Problemática: El uso de técnicas de inteligencia artificial para la predicción de precipitaciones constituye un método robusto, especialmente aplicable en regiones vulnerables como Villa Clara, Cuba. Al integrar series históricas con las proyecciones climáticas generadas por el modelo HadRCM (PRECIS), se incrementa la precisión de los pronósticos y se facilita un análisis detallado de las variaciones asociadas al cambio climático, estableciendo una base sólida para el desarrollo de estrategias de mitigación y adaptación en la gestión de riesgos ambientales.

Objetivo: Desarrollar e implementar un modelo predictivo basado en una red neuronal LSTM, que permita prever las precipitaciones hasta el año 2099 y evaluar el impacto del cambio climático en la región, identificando el escenario climático predominante mediante el uso de algoritmos de clasificación.

Metodología: Se analizaron datos diarios de cinco estaciones meteorológicas, ajustando la red neuronal mediante técnicas de escalado, validación cruzada Walk-Forward y optimización de hiperparámetros con Keras Tuner.

Resultados: El modelo resultante mostró un error MAE de 0.19 y un MSE de 0.05, evidenciando su alta precisión. Adicionalmente, el algoritmo KNN determinó que las proyecciones se alinean con el escenario de emisiones altas (RCP 8.5).

Conclusiones: El escenario RCP 8.5, asociado a un incremento sostenido en las emisiones de gases de efecto invernadero, conllevaría cambios significativos en los patrones de lluvia, aspecto crucial para la planificación hídrica y agrícola. De esta forma, la utilidad de la inteligencia artificial en la mejora de las proyecciones climáticas y en el desarrollo de estrategias de adaptación frente al cambio climático.