Revista Athenea · Artículo de investigaciónVol. 7 · Núm. 26 · Octubre–diciembre de 2026 · pp. 19–29 · ISSN-e 2737-6419
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) Artículodeinvestigaciónhttps://doi.org/10.47460/athenea.v7i26.154 Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales JoanPatricioCobeñaCevallos https://orcid.org/0000-0003-1157-0036 joanpa13.cc@gmail.com EscuelaSuperiorPolitécnicaAgropecuariadeManabíManuelFélixLópezCalceta,Ecuador VicenteMarlonVillaVilla https://orcid.org/0000-0002-4292-2391 mvilla@unach.edu.ec UniversidadNacionaldeChimborazoRiobamba,Ecuador MarcoVinicioParraChávez https://orcid.org/0009-0000-1252-0108 marcov.parra@espoch.edu.ec EscuelaSuperiorPolitécnicadeChimborazoRiobamba,Ecuador AnaCarolaFloresMancheno* https://orcid.org/0000-0003-0780-5226 acmancheno@espoch.edu.ec EscuelaSuperiorPolitécnicadeChimborazoRiobamba,Ecuador *Autordecorrespondencia: acmancheno@espoch.edu.ec Recibido:(14/07/2026),Aceptado:(08/10/2026) Resumen. Lasolasdecalorurbanasrequierenmétodoscapacesderepresentarestacionalidad,persis-tenciayextremos.SedesarrollóunmarcoretrospectivodemodelizaciónparaGuayaquilcontemper-aturaatmosféricadereanálisis,anomalíasoceánicasytemperaturasuperficialsatelital.Laestructuratemporalserepresentómedianteregresiónarmónicadinámicaconerroresautorregresivosintegradosdemediamóvilysecomparóconpersistenciamediantevalidacióncronológicaindependiente.Tambiénseevaluaronunaformulaciónprobabilísticayunadefiniciónalternativadeoladecalor.LamodelizacióntemporalredujoelerrordetemperaturamáximadeERA5-Landrespectodelreferenteingenuo,mientrasquelasanomalíasoceánicasaportaronunamejoramarginalparalamáximaydeterioraronlamínima.Lapredicciónprobabilísticaaumentóladeteccióndeepisodios,aunquegenerómásfalsasalarmas.MODISmostrómayoranomalíatérmicasuperficialnocturnadurantelosepisodiosmásestrictos.Losresultadosseparanexplícitamenteexactitudtérmica,deteccióndeextremosyevidenciasatelitalcomplementaria. Palabrasclave: olasdecalor,seriestemporales,predicciónprobabilística,teledetección. MathematicalModelingandPredictionofHeatwavesUsingTimeSeriesandSatelliteData Abstract. Urbanheatwavesrequiremethodscapableofcapturingseasonality,persistence,andextremetemperatureevents.AretrospectivemodelingframeworkwasdevelopedforGuayaquilusingreanalysis-basedairtemperature,oceanicanomalies,andsatellite-derivedlandsurfacetemperature.Temporaldynamicswererepresentedusingdynamicharmonicregressionwithautoregressiveintegratedmovingaverage(ARIMA)errorsandcomparedagainstapersistencebaselinethroughindependentchronologicalvalidation.Aprobabilisticforecastingapproachandanalternativeheatwavedefinitionwerealsoevalu-ated.TemporalmodelingreducedtheforecastingerrorforERA5-Landmaximumtemperaturerelativetothenaivebaseline,whereasoceanicanomaliesprovidedonlymarginalimprovementsformaximumtemperatureanddegradedminimumtemperaturepredictions.Probabilisticforecastingimprovedheat-waveeventdetection,althoughitalsoincreasedthefrequencyoffalsealarms.MODISobservationsrevealedgreaternighttimelandsurfacetemperatureanomaliesduringeventsmeetingthemorestrin-gentheatwavecriterion.Thesefindingsexplicitlydistinguishtemperatureforecastingaccuracy,extremeeventdetection,andcomplementarysatellite-basedevidence. Keywords: heatwaves,timeseries,probabilisticforecasting,remotesensing. CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales19
Página 19 de 29 · 1 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) I.INTRODUCCIÓN Lasolasdecalorsonepisodiospersistentesdetemperaturaanormalmenteelevadacuyaseveridaddependedelaintensidad,laduraciónyelcontextoclimáticolocal.EnelcapítulodedicadoaAméricaCentralydelSurdelSextoInformedeEvaluacióndelIPCC,laevaluacióndeexposiciónaolasdecalorutilizacomocriteriounperiododealmenosdosdíasconsecutivosenelquelastemperaturasdiariamáximaymínimasuperansimultáneamenteelpercentil95desusrespectivasclimatologías[ 1 ].EnSudamérica,lapersistenciadelestréstérmicohaaumentadoypresentacontrastesmarcadosentreregionescosteraseinteriores[ 2 ].Estascondicionesconviertenlaprediccióndeextremosurbanosenunproblematemporaldistintodelsimpleajustedelatemperaturamedia.EnEcuador,lasproyeccionesdisponiblesmuestranunaseñalparticularmenteintensaenlaregiónCostayasociacionesentretemperaturasextremasymodosdevariabilidaddelPacífico[ 3 ].Guayaquilresultapertinenteparaevaluarpronósticosdecortoplazoporsulocalizacióntropicalcostera,suexposi-ciónalPacíficoorientalylaextensióndesusuperficieconstruida.Sinembargo,laevidenciaecuatorianarecientesehaconcentradoprincipalmenteenproyeccionesclimáticasycaracterizacióntérmica,mientrasquelaevaluaciónfuerademuestrademodelosdiariosdeolasdecalorsiguesiendolimitada.Desdelaperspectivamatemática,unaseriediariadetemperaturacombinauncicloanualdeperiodolargocondependenciadecortoplazoyepisodiospersistentes.Lapersistenciaatmosféricacondicionalapredictibilidaddelatemperaturaydesusextremos[ 4 ],ymodelosrecientesdeolasdecalormuestranlautilidadderepresentarexplícitamenteestadospersistentesycomportamientodecola[ 5 ].AellosesumalainfluenciapotencialdelPacíficooriental:laregiónNiño1+2estáestrechamenterelacionadaconelcalentamientocosteroqueafectaaPerúyEcuador[ 6 ],mientrasqueelproductoNOAAOISSTpermitedescribirdiariamentelasanomalíasdetemperaturasuperficialdelmarapartirdeinformaciónsatelitaleinsituintegrada[ 7 ].Lainformaciónsatelitalte-rrestreaportaunadimensióndiferente.Latemperaturasuperficialte-rrestrenoequivalealatemperaturadelaire,peroreflejaelbalanceenergéticodelasuperficieypuederevelarpersistenciatérmicaurbana.Estudiosconsatélitesgeoestacionariosyreanálisismuestranquelosproductosdemenorresoluciónpuedensuavizarelciclodiurnoysubrepresentarextremosurbanos[ 8 ],[ 9 ].Porello,resultametodológicamenteútilsepararelproblemapredictivoatmosféricodelanálisisfísicosuperficial,enlugardeasumirqueambastemperaturassonintercambiables.ElobjetivofuedesarrollaryevaluarunmarcodemodelizaciónmatemáticaparapronosticarlatemperaturarepresentadaporERA5-LandylasolasdecalorenGuayaquil,comparandopersistencia,regresiónarmónicadinámicaconerroresARIMAyunaextensiónconanomalíasoceánicas.Lacon-tribuciónnosesustentaenproponerunanuevadefinicióndeoladecalorniunnuevoalgoritmo,sinoenresponder,bajoparticióntemporalindependienteyhorizontesdeunoatresdías,trespreguntasverifi-cables:siunamenorpérdidacontinuasetraduceenmejordeteccióndeextremos;siOISSTaportavalorincrementalunavezrepresentadaslaestacionalidadylaautocorrelación;ysilosepisodiosatmosféricosmantienenunaseñaltérmicasuperficialcoherenteenMODIS.Elartículoseorganizaenfundamentosteóricos,metodología,resultadosysudiscusión,conclusionesyreferencias. II.FUNDAMENTOSTEÓRICOS A.Modelizacióntemporalyprediccióndeextremos Laregresiónarmónicadinámicarepresentalaestacionalidadmedianteparesseno-cosenoydelegalaautocorrelaciónresidualaunprocesoARIMA.Estaformulaciónesparsimoniosaparafrecuenciasdiariasporqueevitaunaestructuraestacionaldecientosdeparámetros.Enpronóstico,laevaluacióndeberealizarsefuerademuestrayrespetarelordentemporal;losesquemasrolling-originsonespecialmenteadecuadosparaevitarcontaminaciónentreentrenamientoyprueba[ 10 ].Laexactitudcontinuayladeteccióndeextremosnosonequivalentes:unmodelopuedereducirelerrormedioy,alavez,suavizarlospicosquedefinenunevento.ERA5-Landofreceseriesterrestresconsistentesydealtaresolucióntemporalparaaplicacionesambientales[ 11 ],aunquesudesempeñopuededegradarseensuperficiesurbanasyduranteextremos.Paralatemperaturasuperficialterrestre(LST,porsussiglaseninglés),MODISdisponedeproductosTerrayAquacuyaexactitudhasidoevaluadamediantevalidacionesradiométricaseinsitu[ 12 ],[ 13 ].El CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales20
Página 20 de 29 · 2 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) usoconjuntodereanálisisyobservaciónsatelitalpermiteconservarcontinuidadtemporalsinrenunciaraunacomprobaciónsuperficialindependiente. B.Informaciónoceánica,superficieurbanaeincertidumbre Lamodulaciónoceánicapuedeactuarenescalasdiferentesalasdelpronósticometeorológicodiario.OISSTintegrasatélite,barcosyboyasmedianteinterpolaciónóptima[ 7 ],mientrasqueNiño1+2resumeelestadotérmicodelPacíficoorientalpróximoaEcuador[ 6 ].Enparalelo,estudiosconMODISmuestransinergiasentreisladecalorsuperficialyepisodioscálidosengrandesregionesurbanas[ 14 ].Enentornosurbanoscosteros,lasevaluacionesdeERA5-Landtambiénhanidentificadodiferenciasysesgosenlarepresentacióndelatemperaturadelaire,loquejustificainterpretarconcautelalosextremosderivadosexclusivamentedelreanálisis[ 15 ].Estasfuentesnogarantizanporsímismasunamejorapredictiva;suvalordebedemostrarsefrenteaunmodelotemporalsinregresoresexternos.Elerrorabsolutomedioescaladofacilitacomparacionesrespectodeunreferenteingenuo[ 16 ],lapruebadeDiebold-Marianocontrastadiferenciasdeprecisiónentremodelos[ 17 ]yelBrierscorecuan-tificaelerrordeprobabilidadesbinarias[ 18 ].Paraextremos,ademásdeprecisiónyF1,elrecalldeeventosesrelevanteporqueunaalertapuedeconsiderarseútilauncuandolafechaexactadeiniciopre-senteincertidumbre.Larepresentaciónexplícitadelaincertidumbrepredictivatambiénpuedemejorarlaanticipacióndeliniciodeolasdecalor,especialmentecuandolaevaluaciónseformulaentérminosprobabilísticosynoúnicamentemedianteprediccionespuntuales[ 19 ]. III.METODOLOGÍA A.Datos,periodoyparticióntemporal SeconstruyóunaseriediariaparaGuayaquilentreel1deenerode2003yel31dediciembrede2025.Launidadtemporaldeanálisisfueeldíaylosepisodiossedefinieroncomosecuenciasdedíasconsecutivosquecumplieronelcriteriotérmicocorrespondiente.LasextraccionesgeoespacialesserealizaronenGoogleEarthEngineduranteseptiembrede2026.Ellímiteadministrativoseob-tuvode FAO/GAUL/2015/level2 ylatemperaturaatmosféricade ECMWF/ERA5_LAND/DAILY_AGGR .Seextrajeronlatemperaturamedia,latemperaturamáximadiaria(Tmax)ylatemperaturamínimadiaria(Tmin),todasadosmetrosdealtura,ysecalculólamediaespacialdecadavariabledentrodeGuayaquil.Laseriefinaltuvo8401días,sinfechasduplicadasnihuecos.LaLSTseobtuvode MODIS/061/MOD11A1 (Terra)y MODIS/061/MYD11A1 (Aqua).Lasuperficieconstruidasederivóde JRC/GHSL/P2023A/GHS_BUILT_S/2020 yseagregóalamallaMODIS.Trasunaauditoríapreviadecobertura,realizadaantesdeloscontrastesfinales,sefijócomocriteriomínimounacoberturaurbanaválidade10%paraevitarquelamediadiariadependierademuypocospíxeles;losfaltantesMODISnoseimputaron.Paraelocéanoseutilizó NOAA/CDR/OISST/V2_1 enunsectorcosterode81,5–80,5 ◦ Oy3,5–2,0 ◦ SyenNiño1+2(90–80 ◦ O;10 ◦ S–0 ◦ ).Unúnicodíaausente,14deenerode2025,seinterpolólinealmente.ComoOISSTfinalsustituyelaversiónpreliminaraproximadamentedossemanasdespués,losregresoresoceánicossedesplazaron15días;estadecisiónsefijópordisponibilidaddelproductoynopordesempeñopredictivo.Laseriesedividiócronológicamenteenentrenamiento2003–2018,validación2019–2022ypruebaindependiente2023–2025.Ningunaobservacióndelapruebaintervinoenlaselecciónestructuraldelosmodelos,enlosumbralesclimatológicosnienlaeleccióndelumbralprobabilístico.Loshorizontesfueronuno,dosytresdías.Estaseparaciónsemantuvotambiénenlosanálisisdesensibilidadparaevitarquelasdecisionesmetodológicasseajustaranretrospectivamentealperiodofinal. B.Definicióndeeventosymodelos Ladefiniciónprincipal(P95)siguióelcriterioutilizadoenlaevaluaciónregionaldelIPCCparaAméricaCentralydelSur[ 1 ]yclasificóunaoladecalorcuandoTmaxyTminsuperaronsimultánea-mentesusrespectivospercentilesclimatológicos95durantealmenosdosdíasconsecutivos.Losum-bralessecalcularonsoloconelentrenamientomedianteunaventanacircularde ± 15 días,equivalenteaunavecindadclimatológicade31díasalrededordecadafechadelcalendario;laventanasefijóparasuavizarlaestacionalidaddiariasinmezclarestacionesalejadasdelaño.Comoanálisisdesensibilidadseutilizóladefiniciónalternativa(P90),queconsideróTmaxporencimadesupercentilclimatológico CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales21
Página 21 de 29 · 3 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) 90durantealmenostresdíasconsecutivos.Ladefiniciónalternativasepreestablecióantesdecomparareldesempeñofinalynoreemplazóalcriterioprincipal.ElmodeloM0fuepersistencia.Paraunhorizonte h ,elpronósticofuelaúltimatemperaturaobservada: � T ( t + h )= T ( t ) (1) EnM1seutilizóregresiónarmónicadinámicaconcincoparesdeFourieryerroresARIMA.Lacomponenteestacionalfue: H K ( t )= K � k = 1 � a k sin � 2 πkt 365,25 � + b k cos � 2 πkt 365,25 �� (2) Elmodelocompletoseexpresócomo: T ( t )= β 0 + H K ( t )+ n ( t ) , n ( t ) ∼ ARIMA ( p , d , q ) (3) LaselecciónmedianteAICcseefectuóexclusivamenteconelperiododeentrenamientoyprodujo K = 5 ,ARIMA(1,0,4)paraTmaxyARIMA(2,0,4)paraTmin.Unavezelegidas,estasestructurassemantuvieronfijasenvalidaciónyprueba.M2conservóexactamente K ylosórdenesARIMAdeM1eincorporóúnicamentelasanomalíasoceánicasdesfasadas,demodoquelacomparaciónM1–M2aislaraelvalorincrementaldeOISSTynomezclaraeseefectoconuncambiosimultáneodeestructura: T ( t )= β 0 + H K ( t )+ γ 1 A costa ( t − 15 )+ γ 2 A Niño1+2 ( t − 15 )+ n ( t ) (4) C.Validaciónyevaluaciónprobabilística Laevaluaciónempleórolling-origindurantevalidaciónyprueba.ParaTmaxyTminsecalcularonerrorabsolutomedio(MAE),raízdelerrorcuadráticomedio(RMSE)yerrorabsolutomedioescalado(MASE)ysesgo,siemprerespectodelaserieERA5-Landutilizadacomoobjetivo.LasdiferenciasentreM1yM2secontrastaronconDiebold-Marianousandopérdidacuadrática.Laclasificaciónpuntualaplicódirectamentelosumbralesclimatológicosalastemperaturaspronosticadas.Laestructurayloshiperparámetrospermanecieronfijadosantesdeiniciarlapruebaindependiente.ParaM1yM2secalculótambiénlaprobabilidaddesuperarelumbraldiarioapartirdelamediayelerrorestándarpredictivos: P [ T ( t ) >u ( t )]= 1 − Φ � u ( t ) − � µ ( t ) � σ ( t ) � (5) LosumbralesdedecisiónprobabilísticosseeligieronmaximizandoF1únicamenteen2019–2022ysemantuvieronfijosen2023–2025.ParaP95,dadoqueeleventorequeríalaexcedenciasimultáneadelosumbralesdeTmaxyTmin,nosemultiplicarondirectamentelasprobabilidadesmarginalesbajounsupuestodeindependencia.Seutilizóunadistribuciónnormalbivariadadeloserrorespredictivosestandarizados,cuyadependenciacontemporáneaserepresentómedianteelcoeficiente ρ .Elcoeficiente ρ seestimócomolacorrelacióndePearsonentrelosresiduospareadosdelosmodelosdeTmaxyTminobtenidosexclusivamenteduranteelperiododeentrenamiento2003–2018.EsteparámetrocuantificólaasociaciónresidualentreloserroresdeTmaxyTmindespuésdelajustedecadamodeloysemantuvofijodurantelaevaluaciónfuerademuestra.Losvaloresutilizadosfueron ρ = 0,0426 paraM1y ρ = 0,0411 paraM2,loqueindicaunadependenciaresidualpositivaperodébil.Paracadafechayhorizonte,laprobabilidadconjuntaseobtuvocomo 1 − Φ ( z max ) − Φ ( z min )+ Φ 2 ( z max , z min ; ρ ) ,donde z max y z min representanlosumbralesP95estandarizadosmediantelamediayelerrorestándarpredictivoscorrespondientes.ParaP90,alintervenirúnicamenteTmax,seutilizólaprobabilidadmarginaldeexcedencia.Seevaluaronprecisión,recall,F1,tasadefalsasalarmas,Brierscore,PR-AUCyROC- CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales22
Página 22 de 29 · 4 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) AUC.Elrecalldeeventosconsideródetectadounepisodiorealcuandoalmenosunepisodiopronosticadosesuperpusotemporalmenteconél. D.AnálisisMODIS ParaTerradía,Aquadía,TerranocheyAquanocheseconstruyeronclimatologíasMODISconentrenamientoyventana ± 15 días.Cadaepisodiosecomparócondíasnoclasificadoscomooladecalorsituadosdentrode ± 30 días;estaventanalocalsefijóantesdelcontrasteparareducirconfusiónestacionalsinutilizarcomocontrolesfechastérmicamentedistantes.Lasdiferenciasporeventoseresumieronmediantelamedianaysuintervalodeconfianzadel95%(ICdel95%),estimadomediantebootstrapcon5000remuestreos.SeaplicóWilcoxonpareadoycorreccióndeHolmparalascuatrocomparaciones.ElprocedimientoserepitióconP90comosensibilidadynoserellenaronhuecosMODIS. E.Reproducibilidadytrazabilidad Losarchivosfuenteseconservaronporseparadoysinsobrescritura:ERA5-Land,MODISTerra,MODISAquayOISST.Apartirdeellossegeneraronunabaseanalíticaintegrada,pronósticosrolling-origin,métricas,listasdeeventosydatosdefiguras.ElprocesamientoestadísticoylageneracióndesalidasserealizaronenPythonconNumPy,pandas,SciPy,statsmodelsyscikit-learn. IV.RESULTADOS A.Frecuenciayestructuratemporaldeloseventos LadefiniciónP95identificó54episodiosy218díasdeoladecalor.Lapruebaindependienteconcentró36eventosy173días;ladefiniciónP90identificó101episodiosy536días.LaTabla 1 resumeladistribuciónporparticiónanalítica.Estaconcentraciónnoseinterpretócomounaestimacióncausaldetendencia,porqueelperiododereferenciasemantuvofijoparapreservarlaindependenciadelaprueba.Lasensibilidaddelasmétricasdeoladecaloralbaselineestádocumentadaenlaliteraturareciente[ 20 ]. Tabla1. Distribucióndeeventosydíasdeoladecalor Periodo EventosP95 DíasP95 EventosP90 DíasP90 Entrenamiento2003–2018 13 31 38 169 Validación2019–2022 5 14 17 73 Prueba2023–2025 36 173 46 294 Total 54 218 101 536 Nota. P95:oladecalordefinidaporlaexcedenciasimultáneadelpercentil95deTmaxyTmindurantealmenosdosdíasconsecutivos;P90:excedenciadelpercentil90deTmaxdurantealmenostresdíasconsecutivos.TmaxyTmincorrespondenalastemperaturasmáximaymínimadiarias,respectivamente. ParacomplementarladistribuciónresumidaenlaTabla 1 yvisualizarlaevolucióninteranualdeloseventos,laFig. 1 presentaelnúmeroanualdedíasP95,díasP90yeventosP95registradosentre2003y2025.LarepresentaciónpermiteidentificarlamarcadaconcentracióndedíasP95eneltramofinaldelaserie. CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales23
Página 23 de 29 · 5 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) Fig.1. EvoluciónanualdedíasP95,díasP90ynúmerodeeventosP95entre2003y2025.P95:excedenciasimultáneadelpercentil95deTmaxyTmindurantealmenosdosdías;P90:excedenciadelpercentil90deTmaxdurantealmenostresdías.TmaxyTminsonlastemperaturasmáximaymínimadiarias. LaconcentracióndeepisodiosrecientescoincidetemporalmenteconañosdefuertecalentamientodelPacíficooriental,peroeldiseñonopermiteatribuircausalidad.EnEcuador,lasproyeccionesregionaleshanmostradounavulnerabilidadtérmicaelevadadelaCostayasociacionesconíndicesdelPacífico[ 3 ].Porello,elresultadodebeentendersecomounacaracterísticadelconjuntodepruebaynocomoevidenciaindependientedeunatendenciaclimática. B.PrediccióndetemperaturayaportedeOISST En2023–2025,M1yM2redujerondeformaconsistenteelerrordeTmaxdeERA5-Landfrenteapersistencia.Aundía,elRMSEpasóde1,033 ° CconM0a0,834 ° CconM1y0,833 ° CconM2;atresdíasfue1,161,0,874y0,872 ° C,respectivamente.LaTabla 2 muestraquelamejoraadicionaldeM2fuemínimaparaTmaxyqueDiebold-MarianonodetectódiferenciassignificativasentreM1yM2. Tabla2. RMSEenpruebaindependienteycontrasteDiebold-MarianoentreM1yM2 h TmaxM0 TmaxM1 TmaxM2 p(DM,Tmax) TminM0 TminM1 TminM2 p(DM,Tmin) 1 1,033 0,834 0,833 0,5840 0,437 0,395 0,399 0,0056 2 1,153 0,869 0,868 0,4424 0,540 0,459 0,469 0,0011 3 1,161 0,874 0,872 0,4250 0,568 0,477 0,493 0,0002 Nota. TmaxyTmin:temperaturasmáximaymínimadiarias;M0:persistencia;M1:regresiónarmónicadinámicaconerroresARIMA;M2:M1conanomalíasoceánicas;h:horizontedepredicciónendías;RMSE:raízdelerrorcuadráticomedio,expresadaen ° C;DM:pruebadeDiebold-MarianoentreM1yM2;p:valordesignificanciaestadísticadelcontraste. ParacomplementarlacomparaciónresumidaenlaTabla 2 yexaminarladispersióndeloserroresmásalládelRMSE,laFig. 2 presentaladistribucióndelerrorabsolutodeTmaxparalosmodelosM0,M1yM2enloshorizontesdeuno,dosytresdías.Estarepresentaciónpermitecompararlamediana,lavariabilidadylaamplituddeloserroresdecadamodeloenlapruebaindependiente. CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales24
Página 24 de 29 · 6 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) Fig.2. DistribucióndelerrorabsolutodeTmaxpormodeloyhorizonteenlapruebaindependiente.Tmax:temperaturamáximadiaria;M0:persistencia;M1:regresiónarmónicadinámicaconerroresARIMA;M2:M1conanomalíasoceánicas;d:días.Lascajasmuestranelrangointercuartílico,lalíneanaranjalamedianaylosbigoteslosvaloresextremosnoatípicossegúnelcriteriode1,5vecesdichorango. ParaTmindeERA5-Land,M1alcanzóRMSEde0,395,0,459y0,477 ° Cauno,dosytresdías,frentea0,399,0,469y0,493 ° CdeM2.Enestecaso,Diebold-MarianoindicódeteriorosignificativodeM2enlostreshorizontes.Enconsecuencia,lasanomalíasOISSTnodemostraronunbeneficiogeneralizabledecortoplazo.EsteresultadoescompatibleconlarelevanciaclimáticaregionaldeNiño1+2[ 6 ],[ 7 ],perodelimitasuvalorincrementalparaunpronósticourbanodiariocondicionadoporunaserieatmosféricalocal. C.Detecciónpuntualyprobabilística Laexactitudcontinuanosetrasladódirectamentealaclasificacióndeextremos.ConP95yundíadeanticipación,persistenciaobtuvoF1=0,792,mientrasM1yM2alcanzaron0,697y0,708.Losmodelostemporalesmostraronmayorprecisión,peromenorrecall,loqueevidenciasuavizadodealgunosextremos.LaTabla 3 comparadosnivelescomplementariosdeevaluaciónparaambasdefiniciones:F1,calculadosobrelaclasificacióndiariaderivadadelospronósticospuntuales,yelrecalldeeventos(RecEv),calculadoaniveldeepisodioparalaclasificaciónprobabilísticadeM1yM2.BajoP90,M2superóligeramenteaM1enF1puntualenlostreshorizontes,aunquepersistenciasiguiósiendomuycompetitiva. Tabla3. Deteccióndeolasdecalorenlapruebaindependiente h P95F1M0 P95F1M1 P95F1M2 P95RecEvM1 P95RecEvM2 P90F1M0 P90F1M1 P90F1M2 P90RecEvM1 P90RecEvM2 1 0,792 0,697 0,708 0,889 0,889 0,842 0,690 0,725 0,978 0,978 2 0,661 0,641 0,646 0,750 0,833 0,717 0,603 0,621 0,978 0,935 3 0,622 0,610 0,633 0,750 0,722 0,612 0,578 0,593 0,935 0,935 Nota. h:horizontedepredicciónendías;P95:TmaxyTminsuperioresasuspercentiles95durantealmenosdosdíasconsecutivos;P90:Tmaxsuperiorasupercentil90durantealmenostresdíasconsecutivos;M0:persistencia;M1:regresiónarmónicadinámicaconerroresARIMA;M2:M1conanomalíasoceánicas.F1:mediaarmónicadeprecisiónyrecallcalculadapordíaapartirdepronósticospuntuales.RecEv:proporcióndeepisodiosobservadosdetectadosporlaclasificaciónprobabilísticadeM1yM2;seconsideradetectadounepisodiocuandoexistesuperposicióntemporalconunepisodiopronosticado. Lacorrelaciónresidualempleadaenladistribuciónbivariadafuebajaenambosmodelos( ρ = 0,0426 enM1y ρ = 0,0411 enM2),porloqueladependenciaremanenteentreloserroresdeTmaxyTminfuelimitada.Laformulaciónprobabilísticamodificóelequilibrioentreomisionesyfalsasalarmas.ParaP95,M1detectó32de36eventosaundíay27atresdías;M2detectó32y26,respectivamente.ParaP90,ambosmodelosdetectaron45de46eventosaundía,yelrecalldeeventossemantuvoporencimade0,93hastatresdías.Elcostofueunaumentodefalsospositivos.LaFig. 3 muestra CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales25
Página 25 de 29 · 7 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) queladiscriminaciónprobabilísticasemantuvoalta,aunqueelBrierscoreempeoróconelhorizonte.Estepatrónrefuerzaqueunsistemadealertadebeevaluarprobabilidadesyeventos,nosoloRMSE.Laliteraturarecientesobreprediccióndeiniciodeolasdecalortambiéndestacaelpapeldelaincertidumbreexplícita[ 19 ]. Fig.3. MétricasprobabilísticasP95deM1yM2enlapruebaindependiente.Semuestra1-Brierparamantenerlaorientaciónde“mayoresmejor”.P95:definicióndeoladecalorbasadaenlaexcedenciasimultáneadelpercentil95deTmaxyTmindurantealmenosdosdías;M1:regresiónarmónicadinámicaconerroresARIMA;M2:M1conanomalíasoceánicas;PR-AUC:áreabajolacurvaprecisión-recall;ROC-AUC:áreabajolacurvacaracterísticaoperativadelreceptor;1-Brier:complementodelpuntajedeBrier. D.RespuestatérmicasuperficialobservadaconMODIS MODISaportóobservacionesútilesen45delos54eventosP95.Trasexigircoberturaurbanaválidaycompararcadaepisodioconcontroleslocalesenelcalendario,laseñaldiurnanofueconcluyente.Encambio,Terranochepresentóunadiferenciamedianadeanomalíade+0,91 ° CyAquanochede+1,24 ° C;ambasconservaronsignificanciadespuésdeHolm.LaTabla 4 sintetizaelcontraste.Estosresultadosseinterpretancomocontrastefísicocomplementarioynocomovalidacióndelatemperaturadelaire. Tabla4. DiferenciasdeanomalíaLSTentreeventosycontrolestemporales Sensor ∆ P95( ° C) ICdel95%(P95) p(Holm,P95) ∆ P90( ° C) p(Holm,P90) Terradía -0,50 -1,99a2,07 0,8325 0,18 0,7400 Aquadía 0,92 -1,08a1,94 0,7108 0,73 0,1394 Terranoche 0,91 0,17a1,46 0,0359 0,43 0,3242 Aquanoche 1,24 0,23a2,32 0,0223 0,32 0,2067 Nota. LST:temperaturasuperficialterrestre; ∆ :medianadelasdiferenciasdeanomalíaLSTentreeventosycontrolestemporales;P95yP90:definicionesdeoladecalorbasadasenlospercentiles95y90delatemperaturadelaire,respectivamente;ICdel95%:intervalodeconfianzaestimadomediantebootstrap,presentadoparaP95;p(Holm):valorpajustadoporcomparacionesmúltiplesmedianteelmétododeHolm.TerrayAquacorrespondenalossensoressatelitalesMODIS. ParacomplementarlosvaloresresumidosenlaTabla 4 yvisualizarlavariabilidadentreepisodios,laFig. 4 presentaladistribucióndelasdiferenciasdeanomalíaLSTentreloseventosysuscontrolestemporalesparaTerrayAqua,diferenciandoobservacionesdiurnasynocturnasbajolasdefinicionesP95yP90. CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales26
Página 26 de 29 · 8 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) Fig.4. DistribucióndelasdiferenciasdeanomalíaLSTporevento,sensor,periodoydefinicióndeoladecalor.LST:temperaturasuperficialterrestre;P95:olasdecalordefinidasporTmaxyTminsuperioresasuspercentiles95durantealmenosdosdías;P90:olasdecalordefinidasporTmaxsuperiorasupercentil90durantealmenostresdías.Lalíneaazulindicadiferencianuladeanomalíatérmicaentreeventosycontroles. Larespuestanocturnaesfísicamentecoherenteconunamenorpérdidadecaloralmacenadoporlassuperficiesurbanasduranteepisodiosintensos.LosestudiossatelitaleshanmostradoquelaLSTpuederevelarrasgosdelciclodiurnoquelosreanálisisrepresentandemaneraatenuada[ 8 ],[ 14 ],ylasevaluacionesdeERA5-Landseñalanlimitacionesenáreasconstruidasyduranteextremos[ 9 ],[ 15 ].Sinembargo,laseñalnocturnadejódesersignificativaconP90despuésdelajustemúltiple.Porello,MODISseinterpretacomoevidenciafísicacomplementariaparaloseventosmásestrictosynocomounpredictorcontinuo. CONCLUSIONES LaregresiónarmónicadinámicaconerroresARIMAproporcionóunarepresentacióneficazdelaTmaxdeERA5-Landacortoplazoysuperóapersistenciaenerrorcontinuo.Sinembargo,esebeneficionoimplicóunaventajaautomáticaparaclasificarolasdecalor,loqueconfirmaquelaevaluacióndeextremosrequieremétricasespecíficasademásdemedidaspromediodepronóstico.LasanomalíasoceánicascosterasydelaregiónNiño1+2noañadieronunamejorageneralizablealmodelotemporalenhorizontesdiariosyempeoraronelpronósticodetemperaturamínima.Suutilidadenestecontextoseinterpretacomoinformaciónclimáticadefondo,nocomosustitutodepredictoresatmosféricosdealtafrecuencia.Laformulaciónprobabilísticaincrementóladeteccióndeepisodiosypermitióexplicitarelcompro-misoentreomisionesyfalsasalarmas.MODIS,porsuparte,aportóuncontrastefísicoindependientealmostrarmayorpersistenciatérmicasuperficialnocturnadurantelosepisodiosP95,aunqueesaseñalnofuerobustabajoladefiniciónalternativa.Elmarcopropuestoconstituyeunaevaluaciónretrospectivaynounsistemaoperativodealerta.Suextensiónprioritariadebeincorporarobservacionesmeteorológicasinsituparavalidary,siprocede,corregirERA5-Land,ademásdepredictoresatmosféricosoperativoscomohumedad,viento,radiaciónynubosidad.Mantenerparticionestemporalesestrictasyevaluaciónprobabilísticapermitirádeterminarsiesasvariablesaumentanelrecallsindegradarlacalibraciónniincrementarexcesivamentelasfalsasalarmas. CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales27
Página 27 de 29 · 9 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) REFERENCIAS [1] E.Castellanos etal. ,“Centralandsouthamerica,”in ClimateChange2022:Impacts,Adapta-tionandVulnerability.ContributionofWorkingGroupIItotheSixthAssessmentReportoftheIntergovernmentalPanelonClimateChange ,H.-O.Pörtner etal. ,Eds.Cambridge,UKandNewYork,NY,USA:CambridgeUniversityPress,2022,pp.1689–1816. [2] V.F.V.V.Miranda etal. ,“Heatstressinsouthamericaoverthelastfourdecades:Abioclimaticanalysis,” TheoreticalandAppliedClimatology ,vol.155,no.2,pp.911–928,2024. [3] D.Portalanza etal. ,“Projectedheatwavesinecuadorunderclimatechange:Insightsfromhadgem-regcm4coupledmodel,” Earth ,vol.5,no.1,pp.90–109,2024. [4] E.Holmberg,S.Tietsche,andG.Messori,“Forecastingatmosphericpersistenceandimplicationsforthepredictabilityoftemperatureandtemperatureextremes,” QuarterlyJournaloftheRoyalMeteorologicalSociety ,vol.150,no.765,pp.5518–5534,2024. [5] V.Gioia,G.DiCredico,andF.Pauli,“Localsummertemperaturedynamics:Bayesianmarkov-switchingtoforecastannualfrequencyanddurationofheatwaves,” InternationalJournalofForecasting ,2026. [6] K.R.Gomez-Tunque,E.Ingol-Blanco,R.R.Gutierrez,J.Mejia-Marcacuzco,E.Chávarri-Velarde,andE.Pino-Vargas,“Forecastingcoastalensowarmingintheniño1+2regionusingconvlstm:Towardimprovedearlywarninginperuandecuador,” WaterResourcesResearch ,vol.62,no.8,p.e2025WR041877,2026. [7] B.Huang,C.Liu,V.Banzon,E.Freeman,andH.-M.Zhang,“Improvementsofthedailyoptimuminterpolationseasurfacetemperature(doisst)version2.1,” JournalofClimate ,vol.34,no.8,pp.2923–2939,2021. [8] J.LeeandA.E.Dessler,“Improvedsurfaceurbanheatimpactassessmentusinggoessatellitedata:Acomparativestudywithera-5,” GeophysicalResearchLetters ,vol.51,no.1,p.e2023GL107364,2024. [9] J.Yu etal. ,“Evaluatingera5-landairtemperatureanddewpointbiasesinbuilt-upenvironmentsintheuk,” UrbanClimate ,vol.69,p.103088,2026. [10] L.J.Tashman,“Out-of-sampletestsofforecastingaccuracy:Ananalysisandreview,” InternationalJournalofForecasting ,vol.16,no.4,pp.437–450,2000. [11] J.Muñoz-Sabater etal. ,“Era5-land:Astate-of-the-artglobalreanalysisdatasetforlandapplica-tions,” EarthSystemScienceData ,vol.13,no.9,pp.4349–4383,2021. [12] Z.Wan,“Newrefinementsandvalidationofthecollection-6modisland-surfacetempera-ture/emissivityproduct,” RemoteSensingofEnvironment ,vol.140,pp.36–45,2014. [13] S.-B.Duan etal. ,“Validationofcollection6modislandsurfacetemperatureproductusinginsitumeasurements,” RemoteSensingofEnvironment ,vol.225,pp.16–29,2019. [14] C.Wei,W.Chen,Y.Lu,T.Blaschke,J.Peng,andD.Xue,“Synergiesbetweenurbanheatislandandurbanheatwaveeffectsin9globalmega-regionsfrom2003to2020,” RemoteSensing ,vol.14,no.1,p.70,2022. [15] J.Zou etal. ,“Performanceofairtemperaturefromera5-landreanalysisincoastalurbanagglom-erationofsoutheastchina,” ScienceoftheTotalEnvironment ,vol.828,p.154459,2022. [16] R.J.HyndmanandA.B.Koehler,“Anotherlookatmeasuresofforecastaccuracy,” InternationalJournalofForecasting ,vol.22,no.4,pp.679–688,2006. [17] F.X.DieboldandR.S.Mariano,“Comparingpredictiveaccuracy,” JournalofBusinessandEconomicStatistics ,vol.13,no.3,pp.253–263,1995. [18] G.W.Brier,“Verificationofforecastsexpressedintermsofprobability,” MonthlyWeatherReview ,vol.78,no.1,pp.1–3,1950. [19] Q.Zhang,M.Mu,andG.Sun,“Skillfulsubseasonalensemblepredictionsofheatwaveonsetsthroughbetterrepresentationoflandsurfaceuncertainties,” npjClimateandAtmosphericScience ,vol.8,no.1,p.15,2025. CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales28
Página 28 de 29 · 10 de 11
ISSN-e:2737-6419Período:octubre-diciembrede2026RevistaAtheneaVol.7,Número26,(pp.19–29) [20] V.A.Fraser-Leonhardt,G.C.Hegerl,andJ.D.P.Mollard,“Sensitivityofheatwavecharacteristicstotheclimaticbaseline,” AtmosphericScienceLetters ,vol.27,no.4,p.e70017,2026. CobeñaJ.etal.Modelizaciónmatemáticayprediccióndeolasdecalormedianteseriestemporalesydatossatelitales29
Página 29 de 29 · 11 de 11