Bootstrap para calcular intervalos puntuales de predicción mediante modelos de redes neuronales de radiación UV en el periodo 2024–2025 en Riobamba, Ecuador.

Bootstrap for calculating point prediction intervals using neural network models of UV radiation in the 2024–2025 period in Riobamba, Ecuador.

Resumen

La predicción precisa de la radiación UV es un factor crítico para el dimensionamiento de proyectos energéticos, especialmente en zonas de altitud como Riobamba, donde la irradiancia supera frecuentemente los 48 W/m² y presenta un comportamiento altamente no lineal. La presente investigación tuvo como objetivo ajustar y fundamentar teóricamente un modelo de Redes Neuronales Autorregresivas (NNAR) para el pronóstico de la radiación UV. Metodológicamente, se procesaron 17 976 registros horarios provenientes de la estación meteorológica de la Universidad Nacional de Chimborazo, correspondientes al periodo entre febrero de 2024 y febrero de 2026. Los datos se estructuraron en 25 series temporales mensuales para aislar la tendencia estacional del ruido estocástico. Mediante una validación retrospectiva (Hold-out), el algoritmo se entrenó con los primeros 20 meses y se contrastó contra los 5 meses finales. El modelo demostró un desempeño predictivo sobresaliente, alcanzando una Raíz del Error Cuadrático Medio (RMSE) de 2.53 W/m² y un Error Porcentual Absoluto Medio (MAPE) del 14.53 %, evaluado estrictamente en horas de incidencia diurna útil (> 3 W/m²). Como aporte para la gestión del riesgo, se implementó la metodología Bootstrap con 5000 simulaciones, comprobando empíricamente que los datos reales fluctúan con exactitud dentro de los intervalos de confianza del 80 % y 95 %. Se concluye que la arquitectura NNAR es matemáticamente idónea y robusta para procesar la complejidad de la radiación UV, dotando al entorno local de una herramienta computacional validada para la toma de decisiones en ingeniería energética.