Aplicación de Machine Learning para pronóstico de desplazamiento de lluvias usando imágenes del radar de lluvias de UDEP

• Autor: Nolasco Ramírez, Pool Domarvi
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/6007
• Enlace del recurso: https://hdl.handle.net/11042/6007
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático (Inteligencia artificial) -- Aplicación; Pronóstico del tiempo -- Automatización; 006.31; https://purl.org/pe-repo/ocde/ford#2.02.03

La tesis tiene como objetivo realizar un modelo de Deep Learning con el fin de implementar un sistema de pronóstico de desplazamiento de tormentas y en un futuro sirva como herramienta para un sistema de alerta temprana frente posibles fenómenos que afecten a la población de la región Piura. La metodología para su desarrollo incluye la adquisición de imágenes desde el software de control del radar de lluvias, además del pre y post procesamiento de los datos recopilados. Finalmente, un ordenamiento en secuencias de cuadros para entrada al modelo de Machine Learning (ML). Durante la parte de experimentación del modelo construido, se probaron diferentes versiones del mismo cambiando la arquitectura del modelo, así como sus hiperparámetros. Se realizaron cambios en cada versión del modelo en cuanto a la cantidad del número de capas, unidades de cada capa, funciones de activación y funciones de costo para ver la influencia de cada hiperparámetro en el modelo. Los resultados obtenidos en la validación con datos nuevos y luego de ajustar los hiperparámetros del modelo indicaron un buen índice de similitud respecto de datos reflejados en la realidad. Se concluye que se pudo apreciar en algunos de los ejemplos de secuencias elegidas para probar el modelo, se acercan muy bien a la salida real (la secuencia real). Pero siempre estará el desvanecimiento en los bordes de cada celda y ya se explicó que es debido a las redes convolucionales. Se concluye que el modelo aquí presente sí infiere la forma y desplazamiento de las celdas de lluvia y se ha comprobado en el capítulo de la parte de resultados. El plus que se buscaba era también predecir las intensidades de precipitación en cada celda, aunque de igual manera las primeras salidas predichas en cada secuencia si se asemejan a la parte real.