Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas

En el presente trabajo se estudian dos modelos de Aprendizaje de Máquinas (AM) para evaluar sus desempeños en la predicción de ocurrencia de precipitación en la ciudad de Mendoza y en la Ciudad Autónoma de Buenos Aires (CABA) eninvierno y en verano. En primer lugar, analizamos las características e...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Mandrilli Escudero, Paula Alejandra
Otros Autores: González, Yanina, Monge, David A., Pacini, Elina, Santos, Jorge Rubén, Simondi, Sebastián
Publicado: 2018
Materias:
Acceso en línea:https://bdigital.uncu.edu.ar/fichas.php?idobjeto=14016
date_str_mv 2018-03-04
descriptores_str_mv Aprendizaje de máquinas
Buenos Aires (Argentina : provincia)
Condiciones atmosféricas
Lluvia
Mendoza (Argentina : provincia)
Meteorología
Predicción de Precipitaciones
Redes neuronales artificiales
Regresión logística
disciplina_str_mv Ciencias ambientales
Ciencias e Investigación
Física
todos_str_mv Co-director/a
Director/a
Integrante del jurado
Integrante del jurado
Integrante del jurado
Licenciado en Ciencias Básicas con Orientación en Física
Licenciatura en Ciencias Básicas con Orientación en Física
tesisfcen
UNCuyoFCEN
description_str_mv En el presente trabajo se estudian dos modelos de Aprendizaje de Máquinas (AM) para evaluar sus desempeños en la predicción de ocurrencia de precipitación en la ciudad de Mendoza y en la Ciudad Autónoma de Buenos Aires (CABA) eninvierno y en verano. En primer lugar, analizamos las características espacio-temporal de los datos meteorológicos (precipitación acumulada en tres horas y estado de la atmósfera cada seis horas) correspondientes a un período de quince años (2000 a 2014 inclusive), buscando aquellos con mayor influencia en la formación de la precipitación, facilitando la identificación del patrón que determina la precipitación mediante los modelos Regresión Logística (RL) y Red Neuronal Artificial (RNA). En segundo lugar, se aprenden los modelos mediante técnicas de AM y los evaluamos según métricas de tasa de aciertos y falsos negativos y de tiempos de ejecución al comparar las predicciones con las estimaciones de precipitación mediante información satelital. Luego, contrastamos la capacidad de predicción de dichos modelos con la del modelo Weather Research and Forecasting Model (WRF) aplicados al año 2011.
contributor_str_mv González, Yanina
Monge, David A.
Pacini, Elina
Santos, Jorge Rubén
Simondi, Sebastián
autor_str_mv Mandrilli Escudero, Paula Alejandra
titulo_str_mv Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
object_type_str_mv Textual: Tesis
dependencia_str_mv Facultad de Ciencias Exactas y Naturales
id 14016
plantilla_str Tesis
record_format Tesis
author2 González, Yanina
Monge, David A.
Pacini, Elina
Santos, Jorge Rubén
Simondi, Sebastián
author_facet González, Yanina
Monge, David A.
Pacini, Elina
Santos, Jorge Rubén
Simondi, Sebastián
Mandrilli Escudero, Paula Alejandra
tipo_str textuales
type_str_mv Tesis
title_full Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
title_fullStr Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
title_full_unstemmed Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
description En el presente trabajo se estudian dos modelos de Aprendizaje de Máquinas (AM) para evaluar sus desempeños en la predicción de ocurrencia de precipitación en la ciudad de Mendoza y en la Ciudad Autónoma de Buenos Aires (CABA) eninvierno y en verano. En primer lugar, analizamos las características espacio-temporal de los datos meteorológicos (precipitación acumulada en tres horas y estado de la atmósfera cada seis horas) correspondientes a un período de quince años (2000 a 2014 inclusive), buscando aquellos con mayor influencia en la formación de la precipitación, facilitando la identificación del patrón que determina la precipitación mediante los modelos Regresión Logística (RL) y Red Neuronal Artificial (RNA). En segundo lugar, se aprenden los modelos mediante técnicas de AM y los evaluamos según métricas de tasa de aciertos y falsos negativos y de tiempos de ejecución al comparar las predicciones con las estimaciones de precipitación mediante información satelital. Luego, contrastamos la capacidad de predicción de dichos modelos con la del modelo Weather Research and Forecasting Model (WRF) aplicados al año 2011.
title Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
spellingShingle Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
Aprendizaje de máquinas
Buenos Aires (Argentina : provincia)
Condiciones atmosféricas
Lluvia
Mendoza (Argentina : provincia)
Meteorología
Predicción de Precipitaciones
Redes neuronales artificiales
Regresión logística
Mandrilli Escudero, Paula Alejandra
topic Aprendizaje de máquinas
Buenos Aires (Argentina : provincia)
Condiciones atmosféricas
Lluvia
Mendoza (Argentina : provincia)
Meteorología
Predicción de Precipitaciones
Redes neuronales artificiales
Regresión logística
topic_facet Aprendizaje de máquinas
Buenos Aires (Argentina : provincia)
Condiciones atmosféricas
Lluvia
Mendoza (Argentina : provincia)
Meteorología
Predicción de Precipitaciones
Redes neuronales artificiales
Regresión logística
publishDate 2018
author Mandrilli Escudero, Paula Alejandra
tags_str_mv tesisfcen
title_sort Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
title_short Predicción de precipitación en Mendoza y Buenos Aires mediante técnicas de aprendizaje de máquinas
url https://bdigital.uncu.edu.ar/fichas.php?idobjeto=14016
estado_str 3
building Biblioteca Digital
filtrotop_str Biblioteca Digital
collection Tesis
institution Sistema Integrado de Documentación
indexed_str 2023-04-25 00:35
_version_ 1764120139272290304