| Summary: | La literatura relacionada al pronóstico de lluvia en zonas de alta montaña utilizando técnicas de Aprendizaje Automático no es extensa y en especial en zonas tropicales andinas como el Ecuador. Una de las posibles razones es la escasa información debido a la dificultad de implementar estaciones hidrometeorológicas en estas zonas de difícil topografía que a su vez dificulta tener resultados aceptables por la alta variabilidad espacio temporal. Para extender las observaciones de lluvia en Ecuador, se implementó una red de radares meteorológicos llamada RadarNet-Sur que da observaciones de reflectividad que pueden ser utilizadas para derivar datos de lluvia. Una de las zonas importantes que cubre este radar es la ciudad de Cuenca (> 600.000 habitantes), en donde eventos extremos (e.g., inundaciones, desbordamiento de ríos) pueden tener efectos catastróficos. Poder tener modelos de pronóstico de lluvia para prevenir los efectos de estos eventos extremos es primordial para los tomadores de decisiones. En esta tesis se utilizan las técnicas de Máquinas de Soporte Vectorial y Árboles Aleatorios para pronosticar la reflectividad a escala horaria con los datos del Radar CAAX y convertirlos a tasa de lluvia. Los resultados demuestran que es posible aprender de los datos utilizando únicamente la variable de reflectividad capturada por el radar de banda X. Por un lado, los modelos con random forest dan valores muy cercanos a los óptimos para las métricas PCC, BIAS, RMSE, permitiendo pronosticar reflectividad para transformarlo a tasa de lluvia.
|
|---|