Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico
Los estudios publicados sobre el pronóstico de lluvia utilizando técnicas de Aprendizaje Profundo en la región de América del Sur son muy escasos. Las redes de monitoreo hidrometeorológicas disponibles, por lo general redes de pluviómetros, no han proporcionado datos suficientes para lograr resultad...
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
2019
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/32551 |
| _version_ | 1785802363854913536 |
|---|---|
| author | Godoy Mendía, Alberto Steven |
| author2 | Vázquez Patiño, Angel Oswaldo |
| author_facet | Vázquez Patiño, Angel Oswaldo Godoy Mendía, Alberto Steven |
| author_sort | Godoy Mendía, Alberto Steven |
| collection | DSpace |
| description | Los estudios publicados sobre el pronóstico de lluvia utilizando técnicas de Aprendizaje Profundo en la región de América del Sur son muy escasos. Las redes de monitoreo hidrometeorológicas disponibles, por lo general redes de pluviómetros, no han proporcionado datos suficientes para lograr resultados satisfactorios en la predicción de estos patrones (Bendix et al., 2017). En este trabajo se aplican técnicas de Aprendizaje Profundo para enfrentar la problemática. Existiendo en Ecuador una red de radares meteorológicos, RadarNet-Sur, se encontró la posibilidad de aplicar dichas técnicas para el análisis de la información recogida por la red y proponer una metodología para el pronóstico de lluvia. La metodología presentada consta de tres pasos, predicción de imágenes de radar con técnicas de Aprendizaje Profundo, transformación de la salida del primer paso a términos de precipitación, e, interpretación de los resultados obtenidos. Los resultados se prestan a discusión de cómo mejorar la calidad de la predicción obtenida. Esto, a pesar de trabajar con un conjunto de datos limitado, permite la discusión de la factibilidad de usar Aprendizaje Profundo para reproducir la dinámica de movimiento de nubes y pronóstico inmediato de lluvia aunque existe amplia posibilidad de mejorar el modelo en caso de trabajar con un conjunto de datos más grande. Sin embargo, el modelo no es aplicable inmediatamente debido a que el mismo no aprende la totalidad de relaciones y patrones existentes para el conjunto de prueba. Por esto se discuten algunas soluciones a realizar en trabajos futuros que podrían mejorar notablemente el rendimiento del modelo. |
| format | bachelorThesis |
| id | oai:dspace.ucuenca.edu.ec:123456789-32551 |
| institution | Universidad de Cuenca |
| language | spa |
| publishDate | 2019 |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-325512020-08-03T17:05:16Z Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico Godoy Mendía, Alberto Steven Vázquez Patiño, Angel Oswaldo Campozano Parra, Lenin Vladimir Ingenieria De Sistemas Aprendizaje Maquinas Redes Neuronales Convolucionales Los estudios publicados sobre el pronóstico de lluvia utilizando técnicas de Aprendizaje Profundo en la región de América del Sur son muy escasos. Las redes de monitoreo hidrometeorológicas disponibles, por lo general redes de pluviómetros, no han proporcionado datos suficientes para lograr resultados satisfactorios en la predicción de estos patrones (Bendix et al., 2017). En este trabajo se aplican técnicas de Aprendizaje Profundo para enfrentar la problemática. Existiendo en Ecuador una red de radares meteorológicos, RadarNet-Sur, se encontró la posibilidad de aplicar dichas técnicas para el análisis de la información recogida por la red y proponer una metodología para el pronóstico de lluvia. La metodología presentada consta de tres pasos, predicción de imágenes de radar con técnicas de Aprendizaje Profundo, transformación de la salida del primer paso a términos de precipitación, e, interpretación de los resultados obtenidos. Los resultados se prestan a discusión de cómo mejorar la calidad de la predicción obtenida. Esto, a pesar de trabajar con un conjunto de datos limitado, permite la discusión de la factibilidad de usar Aprendizaje Profundo para reproducir la dinámica de movimiento de nubes y pronóstico inmediato de lluvia aunque existe amplia posibilidad de mejorar el modelo en caso de trabajar con un conjunto de datos más grande. Sin embargo, el modelo no es aplicable inmediatamente debido a que el mismo no aprende la totalidad de relaciones y patrones existentes para el conjunto de prueba. Por esto se discuten algunas soluciones a realizar en trabajos futuros que podrían mejorar notablemente el rendimiento del modelo. The studies published on rain forecasting in the South American region using Deep Learning techniques are very scarce. The available hydrometeorological monitoring networks, usually rain gauge networks, have not provided sufficient data to achieve satisfactory results in the prediction of these patterns (Bendix et al., 2017). In this work, Deep Learning techniques are applied to face this problem. Using information collected from a network of meteorological radars that exist in Ecuador, RadarNet-Sur, this work applies deep learning techniques to the mentioned information and proposes a methodology for rain forecasting. The methodology presented consists of three steps, radar image prediction with Deep Learning techniques, a transformation of the former’s output to precipitation terms, and, interpretation of the results obtained. The results lend themselves to a discussion of how to improve the quality of the prediction obtained. This, despite working with a limited data set, so that there is a possibility of improving the model if working with a representative set. However, the model is not immediately applicable because it does not learn all the existing relationships and patterns for the test set. This is why some solutions to be carried out in future works are discussed that could significantly improve the performance of the model. Ingeniero de Sistemas Cuenca 2019-04-26T12:13:49Z 2019-04-26T12:13:49Z 2019-04-26 bachelorThesis http://dspace.ucuenca.edu.ec/handle/123456789/32551 spa TS;263 application/pdf application/pdf |
| spellingShingle | Ingenieria De Sistemas Aprendizaje Maquinas Redes Neuronales Convolucionales Godoy Mendía, Alberto Steven Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico |
| title | Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico |
| title_full | Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico |
| title_fullStr | Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico |
| title_full_unstemmed | Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico |
| title_short | Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico |
| title_sort | aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico |
| topic | Ingenieria De Sistemas Aprendizaje Maquinas Redes Neuronales Convolucionales |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/32551 |
| work_keys_str_mv | AT godoymendiaalbertosteven aplicaciondeaprendizajeprofundoparaelpronosticodeprecipitacionapartirdedatosdereflectividadderadarmeteorologico |