Detalles MARC
| 000 -CABECERA |
|---|
| Campo de control de longitud fija |
03710nam a22003257a 4500 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| Campo de control |
EC-UrYT |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| Campo de control |
20221206000929.0 |
| 008 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA |
|---|
| Campo de control de longitud fija |
150116t9999 mx r gr 000 0 spa d |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro transcriptor |
EC-UrYT |
| 041 ## - CÓDIGO DE LENGUA |
|---|
| Código de lengua del texto/banda sonora o título independiente |
eng |
| Código de lengua del sumario o resumen |
spa |
| 100 1# - PUNTO DE ACCESO PRINCIPAL - NOMBRE DE PERSONA |
|---|
| 9 (RLIN) |
12913 |
| Nombre de persona |
González Vergara Juan Fernando |
| Término indicativo de función |
autor |
| 245 1# - MENCIÓN DE TÍTULO |
|---|
| Título |
A kernel-based strategy to design Convolutional Neural Network Architecture for learning spatial and temporal representation of weather variables / |
| Mención de responsabilidad etc. |
Juan Fernando González Vergara ; tutor Manuel Eugenio Morocho Cayamcela |
| 264 #4 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Lugar de producción |
Urcuquí, |
| Fecha de producción |
2021 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
60 hojas : |
| Otras características físicas |
ilustraciones (algunas a color) ; |
| Dimensiones |
30 cm + |
| Material anejo |
1 CD-ROM |
| 502 ## - NOTA DE TESIS |
|---|
| Nota de tesis |
Trabajo de integración curricular |
| Tipo de título |
(Ingeniero/a en Tecnologías de la Información). |
| Nombre de la institución que otorga el título |
Universidad de Investigación de Tecnología Experimental Yachay. |
| Ciudad de la institución que otorga el título |
Urcuquí, |
| Año de obtención del título |
2021 |
| 504 ## - NOTA DE BIBLIOGRAFÍA; ETC. |
|---|
| Nota de bibliografía etc. |
Incluye referencias bibliográficas (páginas 37-43) |
| 506 ## - NOTA DE RESTRICCIONES AL ACCESO |
|---|
| Limitaciones de acceso |
Trabajo de integración curricular con acceso abierto |
| 516 ## - NOTA DE TIPO DE ARCHIVO DE ORDENADOR O DE DATOS |
|---|
| Nota de tipo de archivo de ordenador o de datos |
Texto (Hypertexto links) |
| 520 ## - NOTA DE SUMARIO; ETC. |
|---|
| Sumario etc. |
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. |
| 546 ## - NOTA DE LENGUA |
|---|
| Nota de lengua |
Textos en inglés con resúmenes en español e inglés |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12914 |
| Término de materia o nombre geográfico como elemento inicial |
Extreme precipitation |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12915 |
| Término de materia o nombre geográfico como elemento inicial |
Nowcasting |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12916 |
| Término de materia o nombre geográfico como elemento inicial |
Feature engineering |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
3891 |
| Término de materia o nombre geográfico como elemento inicial |
Tecnologías de la Información |
| 700 ## - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| 9 (RLIN) |
12750 |
| Nombre de persona |
Morocho Cayamcela, Manuel Eugenio |
| Término indicativo de función |
tutor |
| 710 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE ENTIDAD |
|---|
| Nombre de entidad o nombre de jurisdicción como elemento inicial |
Universidad de Investigación de Tecnología Experimental Yachay. |
| Unidad subordinada |
Escuela de Ciencias Matemáticas y Computaciones |
| 9 (RLIN) |
11232 |
| 856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Nota pública |
Ver recurso |
| Identificador Uniforme del Recurso (URI) |
http://repositorio.yachaytech.edu.ec/handle/123456789/388 |
| 942 ## - ENTRADA PARA ELEMENTOS AGREGADOS (KOHA) |
|---|
| Fuente de clasificación o esquema de ordenación en estanterías |
Clasificación Decimal Dewey |
| Koha [por defecto] tipo de item |
Tesis |
