A kernel-based strategy to design Convolutional Neural Network Architecture for learning spatial and temporal representation of weather variables /
González Vergara Juan Fernando
A kernel-based strategy to design Convolutional Neural Network Architecture for learning spatial and temporal representation of weather variables / Juan Fernando González Vergara ; tutor Manuel Eugenio Morocho Cayamcela - 60 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROM
Trabajo de integración curricular
Incluye referencias bibliográficas (páginas 37-43)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
Aunque no existe una definición universal para los eventos de precipitación extrema, puede referirse como el período de tiempo en el que se supera abruptamente umbrales empíricos de precipitación. Por lo tanto, su pronóstico oportuno es de gran interés para los tomadores de decisiones de muchos campos, como: entidades de planificación urbana, investigadores del agua y en general, instituciones relacionadas con el clima. En este trabajo, se realiza un enfoque basado en datos para analizar, pronosticar y clasificar eventos de precipitación extrema a través del estudio de variables hidroclimáticas a lo largo del tiempo de dos estaciones climatológicas. Dado que el análisis de series de tiempo relacionadas con eventos de precipitación implica patrones complejos, los datos de entrada requieren pasar por etapas de pre-procesamiento, preparaci´on de datos y técnicas de análisis. En este sentido, se emplean métodos de selección de características e ingeniería de características para lograr un alto rendimiento en la etapa de clasificación y regresión de datos. Específicamente, análisis de correlación, análisis de componentes principales (PCA) y relief -F de regresión (RR) se consideran un análisis exploratorio de variables. Posteriormente, un clasificador basado en máquina de vectores de soporte (SVM) realiza una clasificación y una red neuronal convolucional (CNN) ajusta un algoritmo de regresión. Los resultados reflejan que el conjunto de datos reducido obtenido por RR no estandarizado discrimina mejor que el PCA pero no tan bien como el conjunto de datos estandarizado con todas las variables. El análisis de correlación indica patrones comunes entre las dos estaciones climatológicas. Finalmente, el algoritmo de regresión muestra la capacidad de la CNN combinada con algoritmos de aprendizaje profundo como long-short term memory y convoluciones 1-D, 2-D para aprender la representación espacio-temporal de datos mediante filtros, proporcionando un pronóstico de eventos de precipitación extrema. con resultados prometedores de pronóstico inmediato.
Textos en inglés con resúmenes en español e inglés
Extreme precipitation
Nowcasting
Feature engineering
Tecnologías de la Información
A kernel-based strategy to design Convolutional Neural Network Architecture for learning spatial and temporal representation of weather variables / Juan Fernando González Vergara ; tutor Manuel Eugenio Morocho Cayamcela - 60 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROM
Trabajo de integración curricular
Incluye referencias bibliográficas (páginas 37-43)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
Aunque no existe una definición universal para los eventos de precipitación extrema, puede referirse como el período de tiempo en el que se supera abruptamente umbrales empíricos de precipitación. Por lo tanto, su pronóstico oportuno es de gran interés para los tomadores de decisiones de muchos campos, como: entidades de planificación urbana, investigadores del agua y en general, instituciones relacionadas con el clima. En este trabajo, se realiza un enfoque basado en datos para analizar, pronosticar y clasificar eventos de precipitación extrema a través del estudio de variables hidroclimáticas a lo largo del tiempo de dos estaciones climatológicas. Dado que el análisis de series de tiempo relacionadas con eventos de precipitación implica patrones complejos, los datos de entrada requieren pasar por etapas de pre-procesamiento, preparaci´on de datos y técnicas de análisis. En este sentido, se emplean métodos de selección de características e ingeniería de características para lograr un alto rendimiento en la etapa de clasificación y regresión de datos. Específicamente, análisis de correlación, análisis de componentes principales (PCA) y relief -F de regresión (RR) se consideran un análisis exploratorio de variables. Posteriormente, un clasificador basado en máquina de vectores de soporte (SVM) realiza una clasificación y una red neuronal convolucional (CNN) ajusta un algoritmo de regresión. Los resultados reflejan que el conjunto de datos reducido obtenido por RR no estandarizado discrimina mejor que el PCA pero no tan bien como el conjunto de datos estandarizado con todas las variables. El análisis de correlación indica patrones comunes entre las dos estaciones climatológicas. Finalmente, el algoritmo de regresión muestra la capacidad de la CNN combinada con algoritmos de aprendizaje profundo como long-short term memory y convoluciones 1-D, 2-D para aprender la representación espacio-temporal de datos mediante filtros, proporcionando un pronóstico de eventos de precipitación extrema. con resultados prometedores de pronóstico inmediato.
Textos en inglés con resúmenes en español e inglés
Extreme precipitation
Nowcasting
Feature engineering
Tecnologías de la Información