Predicción de la contaminación atmosférica generada por las emisiones del CO2 en el Perú utilizando los métodos ARIMA y Redes Neuronales

Abstract

El dióxido de carbono es el principal gas de efecto invernadero (GEI) que conduce al calentamiento global y, en consecuencia, al cambio climático y ambiental. Trae efectos negativos al desarrollo económico, la vida humana y el medio ambiente. Es de suma importancia poder medir y predecir de manera precisa la emisión de dióxido de carbono, ya que de esta manera podemos llevar a cabo una buena política sostenible para nuestro medio ambiente. Ante ello, la presente investigación tiene como principal objetivo encontrar el mejor modelo de predicción de las emisiones de dióxido de carbono (CO2) en el Perú, mediante la evaluación comparativa de los métodos ARIMA y Redes Neuronales Artificiales. Se utilizó los datos anuales de las emisiones de CO2 del Banco Mundial los cuales fueron analizados mediante la programación del software libre R studio. Para determinar el mejor modelo se utilizaron los errores de pronósticos tales como: raíz cuadrada del error cuadrático Medio (RMSE), error absoluto medio (MAE) y error porcentual absoluto medio (MAPE). Los resultados revelan que el modelo más apropiado entre estos dos métodos para la predicción de las emisiones del CO2 en Perú es la red neuronal ANN(5-10-1), es decir, la red neuronal con cinco valores rezagados como entrada conectada por diez nodos en la capa oculta y una sola capa de salida, la cual tuvo una mayor precisión con un RMSE = 1125.82, MAE = 1040.68 y MAPE = 1.90 en la fase de prueba a comparación con el  mejor modelo ARIMA(0,1,10) que tuvo un RMSE = 4223.73, MAE = 3143.40 y MAPE = 5.80 en la fase de prueba. En conclusión, se puede usar las redes neuronales para predecir las emisiones de CO2, la cual mostró claramente que las emisiones anuales de CO2 en el Perú aumentarán en los próximos años. Estos conocimientos reales serán útiles para que los responsables de la formulación de políticas traigan cambios significativos en las principales áreas medioambientales en nuestro país.