Estimación de la radiación UV con modelos de Machine Learning a partir de sensores hidrometeorológicos en el Distrito Metropolitano de Quito (DMQ)

Abstract

En el presente trabajo de maestría se desarrolló un modelo predictivo para la estimación del Índice Ultravioleta en Quito, basado en datos meteorológicos de 4 estaciones y técnicas de aprendizaje automático. Tras comparar algoritmos y evaluar el impacto de la heterogeneidad espacial, se seleccionó LightGBM entrenado exclusivamente con datos de la estación Belisario como el modelo final, alcanzando un 𝑅2 de 0.942, RMSE de 0.809 y un desempeño sobresaliente en rangos críticos (MAE extremo = 1.737; recall IUV >8 = 0.807). Se implementó una aplicación web interactiva con Streamlit y Folium que permite la edición manual de sensores (RS, TMP, HUM), visualización geográfica satelital de las 33 estaciones (9 de la Secretaría de Ambiente y 24 de EPMAPS) y actualización en tiempo real de predicciones, con indicadores de riesgo y recomendaciones sanitarias según estándares OMS. Los resultados demuestran que el enfoque por estación individual supera al modelo global en precisión y utilidad práctica, destacando la importancia de considerar la variabilidad microclimática en regiones andinas tropicales. La solución propuesta ofrece una herramienta viable para monitoreo ambiental y prevención de riesgos asociados a la radiación ultravioleta, con potencial de escalabilidad e integración con sistemas de alerta sanitaria.