Aplicación de Arquitecturas Híbridas de Aprendizaje Profundo para Predecir Condiciones Climáticas Utilizando Datos Históricos del Distrito Metropolitano de Quito

Abstract

El presente trabajo de investigación evalúa distintas arquitecturas de aprendizaje profundo para el pronóstico de la temperatura en el Distrito Metropolitano de Quito, utilizando 18 años de datos históricos multivariables (2008–2026) recopilados por la Red Metropolitana de Monitoreo Atmosférico de Quito (REMMAQ). Tras un riguroso preprocesamiento e imputación bayesiana, se compararon tres paradigmas bajo horizontes de corto (3 h), medio (48 h) y largo plazo (72 h): modelos estadísticos clásicos (familia ARIMA), Redes Neuronales de Grafos Espaciotemporales (STGNN: A3T-GCN y DCRNN) y Modelos Fundacionales adaptados mediante QLoRA (LLaMA, Mistral) contrastados con el modelo atmosférico ClimaX, apoyado por Recuperación Aumentada por Flujo (RAF)...This research evaluates different deep learning architectures for temperature forecasting in the Metropolitan District of Quito, using 18 years of historical multivariate data (2008–2026) collected by the Quito Metropolitan Atmospheric Monitoring Network (REMMAQ). Following rigorous preprocessing and Bayesian imputation, three paradigms were compared under short- (3 h), medium- (48 h), and long-term (72 h) horizons: classical statistical models (ARIMA family), Spatiotemporal Graph Neural Networks (STGNN: A3T-GCN and DCRNN), and Foundation Models adapted via QLoRA (LLaMA, Mistral) contrasted with the ClimaX atmospheric model, supported by Retrieval-Augmented Flow (RAF)...