Regresar

Aplicación de ‘aprendizaje profundo’ para el pronóstico de precipitación a partir de datos de reflectividad de radar meteorológico

Abstract:

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 pbkp_redicción 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, pbkp_redicción 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 pbkp_redicción 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.