Análisis y predicción de sequías mediante Random Forest para la optimización de la situación energética del país

Este trabajo de investigación muestra análisis y predicción de sequías mediante Random Forest de un sistema de predicción de sequías. La generación eléctrica del país depende principalmente de un 72% de centrales hidroeléctricas las cuales son vulnerables a la variabilidad climática, se propone desarrollar un modelo de predicción basado en los datos históricos de la NASA que ayude a la gestión energética. El modelo de predicción de sequías se desarrolló mediante Random Forest, integrando datos climáticos reales para calcular el Índice de Precipitación Estandarizado (SPI1, SPI3, SPI6), luego se entrenó al modelo en Random Forest. Los resultados se muestran a través de un dashboard que incorpora métricas, SPI nacional, predicciones futuras, y datos de generación de las unidades hidroeléctricas más importantes del país, el índice de precipitación estandarizado (SPI1, SPI3, SPI6) es calculado por el modelo, que fue entrenado utilizando datos históricos de la NASA. Mediante el uso de Machine Learning, se ha obtenido una exactitud del 88.9%, un F1-Score de 87.5% y una sensibilidad (recall) del 86.1%, lo que posibilita la realización de pronósticos fiables con tres meses de anticipación.