Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales

Descripción del Articulo

Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Recursos Hídricos
Detalles Bibliográficos
Autor: Gomez Tunque, Kennedy Richard
Formato: tesis de maestría
Fecha de Publicación:2023
Institución:Universidad Nacional Agraria La Molina
Repositorio:UNALM-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.lamolina.edu.pe:20.500.12996/5619
Enlace del recurso:https://hdl.handle.net/20.500.12996/5619
Nivel de acceso:acceso abierto
Materia:Ambiente marino
Evaluación
Factores climáticos
Mar peruano
Métodos
Modelos
Oceanografía
Ondas Kelvin
Pacífico del Sur
Perú
Zonas marinas
https://purl.org/pe-repo/ocde/ford#1.05.11
id UNAL_7f68d2628114a0346954114deb8aec2e
oai_identifier_str oai:repositorio.lamolina.edu.pe:20.500.12996/5619
network_acronym_str UNAL
network_name_str UNALM-Institucional
repository_id_str 3039
dc.title.es_PE.fl_str_mv Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
title Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
spellingShingle Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
Gomez Tunque, Kennedy Richard
Ambiente marino
Evaluación
Factores climáticos
Mar peruano
Métodos
Modelos
Oceanografía
Ondas Kelvin
Pacífico del Sur
Perú
Zonas marinas
https://purl.org/pe-repo/ocde/ford#1.05.11
title_short Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
title_full Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
title_fullStr Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
title_full_unstemmed Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
title_sort Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
author Gomez Tunque, Kennedy Richard
author_facet Gomez Tunque, Kennedy Richard
author_role author
dc.contributor.advisor.fl_str_mv Ingol Blanco, Eusebio Mercedes
dc.contributor.author.fl_str_mv Gomez Tunque, Kennedy Richard
dc.subject.es_PE.fl_str_mv Ambiente marino
topic Ambiente marino
Evaluación
Factores climáticos
Mar peruano
Métodos
Modelos
Oceanografía
Ondas Kelvin
Pacífico del Sur
Perú
Zonas marinas
https://purl.org/pe-repo/ocde/ford#1.05.11
dc.subject.none.fl_str_mv Evaluación
Factores climáticos
Mar peruano
Métodos
Modelos
Oceanografía
Ondas Kelvin
Pacífico del Sur
Perú
Zonas marinas
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#1.05.11
description Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Recursos Hídricos
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-02-02T01:17:46Z
dc.date.available.none.fl_str_mv 2023-02-02T01:17:46Z
dc.date.issued.fl_str_mv 2023
dc.type.en_US.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.en_US.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12996/5619
url https://hdl.handle.net/20.500.12996/5619
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.en_US.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.*.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.en_US.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional Agraria La Molina
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.none.fl_str_mv reponame:UNALM-Institucional
instname:Universidad Nacional Agraria La Molina
instacron:UNALM
instname_str Universidad Nacional Agraria La Molina
instacron_str UNALM
institution UNALM
reponame_str UNALM-Institucional
collection UNALM-Institucional
bitstream.url.fl_str_mv https://repositorio.lamolina.edu.pe/bitstreams/614248fe-6f3f-475a-8a80-427b31c75f23/download
https://repositorio.lamolina.edu.pe/bitstreams/5c477101-065c-43aa-ab8c-bdc91f932404/download
https://repositorio.lamolina.edu.pe/bitstreams/bc6cf170-13b7-4795-bcd0-f1572c3caba6/download
https://repositorio.lamolina.edu.pe/bitstreams/89434e93-11fa-46ca-95a2-d8f6a10900ef/download
https://repositorio.lamolina.edu.pe/bitstreams/6225328a-71bf-4948-b092-5239a69dfdcf/download
https://repositorio.lamolina.edu.pe/bitstreams/2eeb8f00-43c1-42e1-9f36-daae2fb84b17/download
https://repositorio.lamolina.edu.pe/bitstreams/1cc34473-ffa5-4484-990b-7bbe7c6be3ac/download
https://repositorio.lamolina.edu.pe/bitstreams/ff9f0bce-294a-4849-b9c3-4c31cd3aa294/download
https://repositorio.lamolina.edu.pe/bitstreams/6f674116-12f0-4e4f-952d-08130a58bc9c/download
https://repositorio.lamolina.edu.pe/bitstreams/74a5e91e-5c97-43f8-8d58-9c1d349adb67/download
bitstream.checksum.fl_str_mv 97c5bee00fbb4c4f8867bd742b579336
b66799477aa69fc0e02a98a77bb415cf
66cd4bb2e0817d036ec3acf1195c741b
1964b9b64b2eee0f040e27b46f355919
62878c64745d0d3f46144ff6e507e2cc
2625804b581c51c9fbb4c83b14bc3504
710d210ff9c0bd93e4404fa5ded5d312
8e41844530e0a89589af1b66a2dac84c
934f3266e078f0e654f4dbc62953e9ee
29eb747faef8267b501cc71a6e2f8552
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Nacional Agraria La Molina
repository.mail.fl_str_mv dspace@lamolina.edu.pe
_version_ 1857756502735978496
spelling Ingol Blanco, Eusebio Mercedesff62f5d5-319b-4eb4-922f-c42cdddc058cGomez Tunque, Kennedy Richard2023-02-02T01:17:46Z2023-02-02T01:17:46Z2023https://hdl.handle.net/20.500.12996/5619Universidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Recursos HídricosEl pronóstico de El Niño - Oscilación del Sur (ENOS) es una de las tareas más discutidas y desafiantes de las ciencias oceánicas y atmosféricas, ya que los eventos ENOS observados muestran grandes diferencias entre eventos, en su amplitud, evolución temporal y patrón espacial. El objetivo de esta investigacion es proponer un modelo de red neuronal profunda que integra la estructura convolucional de memoria a corto y largo plazo (ConvLSTM) para pronosticar los patrones de la temperatura superficial del mar (TSM) que representan la evolución de ENOS en diferentes horizontes de tiempo y de manera espacial simultáneamente en las regiones Niño 3.4 y Niño 1+2. Para este fin, se utilizaron datos cuadriculados de la TSM del océano Pacífico ecuatorial (latitud 10°S–10°N y longitud 140°E–80°W) para el período de 1854-2022 a nivel mensual. Esta información se obtuvo de la Administración Oceánica y Atmosférica (NOAA). En resumen, la metodología incluye la normalización de la TSM del Pacífico tropical, la creación y selección de la arquitectura del modelo de red neuronal profunda, el entrenamiento, validación y finalmente, el pronóstico y evaluación (prueba) de las anomalías de la TSM espacio temporal de ENOS en las regiones Niño 3.4 y Niño 1+2 con seis meses de anticipación. Los resultados indican un buen desempeño del modelo para El Niño 1982/83 (entrenamiento) y El Niño 1997/98 (validación) en espacio y tiempo, en etapa de prueba se pronosticó espacial y temporalmente pare El Niño 2015/16, El Niño Costero 2017 y La Niña 2022. Este desempeño se evaluó utilizando métricas estadísticas de datos observados y pronosticados durante seis meses en el océano Pacífico ecuatorial y posteriormente enfocándonos en la región Niño 3.4 y Niño 1+2, resultando las métricas estadísticas promedio de El Niño 2015/16 (Niño 3.4) de RMSPE a 0.35 por ciento y MAPE a 0.30 por ciento, El Niño Costero 2017 (Niño 1+2) de RMSPE a 2.89 por ciento y MAPE a 2.01 por ciento y La Niña 2022 (Niño 3.4) de RMSPE a 1.24 por ciento y MAPE a 0.83 por ciento. Así mismo, a partir de los pronósticos espacio temporales se comparó con índices climáticos de las regiones Niño 3.4 y Niño 1+2 con modelos globales dinámicos y estadísticos. Por lo tanto, se concluye que se obtiene un mejor pronóstico en la región Niño 3.4 que en la región Niño 1+2; con muy buenos resultados en los tres primeros meses, reduciendo su eficiencia de pronóstico a medida que aumenta el mes de previsión.El Niño-Southern Oscillation (ENSO) forecasting is one of the most discussed and challenging tasks in ocean and atmospheric sciences, since the observed ENSO events show large differences between events, in their amplitude, temporal evolution and spatial pattern. The objective of this research is to propose a deep neural network model that integrates the convolutional structure of short and long term memory (ConvLSTM) to forecast sea surface temperature (SST) patterns that represent the evolution of ENSO in different horizons simultaneously in time and space in the Niño 3.4 and Niño 1+2 regions. For this purpose, gridded SST data from the equatorial Pacific Ocean (latitude 10°S–10°N and longitude 140°E–80°W) for the period 1854-2022 at the monthly level were used. This information was obtained from the Oceanic and Atmospheric Administration (NOAA). In summary, the methodology includes the normalization of the tropical Pacific SST, the creation and selection of the deep neural network model architecture, the training, validation, and finally, the forecast and evaluation (test) of the SST anomaly spatiotemporal of ENSO in the Niño 3.4 and Niño 1+2 regions six months in advance. The results indicate a good performance of the model for El Niño 1982/83 (training) and El Niño 1997/98 (validation) in space and time, in the test stage it was forecast spatially and temporally for El Niño 2015/16, El Niño Costero 2017 and La Nina 2022. This performance was evaluated using statistical metrics from observed and forecast data over six months in the equatorial Pacific Ocean and subsequently focusing on the Niño 3.4 and Niño 1+2 region, resulting in average statistical metrics for El Niño 2015/16 (Niño 3.4) of RMSPE at 0.35 percent and MAPE at 0.30 percent, El Niño Costero 2017 (Niño 1+2) of RMSPE at 2.89 percent and MAPE at 2.01 percent and La Niña 2022 (Niño 3.4) of RMSPE at 1.24 percent and MAPE at 0.83 percent. Likewise, based on space-time forecasts, it was compared with climatic indices of the Niño 3.4 and Niño 1+2 regions with global dynamic and statistical models. Therefore, it is concluded that a better forecast is obtained in the Niño 3.4 region than in the Niño 1+2 region; with very good results in the first three months, reducing its forecasting efficiency as the forecast month increases.application/pdfspaUniversidad Nacional Agraria La MolinaPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/Ambiente marinoEvaluaciónFactores climáticosMar peruanoMétodosModelosOceanografíaOndas KelvinPacífico del SurPerúZonas marinashttps://purl.org/pe-repo/ocde/ford#1.05.11Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporalesinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionreponame:UNALM-Institucionalinstname:Universidad Nacional Agraria La Molinainstacron:UNALMSUNEDURecursos HídricosUniversidad Nacional Agraria La Molina. Escuela de PosgradoMagister Scientiae - Recursos Hídricos43899178https://orcid.org/0000-0002-0421-399X16626056https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/level#maestro522197Ramos Taipe, Cayo LeonidasMejía Marcacuzco, Jesús AbelChávarri Velarde, Eduardo AbrahamLICENSElicense.txtlicense.txttext/plain; charset=utf-81664https://repositorio.lamolina.edu.pe/bitstreams/614248fe-6f3f-475a-8a80-427b31c75f23/download97c5bee00fbb4c4f8867bd742b579336MD52ORIGINALgomez-tunque-kennedy-richard.pdfgomez-tunque-kennedy-richard.pdfTexto completoapplication/pdf49726234https://repositorio.lamolina.edu.pe/bitstreams/5c477101-065c-43aa-ab8c-bdc91f932404/downloadb66799477aa69fc0e02a98a77bb415cfMD53Informe originalidad.pdfInforme originalidad.pdfInforme originalidadapplication/pdf234626https://repositorio.lamolina.edu.pe/bitstreams/bc6cf170-13b7-4795-bcd0-f1572c3caba6/download66cd4bb2e0817d036ec3acf1195c741bMD54Autorizacion.pdfAutorizacion.pdfAutorizaciónapplication/pdf458823https://repositorio.lamolina.edu.pe/bitstreams/89434e93-11fa-46ca-95a2-d8f6a10900ef/download1964b9b64b2eee0f040e27b46f355919MD55TEXTgomez-tunque-kennedy-richard.pdf.txtgomez-tunque-kennedy-richard.pdf.txtExtracted texttext/plain325625https://repositorio.lamolina.edu.pe/bitstreams/6225328a-71bf-4948-b092-5239a69dfdcf/download62878c64745d0d3f46144ff6e507e2ccMD56Informe originalidad.pdf.txtInforme originalidad.pdf.txtExtracted texttext/plain6930https://repositorio.lamolina.edu.pe/bitstreams/2eeb8f00-43c1-42e1-9f36-daae2fb84b17/download2625804b581c51c9fbb4c83b14bc3504MD58Autorizacion.pdf.txtAutorizacion.pdf.txtExtracted texttext/plain2688https://repositorio.lamolina.edu.pe/bitstreams/1cc34473-ffa5-4484-990b-7bbe7c6be3ac/download710d210ff9c0bd93e4404fa5ded5d312MD510THUMBNAILgomez-tunque-kennedy-richard.pdf.jpggomez-tunque-kennedy-richard.pdf.jpgGenerated Thumbnailimage/jpeg3518https://repositorio.lamolina.edu.pe/bitstreams/ff9f0bce-294a-4849-b9c3-4c31cd3aa294/download8e41844530e0a89589af1b66a2dac84cMD57Informe originalidad.pdf.jpgInforme originalidad.pdf.jpgGenerated Thumbnailimage/jpeg3278https://repositorio.lamolina.edu.pe/bitstreams/6f674116-12f0-4e4f-952d-08130a58bc9c/download934f3266e078f0e654f4dbc62953e9eeMD59Autorizacion.pdf.jpgAutorizacion.pdf.jpgGenerated Thumbnailimage/jpeg4255https://repositorio.lamolina.edu.pe/bitstreams/74a5e91e-5c97-43f8-8d58-9c1d349adb67/download29eb747faef8267b501cc71a6e2f8552MD51120.500.12996/5619oai:repositorio.lamolina.edu.pe:20.500.12996/56192023-02-07 03:05:31.443https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://repositorio.lamolina.edu.peRepositorio Universidad Nacional Agraria La Molinadspace@lamolina.edu.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
score 13.390862
Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares