Pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (Machine Learning) y datos del radar meteorológico de medición de lluvias de banda X CAXX
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 hidr...
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
Universidad de Cuenca
2020
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/34029 |
| _version_ | 1785802321664409600 |
|---|---|
| author | Lara Sanmartín, Franklin Enrique |
| author2 | Vázquez Patiño, Ángel Oswaldo |
| author_facet | Vázquez Patiño, Ángel Oswaldo Lara Sanmartín, Franklin Enrique |
| author_sort | Lara Sanmartín, Franklin Enrique |
| collection | DSpace |
| description | 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. |
| format | bachelorThesis |
| id | oai:dspace.ucuenca.edu.ec:123456789-34029 |
| institution | Universidad de Cuenca |
| language | spa |
| publishDate | 2020 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-340292020-02-26T15:27:06Z Pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (Machine Learning) y datos del radar meteorológico de medición de lluvias de banda X CAXX Lara Sanmartín, Franklin Enrique Vázquez Patiño, Ángel Oswaldo Machine Learning Condiciones meteorológicas 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. Literature related to the rainfall forecast in highlands using Machine Learning techniques is not extensive, especially in tropical Andean regions such as Ecuador. One of the possible reasons is the limited data due to the difficulty of implementing hydro-meteorological stations in these zones. This also because of the complex topography, which at the same time makes it difficult to obtain acceptable forecasting results since there is a high level of temporal rainfall variability. In order to obtain better rain observations in Ecuador, a network of meteorological radars called RadarNet-Sur was implemented; each radar provides observations of reflectivity which can be used to derivate rain rates. One of the most essential zones that one of the radars covers is the city of Cuenca (> 600.000 inhabitants) where extreme events such as flooding’s and river overflows can have catastrophic consequences. Therefore, the development of rain forecasting models, in order to prevent the effects of the extreme events previously mentioned, is crucial for the decision-makers. In this thesis, Support Vector Machine and Random Forest techniques were used to forecast one-hour reflectivity by using the data of Radar CAAX and converting it into rain rate. The results indicate that it is possible to learn from the data only by using a reflectivity variable captured by the X-band radar. On the one hand, the random forest models provide values approximated to the optimum for the metrics PCC, BIAS and RMSE, which allow forecasting reflectivity in order to transform it into rain rate. Ingeniero de Sistemas Cuenca 2020-02-26T15:27:03Z 2020-02-26T15:27:03Z 2020-02-26 bachelorThesis http://dspace.ucuenca.edu.ec/handle/123456789/34029 spa TS;268 application/pdf application/pdf Universidad de Cuenca |
| spellingShingle | Machine Learning Condiciones meteorológicas Lara Sanmartín, Franklin Enrique Pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (Machine Learning) y datos del radar meteorológico de medición de lluvias de banda X CAXX |
| title | Pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (Machine Learning) y datos del radar meteorológico de medición de lluvias de banda X CAXX |
| title_full | Pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (Machine Learning) y datos del radar meteorológico de medición de lluvias de banda X CAXX |
| title_fullStr | Pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (Machine Learning) y datos del radar meteorológico de medición de lluvias de banda X CAXX |
| title_full_unstemmed | Pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (Machine Learning) y datos del radar meteorológico de medición de lluvias de banda X CAXX |
| title_short | Pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (Machine Learning) y datos del radar meteorológico de medición de lluvias de banda X CAXX |
| title_sort | pronóstico de lluvia en una cuenca de alta montaña basado en técnicas de aprendizaje automático (machine learning) y datos del radar meteorológico de medición de lluvias de banda x caxx |
| topic | Machine Learning Condiciones meteorológicas |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/34029 |
| work_keys_str_mv | AT larasanmartinfranklinenrique pronosticodelluviaenunacuencadealtamontanabasadoentecnicasdeaprendizajeautomaticomachinelearningydatosdelradarmeteorologicodemediciondelluviasdebandaxcaxx |