Modelos comparativos de aprendizaje automático para la gobernanza del riesgo climático: evidencia a partir de conjuntos de datos ambientales globales.

Resumen

El cambio climático ha incrementado significativamente la complejidad e incertidumbre asociadas a la gobernanza del riesgo ambiental, requiriendo modelos predictivos avanzados capaces de soportar procesos de toma de decisiones en entornos dinámicos y no lineales. Este estudio desarrolla un marco analítico comparativo para evaluar el desempeño de tres modelos de machine learning—Random Forest (RF), XGBoost y Long Short-Term Memory (LSTM)—en la predicción del riesgo climático utilizando datos ambientales globales. La investigación adopta un diseño cuantitativo basado en modelos, integrando variables como temperatura, emisiones de CO₂, precipitación y eventos extremos en el periodo 2000–2025. El desempeño de los modelos se evalúa mediante validación cruzada k-fold y métricas como RMSE, MAE y precisión predictiva. Los resultados evidencian que XGBoost presenta el mejor desempeño en datos estructurados, mientras que LSTM destaca en la captura de patrones temporales. No obstante, se identifica una limitación estructural: la escasa integración de estos modelos en marcos de gobernanza.