturar relaciones espaciotemporales relevantes en la predicción de imágenes satelitales.