Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales

Autores
Geslin, Ezequiel Matías
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Ruiz, Juan José
González, Sergio Hernán
Descripción
Conocer la tasa instantánea de precipitación es importante para el pronóstico a corto plazo y la gestión del riesgo de desastres. Debido a la escasez de datos observacionales in situ, los sensores remotos constituyen una fuente de datos única para ampliar la cobertura espacial y temporal de las condiciones atmosféricas. A través del desarrollo de modelos estadísticos o basados en aprendizaje automático, permiten vincular las variables censadas con la precipitación. En este trabajo, se desarrolló un modelo para la estimación cuantitativa de la precipitación a partir de información satelital y de simulaciones numéricas, utilizando redes neuronales convolucionales. La red ingesta datos de temperatura de brillo en el rango del infrarrojo proporcionados por el Geostationary Operational Environmental Satellite 16, junto con pronósticos numéricos que provienen del Global Forecast System. El modelo se entrena contra las tasas de precipitación instantáneas estimadas a partir del Dual-frequency Precipitation Radar a bordo del satélite de órbita baja Global Precipitation Measurement. Se realizaron experimentos de sensibilidad a los hiperparámetros, arquitecturas y predictores. Los resultados mostraron que, con una correcta elección de hiperparámetros, la red obtuvo métricas alentadoras. Además, se realizaron experimentos que descomponen el campo del target en cascadas de energía, lo cual, combinado con el uso de funciones de pérdida ponderadas, permitió representar con mayor precisión fenómenos de menor escala. Por otro lado, los modelos entrenados con temperatura de brillo y una única variable del GFS tuvieron un desempeño superior tanto a aquellos que utilizaron solo temperatura de brillo como a los que incorporaron múltiples predictores del GFS.
Fil: Geslin, Ezequiel Matías. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nATM000035_Geslin
Acceder
id BDUBAFCEN_6f83e8863115ad87744dbe14581046b6
oai_identifier_str seminario:seminario_nATM000035_Geslin
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronalesGeslin, Ezequiel MatíasConocer la tasa instantánea de precipitación es importante para el pronóstico a corto plazo y la gestión del riesgo de desastres. Debido a la escasez de datos observacionales in situ, los sensores remotos constituyen una fuente de datos única para ampliar la cobertura espacial y temporal de las condiciones atmosféricas. A través del desarrollo de modelos estadísticos o basados en aprendizaje automático, permiten vincular las variables censadas con la precipitación. En este trabajo, se desarrolló un modelo para la estimación cuantitativa de la precipitación a partir de información satelital y de simulaciones numéricas, utilizando redes neuronales convolucionales. La red ingesta datos de temperatura de brillo en el rango del infrarrojo proporcionados por el Geostationary Operational Environmental Satellite 16, junto con pronósticos numéricos que provienen del Global Forecast System. El modelo se entrena contra las tasas de precipitación instantáneas estimadas a partir del Dual-frequency Precipitation Radar a bordo del satélite de órbita baja Global Precipitation Measurement. Se realizaron experimentos de sensibilidad a los hiperparámetros, arquitecturas y predictores. Los resultados mostraron que, con una correcta elección de hiperparámetros, la red obtuvo métricas alentadoras. Además, se realizaron experimentos que descomponen el campo del target en cascadas de energía, lo cual, combinado con el uso de funciones de pérdida ponderadas, permitió representar con mayor precisión fenómenos de menor escala. Por otro lado, los modelos entrenados con temperatura de brillo y una única variable del GFS tuvieron un desempeño superior tanto a aquellos que utilizaron solo temperatura de brillo como a los que incorporaron múltiples predictores del GFS.Fil: Geslin, Ezequiel Matías. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesRuiz, Juan JoséGonzález, Sergio Hernán2025-12-19info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nATM000035_Geslinspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2026-10-01T10:19:41Zseminario:seminario_nATM000035_GeslinInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962026-10-01 10:19:44.407Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales
title Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales
spellingShingle Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales
Geslin, Ezequiel Matías
title_short Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales
title_full Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales
title_fullStr Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales
title_full_unstemmed Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales
title_sort Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronales
dc.creator.none.fl_str_mv Geslin, Ezequiel Matías
author Geslin, Ezequiel Matías
author_facet Geslin, Ezequiel Matías
author_role author
dc.contributor.none.fl_str_mv Ruiz, Juan José
González, Sergio Hernán
dc.description.none.fl_txt_mv Conocer la tasa instantánea de precipitación es importante para el pronóstico a corto plazo y la gestión del riesgo de desastres. Debido a la escasez de datos observacionales in situ, los sensores remotos constituyen una fuente de datos única para ampliar la cobertura espacial y temporal de las condiciones atmosféricas. A través del desarrollo de modelos estadísticos o basados en aprendizaje automático, permiten vincular las variables censadas con la precipitación. En este trabajo, se desarrolló un modelo para la estimación cuantitativa de la precipitación a partir de información satelital y de simulaciones numéricas, utilizando redes neuronales convolucionales. La red ingesta datos de temperatura de brillo en el rango del infrarrojo proporcionados por el Geostationary Operational Environmental Satellite 16, junto con pronósticos numéricos que provienen del Global Forecast System. El modelo se entrena contra las tasas de precipitación instantáneas estimadas a partir del Dual-frequency Precipitation Radar a bordo del satélite de órbita baja Global Precipitation Measurement. Se realizaron experimentos de sensibilidad a los hiperparámetros, arquitecturas y predictores. Los resultados mostraron que, con una correcta elección de hiperparámetros, la red obtuvo métricas alentadoras. Además, se realizaron experimentos que descomponen el campo del target en cascadas de energía, lo cual, combinado con el uso de funciones de pérdida ponderadas, permitió representar con mayor precisión fenómenos de menor escala. Por otro lado, los modelos entrenados con temperatura de brillo y una única variable del GFS tuvieron un desempeño superior tanto a aquellos que utilizaron solo temperatura de brillo como a los que incorporaron múltiples predictores del GFS.
Fil: Geslin, Ezequiel Matías. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description Conocer la tasa instantánea de precipitación es importante para el pronóstico a corto plazo y la gestión del riesgo de desastres. Debido a la escasez de datos observacionales in situ, los sensores remotos constituyen una fuente de datos única para ampliar la cobertura espacial y temporal de las condiciones atmosféricas. A través del desarrollo de modelos estadísticos o basados en aprendizaje automático, permiten vincular las variables censadas con la precipitación. En este trabajo, se desarrolló un modelo para la estimación cuantitativa de la precipitación a partir de información satelital y de simulaciones numéricas, utilizando redes neuronales convolucionales. La red ingesta datos de temperatura de brillo en el rango del infrarrojo proporcionados por el Geostationary Operational Environmental Satellite 16, junto con pronósticos numéricos que provienen del Global Forecast System. El modelo se entrena contra las tasas de precipitación instantáneas estimadas a partir del Dual-frequency Precipitation Radar a bordo del satélite de órbita baja Global Precipitation Measurement. Se realizaron experimentos de sensibilidad a los hiperparámetros, arquitecturas y predictores. Los resultados mostraron que, con una correcta elección de hiperparámetros, la red obtuvo métricas alentadoras. Además, se realizaron experimentos que descomponen el campo del target en cascadas de energía, lo cual, combinado con el uso de funciones de pérdida ponderadas, permitió representar con mayor precisión fenómenos de menor escala. Por otro lado, los modelos entrenados con temperatura de brillo y una única variable del GFS tuvieron un desempeño superior tanto a aquellos que utilizaron solo temperatura de brillo como a los que incorporaron múltiples predictores del GFS.
publishDate 2025
dc.date.none.fl_str_mv 2025-12-19
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/seminario_nATM000035_Geslin
url https://hdl.handle.net/20.500.12110/seminario_nATM000035_Geslin
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1877857578986242048
score 12.854657

Publicaciones similares