Redes neuronales artificiales como herramienta de validación de la precipitación obtenida mediante percepción remota

• Autor: Guzmán Prado, Miguel Raúl
• Formato: tesis de grado
• Fecha de Publicación: 2014
• Institución: Universidad Nacional San Cristóbal de Huamanga
• Repositorio: UNSCH - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsch.edu.pe:UNSCH/2410
• Enlace del recurso: http://repositorio.unsch.edu.pe/handle/UNSCH/2410
• Nivel de acceso: acceso abierto
• Materia: Teledetección; Espectro electromagnético; Precipitación; Meteorología; https://purl.org/pe-repo/ocde/ford#2.00.00

La realización de esta investigación se debió a que en el territorio nacional, con frecuencia, se dispone de una carencia de información en los estudios de estimación del potencial hídrico para su aprovechamiento de una determinada cuenca hidrográfica. La presente tesis tuvo como objetivo principal diseñar un modelo de Inteligencia Artificial basado en redes neuronales artificiales como herramienta de validación de la precipitación registrada por el radar TRMM en la Cuenca del Río Cachi, utilizando MATLAB como una herramienta de diseño y procesamiento de datos. La Metodología empleada en este estudio es de tipo cuantitativa y consistió básicamente en las siguientes etapas: • Delimitación de la Cuenca del Río Cachi a partir de las Cartas Geográficas proporcionadas por el IGN (Insituto Geográfico Nacional). • Recolección de datos a partir del SENAMHI (Servicio Nacional de Meteorología e Hidrología) y el TRMM (Misisón de la Medición de LLuvias Tropicales). • Diseño y Establecimiento de la Red Neuronal empleando MATLAB. Al establecer la Red Neuronal (parámetros e indicadores adecuados), este nos permitió la extensión a otros puntos de interés sobre la Cuenca del río Cachi. Las salidas de la Red Neuronal para estaciones involucradas en el presente estudio resultaron ser muy semejantes a las mediciones in situ. Mientras que las Salidas de la Red Neuronal a estaciones que no estuvieron involucradas en el presente estudio son aceptables; las mismas que se basan en el buen aprendizaje que tuvo la Red Neuronal y observaciones gráficas del comportamiento de las Series Temporales.