Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno

Descripción del Articulo

Universidad Nacional Agraria La Molina. Facultad de Ciencias. Departamento Académico de Ingeniería Ambiental, Física y Meteorología
Detalles Bibliográficos
Autor: Castro Soto, Bruno Renato
Formato: tesis de grado
Fecha de Publicación:2024
Institución:Universidad Nacional Agraria La Molina
Repositorio:UNALM-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.lamolina.edu.pe:20.500.12996/6592
Enlace del recurso:https://hdl.handle.net/20.500.12996/6592
Nivel de acceso:acceso abierto
Materia:Aprendizaje profundo
https://purl.org/pe-repo/ocde/ford#4.01.01
id UNAL_fc00d501d6aa7ce20b3fb8bc34b676ea
oai_identifier_str oai:repositorio.lamolina.edu.pe:20.500.12996/6592
network_acronym_str UNAL
network_name_str UNALM-Institucional
repository_id_str 3039
dc.title.none.fl_str_mv Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
title Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
spellingShingle Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
Castro Soto, Bruno Renato
Aprendizaje profundo
https://purl.org/pe-repo/ocde/ford#4.01.01
title_short Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
title_full Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
title_fullStr Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
title_full_unstemmed Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
title_sort Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
author Castro Soto, Bruno Renato
author_facet Castro Soto, Bruno Renato
author_role author
dc.contributor.advisor.fl_str_mv Ibáñez Blancas, Alexis Nicolás
dc.contributor.author.fl_str_mv Castro Soto, Bruno Renato
dc.subject.none.fl_str_mv Aprendizaje profundo
topic Aprendizaje profundo
https://purl.org/pe-repo/ocde/ford#4.01.01
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#4.01.01
description Universidad Nacional Agraria La Molina. Facultad de Ciencias. Departamento Académico de Ingeniería Ambiental, Física y Meteorología
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-07-05T16:35:30Z
dc.date.available.none.fl_str_mv 2024-07-05T16:35:30Z
dc.date.issued.fl_str_mv 2024
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv info:eu-repo/semantics/publishedVersion
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12996/6592
url https://hdl.handle.net/20.500.12996/6592
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional Agraria La Molina
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad Nacional Agraria La Molina
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/2b35d5e3-add1-44a8-9094-61fb27d38bfd/download
https://repositorio.lamolina.edu.pe/bitstreams/c17a0fbb-4f95-4e16-8146-ebff71ecb957/download
https://repositorio.lamolina.edu.pe/bitstreams/58bb6a13-c7e1-4d20-bc1e-20f09cce557e/download
https://repositorio.lamolina.edu.pe/bitstreams/baeca002-743a-4b68-a9a6-35ed775c3f66/download
https://repositorio.lamolina.edu.pe/bitstreams/a9bd4afb-65e7-4ae5-9289-bd517aaff90f/download
https://repositorio.lamolina.edu.pe/bitstreams/7da1212c-10c3-4670-80c6-f47261216d87/download
https://repositorio.lamolina.edu.pe/bitstreams/4bfd1cbc-1989-4104-9777-dcd58e3e594f/download
https://repositorio.lamolina.edu.pe/bitstreams/884b724b-526b-4206-af28-6d76f6cfe515/download
https://repositorio.lamolina.edu.pe/bitstreams/c55cae7f-40f8-41a3-86e1-16ca1ee6c46d/download
https://repositorio.lamolina.edu.pe/bitstreams/896795db-f4ab-4f78-a9e1-ea455344cf0d/download
bitstream.checksum.fl_str_mv 648f06e1bd0386b1b5e204b015eb797f
b38f61b16b94486c966c1d9671c6c6ff
c126eca13753063528e172c953439c94
97c5bee00fbb4c4f8867bd742b579336
9c51da5865f63eb821c9f940a9bcc059
fd21f98f64f8e80f135b7bcfb151b5aa
39b97c0722cb6105a3ae5634b18708f9
0f22cb0d9325a7e955db8cef082a4a6f
0d53c1112e1598d5722419782830f8b9
6ee7b65afb0bcec9109ec76afe9d6900
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_ 1855854101146894336
spelling Ibáñez Blancas, Alexis Nicolás2cfe80e1-299d-43a2-bdcb-2d10a595fe48Castro Soto, Bruno Renato2024-07-05T16:35:30Z2024-07-05T16:35:30Z2024https://hdl.handle.net/20.500.12996/6592Universidad Nacional Agraria La Molina. Facultad de Ciencias. Departamento Académico de Ingeniería Ambiental, Física y MeteorologíaEn la presente investigación se evalúan las técnicas de aprendizaje profundo (Deep Learning en inglés), para la regionalización estadística de proyecciones climáticas generadas por el modelo CanESM5 del proyecto CMIP5. Asimismo, se verificaron los resultados de las técnicas de aprendizaje profundo usando métricas del marco de validación VALUE (e.g., razón de la deviación estándar, BIAS y correlación de Pearson), antes de aplicarlas a las proyecciones climáticas. Las técnicas aplicadas fueron las Redes Neuronales Convolucionales (CNN por sus siglas en ingles) de “complejidad creciente” para regionalizar la temperatura máxima y mínima sobre el departamento de Puno. Las CNN se compararon con otra técnica usada frecuentemente para regionalización estadística, que son los modelos de regresión lineal simple y generalizada (GLM por sus siglas en inglés). Además, se analiza el rol de los distintos elementos que constituyen la arquitectura de una red neuronal convolucional con la finalidad de evaluar su capacidad para proyectar el clima futuro; lo cual es de gran relevancia para su aplicación en la generación de escenarios de cambio climático local, debido a su menor costo computacional respecto a la técnica ampliamente conocida de regionalización dinámica. Los resultados de la validación obtenidos tras entrenar un conjunto de CNN son que el modelo de redes neuronales convolucionales que capta las relaciones lineales entre los predictores y predictandos (CNN LM) es el que mejor representa la temperatura máxima y el modelo que capta relaciones no lineales con un número decreciente de mapas de características (CNN1) el que mejor representa la temperatura mínima. Finalmente, se concluye que es posible aplicar la técnica de CNN para la regionalización estadística de temperatura máxima y mínima a dos metros de la superficie, tanto a nivel climatológico como para las proyecciones futuras, en la zona correspondiente al altiplano en el departamento de Puno, que abarca la ladera oriental, la cordillera oriental y occidental.In this research, deep learning techniques are evaluated for the statistical regionalization of climate projections generated by the CanESM5 model of the CMIP5 project. Likewise, the results of the deep learning techniques were verified using metrics from the VALUE validation framework (e.g., standard deviation ratio, BIAS and Pearson correlation), before applying them to the climate projections. The techniques applied were Convolutional Neural Networks (CNN) of “increasing complexity” to regionalize the maximum and minimum temperature over the department of Puno. CNNs were compared with another frequently used technique for statistical regionalization, which are simple and generalized linear regression models (GLM). Furthermore, the role of the different elements that constitute the architecture of a convolutional neural network is analyzed in order to evaluate its capacity to project the future climate; which is of great relevance for its application in the generation of local climate change scenarios, due to its lower computational cost compared to the widely known technique of dynamic regionalization. The validation results obtained after training a set of CNNs are that the convolutional neural network model that captures the linear relationships between the predictors and predictands (CNN-LM) is the one that best represents the maximum temperature and the model that captures non-linear relationships with a decreasing number of feature maps (CNN1) which best represents the minimum temperature. Finally, it is concluded that it is possible to apply the CNN technique for the statistical regionalization of maximum and minimum temperature two meters from the surface, both at a climatological level and for future projections, in the area corresponding to the highlands in the department of Puno. covering the eastern slope, the eastern and western mountain range.application/pdfspaUniversidad Nacional Agraria La MolinaPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/Aprendizaje profundohttps://purl.org/pe-repo/ocde/ford#4.01.01Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Punoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionreponame:UNALM-Institucionalinstname:Universidad Nacional Agraria La Molinainstacron:UNALMSUNEDUMeteorologíaUniversidad Nacional Agraria La Molina. Facultad de CienciasIngeniero Meteorólogo71710427https://orcid.org/0000-0002-5444-597509769065https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/level#tituloProfesional521035Flores Villanueva, WeidiHeidinger Abadia, HalinePeña Guillén, Víctor LevingstonORIGINALcastro-soto-bruno-renato.pdfcastro-soto-bruno-renato.pdfTexto completoapplication/pdf6427226https://repositorio.lamolina.edu.pe/bitstreams/2b35d5e3-add1-44a8-9094-61fb27d38bfd/download648f06e1bd0386b1b5e204b015eb797fMD510Informe Turnitin de Originalidad.pdfInforme Turnitin de Originalidad.pdfInforme originalidadapplication/pdf3089229https://repositorio.lamolina.edu.pe/bitstreams/c17a0fbb-4f95-4e16-8146-ebff71ecb957/downloadb38f61b16b94486c966c1d9671c6c6ffMD52Formulario BAN.pdfFormulario BAN.pdfAutorizacionapplication/pdf5110121https://repositorio.lamolina.edu.pe/bitstreams/58bb6a13-c7e1-4d20-bc1e-20f09cce557e/downloadc126eca13753063528e172c953439c94MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81664https://repositorio.lamolina.edu.pe/bitstreams/baeca002-743a-4b68-a9a6-35ed775c3f66/download97c5bee00fbb4c4f8867bd742b579336MD54THUMBNAILcastro-soto-bruno-renato.pdf.jpgcastro-soto-bruno-renato.pdf.jpgGenerated Thumbnailimage/jpeg3302https://repositorio.lamolina.edu.pe/bitstreams/a9bd4afb-65e7-4ae5-9289-bd517aaff90f/download9c51da5865f63eb821c9f940a9bcc059MD55Informe Turnitin de Originalidad.pdf.jpgInforme Turnitin de Originalidad.pdf.jpgGenerated Thumbnailimage/jpeg3921https://repositorio.lamolina.edu.pe/bitstreams/7da1212c-10c3-4670-80c6-f47261216d87/downloadfd21f98f64f8e80f135b7bcfb151b5aaMD57Formulario BAN.pdf.jpgFormulario BAN.pdf.jpgGenerated Thumbnailimage/jpeg4374https://repositorio.lamolina.edu.pe/bitstreams/4bfd1cbc-1989-4104-9777-dcd58e3e594f/download39b97c0722cb6105a3ae5634b18708f9MD59TEXTInforme Turnitin de Originalidad.pdf.txtInforme Turnitin de Originalidad.pdf.txtExtracted texttext/plain7402https://repositorio.lamolina.edu.pe/bitstreams/884b724b-526b-4206-af28-6d76f6cfe515/download0f22cb0d9325a7e955db8cef082a4a6fMD56Formulario BAN.pdf.txtFormulario BAN.pdf.txtExtracted texttext/plain14751https://repositorio.lamolina.edu.pe/bitstreams/c55cae7f-40f8-41a3-86e1-16ca1ee6c46d/download0d53c1112e1598d5722419782830f8b9MD58castro-soto-bruno-renato.pdf.txtcastro-soto-bruno-renato.pdf.txtExtracted texttext/plain101854https://repositorio.lamolina.edu.pe/bitstreams/896795db-f4ab-4f78-a9e1-ea455344cf0d/download6ee7b65afb0bcec9109ec76afe9d6900MD51120.500.12996/6592oai:repositorio.lamolina.edu.pe:20.500.12996/65922025-11-07 16:43:45.504https://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://repositorio.lamolina.edu.peRepositorio Universidad Nacional Agraria La Molinadspace@lamolina.edu.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
score 13.075232
Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno
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