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...
Guardado en:
Autor principal: | |
---|---|
Otros Autores: | , , , , |
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 |