Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial

Autores
Collazo, Soledad; Pérez-Aracil, Jorge; Marina, Cosmin; García-Herrera, Ricardo; Barriopedro, David; Salcedo-Sanz, Sancho
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La exposición a condiciones ambientales extremas, como el calor intenso y la alta humedad, puede comprometer la capacidad del organismo para regular eficazmente su temperatura interna. El Índice Climático Térmico Universal (UTCI) es una herramienta bioclimática que permite evaluar el impacto combinado de la temperatura, el viento, la radiación y la humedad sobre el cuerpo humano. Una estimación precisa del estrés térmico mediante el UTCI puede ayudar a reducir los riesgos para la salud y fortalecer la preparación ante eventos climáticos extremos. A diferencia de los modelos meteorológicos tradicionales, fundamentados en ecuaciones físicas, los avances en inteligencia artificial (IA) han permitido crear sistemas que, mediante el entrenamiento en datos históricos, generan pronósticos con mayor rapidez. Sin embargo, estos modelos de IA suelen ser menos interpretables y no siempre proporcionan todas las variables necesarias para calcular el UTCI, especialmente los datos de radiación, aunque sí incluyen temperatura, humedad, viento y altura geopotencial en varios niveles atmosféricos. En este contexto, el presente estudio propone una metodología para estimar el UTCI en el sur de Sudamérica utilizando exclusivamente las variables disponibles en modelos basados en IA. Se analiza la precisión de dicha estimación y, posteriormente, se aplica a predicciones meteorológicas generadas por estos modelos para evaluar las condiciones térmicas durante un evento de ola de calor. Finalmente, se comparan los pronósticos del UTCI obtenidos mediante IA con los generados por el modelo tradicional GFS.
Facultad de Ciencias Astronómicas y Geofísicas
Materia
Meteorología
UTCI
Selección de predictores
Aprendizaje automático
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/193335
Acceder
id SEDICI_478d3fe09ec52512114c2b6459e4ef83
oai_identifier_str oai:sedici.unlp.edu.ar:10915/193335
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificialCollazo, SoledadPérez-Aracil, JorgeMarina, CosminGarcía-Herrera, RicardoBarriopedro, DavidSalcedo-Sanz, SanchoMeteorologíaUTCISelección de predictoresAprendizaje automáticoLa exposición a condiciones ambientales extremas, como el calor intenso y la alta humedad, puede comprometer la capacidad del organismo para regular eficazmente su temperatura interna. El Índice Climático Térmico Universal (UTCI) es una herramienta bioclimática que permite evaluar el impacto combinado de la temperatura, el viento, la radiación y la humedad sobre el cuerpo humano. Una estimación precisa del estrés térmico mediante el UTCI puede ayudar a reducir los riesgos para la salud y fortalecer la preparación ante eventos climáticos extremos. A diferencia de los modelos meteorológicos tradicionales, fundamentados en ecuaciones físicas, los avances en inteligencia artificial (IA) han permitido crear sistemas que, mediante el entrenamiento en datos históricos, generan pronósticos con mayor rapidez. Sin embargo, estos modelos de IA suelen ser menos interpretables y no siempre proporcionan todas las variables necesarias para calcular el UTCI, especialmente los datos de radiación, aunque sí incluyen temperatura, humedad, viento y altura geopotencial en varios niveles atmosféricos. En este contexto, el presente estudio propone una metodología para estimar el UTCI en el sur de Sudamérica utilizando exclusivamente las variables disponibles en modelos basados en IA. Se analiza la precisión de dicha estimación y, posteriormente, se aplica a predicciones meteorológicas generadas por estos modelos para evaluar las condiciones térmicas durante un evento de ola de calor. Finalmente, se comparan los pronósticos del UTCI obtenidos mediante IA con los generados por el modelo tradicional GFS.Facultad de Ciencias Astronómicas y Geofísicas2025info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/193335spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-2665-4info:eu-repo/semantics/altIdentifier/url/https://cenamet.org.ar/congremet/wp-content/uploads/2025/11/A1_T061.pdfinfo:eu-repo/semantics/reference/hdl/10915/193317info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-04-23T11:56:07Zoai:sedici.unlp.edu.ar:10915/193335Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-04-23 11:56:07.573SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial
title Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial
spellingShingle Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial
Collazo, Soledad
Meteorología
UTCI
Selección de predictores
Aprendizaje automático
title_short Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial
title_full Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial
title_fullStr Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial
title_full_unstemmed Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial
title_sort Estimación del estrés térmico en el sur de Sudamérica a partir de pronósticos basados en inteligencia artificial
dc.creator.none.fl_str_mv Collazo, Soledad
Pérez-Aracil, Jorge
Marina, Cosmin
García-Herrera, Ricardo
Barriopedro, David
Salcedo-Sanz, Sancho
author Collazo, Soledad
author_facet Collazo, Soledad
Pérez-Aracil, Jorge
Marina, Cosmin
García-Herrera, Ricardo
Barriopedro, David
Salcedo-Sanz, Sancho
author_role author
author2 Pérez-Aracil, Jorge
Marina, Cosmin
García-Herrera, Ricardo
Barriopedro, David
Salcedo-Sanz, Sancho
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Meteorología
UTCI
Selección de predictores
Aprendizaje automático
topic Meteorología
UTCI
Selección de predictores
Aprendizaje automático
dc.description.none.fl_txt_mv La exposición a condiciones ambientales extremas, como el calor intenso y la alta humedad, puede comprometer la capacidad del organismo para regular eficazmente su temperatura interna. El Índice Climático Térmico Universal (UTCI) es una herramienta bioclimática que permite evaluar el impacto combinado de la temperatura, el viento, la radiación y la humedad sobre el cuerpo humano. Una estimación precisa del estrés térmico mediante el UTCI puede ayudar a reducir los riesgos para la salud y fortalecer la preparación ante eventos climáticos extremos. A diferencia de los modelos meteorológicos tradicionales, fundamentados en ecuaciones físicas, los avances en inteligencia artificial (IA) han permitido crear sistemas que, mediante el entrenamiento en datos históricos, generan pronósticos con mayor rapidez. Sin embargo, estos modelos de IA suelen ser menos interpretables y no siempre proporcionan todas las variables necesarias para calcular el UTCI, especialmente los datos de radiación, aunque sí incluyen temperatura, humedad, viento y altura geopotencial en varios niveles atmosféricos. En este contexto, el presente estudio propone una metodología para estimar el UTCI en el sur de Sudamérica utilizando exclusivamente las variables disponibles en modelos basados en IA. Se analiza la precisión de dicha estimación y, posteriormente, se aplica a predicciones meteorológicas generadas por estos modelos para evaluar las condiciones térmicas durante un evento de ola de calor. Finalmente, se comparan los pronósticos del UTCI obtenidos mediante IA con los generados por el modelo tradicional GFS.
Facultad de Ciencias Astronómicas y Geofísicas
description La exposición a condiciones ambientales extremas, como el calor intenso y la alta humedad, puede comprometer la capacidad del organismo para regular eficazmente su temperatura interna. El Índice Climático Térmico Universal (UTCI) es una herramienta bioclimática que permite evaluar el impacto combinado de la temperatura, el viento, la radiación y la humedad sobre el cuerpo humano. Una estimación precisa del estrés térmico mediante el UTCI puede ayudar a reducir los riesgos para la salud y fortalecer la preparación ante eventos climáticos extremos. A diferencia de los modelos meteorológicos tradicionales, fundamentados en ecuaciones físicas, los avances en inteligencia artificial (IA) han permitido crear sistemas que, mediante el entrenamiento en datos históricos, generan pronósticos con mayor rapidez. Sin embargo, estos modelos de IA suelen ser menos interpretables y no siempre proporcionan todas las variables necesarias para calcular el UTCI, especialmente los datos de radiación, aunque sí incluyen temperatura, humedad, viento y altura geopotencial en varios niveles atmosféricos. En este contexto, el presente estudio propone una metodología para estimar el UTCI en el sur de Sudamérica utilizando exclusivamente las variables disponibles en modelos basados en IA. Se analiza la precisión de dicha estimación y, posteriormente, se aplica a predicciones meteorológicas generadas por estos modelos para evaluar las condiciones térmicas durante un evento de ola de calor. Finalmente, se comparan los pronósticos del UTCI obtenidos mediante IA con los generados por el modelo tradicional GFS.
publishDate 2025
dc.date.none.fl_str_mv 2025
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/193335
url http://sedici.unlp.edu.ar/handle/10915/193335
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-34-2665-4
info:eu-repo/semantics/altIdentifier/url/https://cenamet.org.ar/congremet/wp-content/uploads/2025/11/A1_T061.pdf
info:eu-repo/semantics/reference/hdl/10915/193317
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1863367892728283136
score 13.05261

Publicaciones similares