Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático

Autores
Alabi Nassr, Ana Luz
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Luque, Melina Yasmín
Descripción
Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025. --- Este trabajo posee embargo hasta la fecha 01/06/2027
Fil: Alabi Nassr, Ana Luz. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo se analizaron cinco tormentas multicelulares entre 2022 y 2024 con el radar RMA1 y la red WWLLN. Las regiones asociadas a descargas presentan hidrometeoros de mayor tamaño, presencia de granizo, mayor contenido de agua líquida, mezcla de fases y mayor desarrollo vertical. Con estas observaciones se construyó un conjunto de datos para entrenar una red neuronal profunda capaz de clasificar descargas eléctricas. El modelo alcanzó una precisión del 83 % en validación. Aunque su desempeño disminuye en condiciones más realistas, la comparación con observaciones del sensor GLM a bordo del satélite GOES-16 mostró que el 81 % de los falsos positivos corresponde a descargas no detectadas por la red WWLLN.
In this study, five multicellular thunderstorms observed between 2022 and 2024 were analyzed using data from the RMA1 radar and the WWLLN network. Regions associated with lightning discharges exhibited larger hydrometeors, the presence of hail, higher liquid water content, mixed-phase conditions, and greater vertical development. Based on these observations, a dataset was constructed to train a deep neural network capable of classifying lightning occurrence. The model achieved an accuracy of 83% on the validation dataset. Although its performance decreases under more realistic conditions, comparison with observations from the GLM sensor aboard the GOES-16 satellite showed that 81% of the false positives correspond to lightning discharges not detected by the WWLLN network.
2027-06-01
Fil: Alabi Nassr, Ana Luz. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Materia
Física de la atmósfera
Geofísica
Descargas eléctricas atmosféricas
Variables polarimétricas
Radar meteorológico
Redes neuronales
Aprendizaje profundo
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/562303
Acceder
id RDUUNC_41931179d3d70c5b366502dd83676f8c
oai_identifier_str oai:rdu.unc.edu.ar:11086/562303
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automáticoAlabi Nassr, Ana LuzFísica de la atmósferaGeofísicaDescargas eléctricas atmosféricasVariables polarimétricasRadar meteorológicoRedes neuronalesAprendizaje profundoTesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025. --- Este trabajo posee embargo hasta la fecha 01/06/2027Fil: Alabi Nassr, Ana Luz. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.En este trabajo se analizaron cinco tormentas multicelulares entre 2022 y 2024 con el radar RMA1 y la red WWLLN. Las regiones asociadas a descargas presentan hidrometeoros de mayor tamaño, presencia de granizo, mayor contenido de agua líquida, mezcla de fases y mayor desarrollo vertical. Con estas observaciones se construyó un conjunto de datos para entrenar una red neuronal profunda capaz de clasificar descargas eléctricas. El modelo alcanzó una precisión del 83 % en validación. Aunque su desempeño disminuye en condiciones más realistas, la comparación con observaciones del sensor GLM a bordo del satélite GOES-16 mostró que el 81 % de los falsos positivos corresponde a descargas no detectadas por la red WWLLN.In this study, five multicellular thunderstorms observed between 2022 and 2024 were analyzed using data from the RMA1 radar and the WWLLN network. Regions associated with lightning discharges exhibited larger hydrometeors, the presence of hail, higher liquid water content, mixed-phase conditions, and greater vertical development. Based on these observations, a dataset was constructed to train a deep neural network capable of classifying lightning occurrence. The model achieved an accuracy of 83% on the validation dataset. Although its performance decreases under more realistic conditions, comparison with observations from the GLM sensor aboard the GOES-16 satellite showed that 81% of the false positives correspond to lightning discharges not detected by the WWLLN network.2027-06-01Fil: Alabi Nassr, Ana Luz. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.Luque, Melina Yasmín2025-11info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/562303spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2026-10-01T10:15:32Zoai:rdu.unc.edu.ar:11086/562303Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722026-10-01 10:38:32.658Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobatrue
dc.title.none.fl_str_mv Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático
title Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático
spellingShingle Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático
Alabi Nassr, Ana Luz
Física de la atmósfera
Geofísica
Descargas eléctricas atmosféricas
Variables polarimétricas
Radar meteorológico
Redes neuronales
Aprendizaje profundo
title_short Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático
title_full Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático
title_fullStr Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático
title_full_unstemmed Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático
title_sort Predicción de descargas eléctricas atmosféricas usando datos del radar RMA1 y aprendizaje automático
dc.creator.none.fl_str_mv Alabi Nassr, Ana Luz
author Alabi Nassr, Ana Luz
author_facet Alabi Nassr, Ana Luz
author_role author
dc.contributor.none.fl_str_mv Luque, Melina Yasmín
dc.subject.none.fl_str_mv Física de la atmósfera
Geofísica
Descargas eléctricas atmosféricas
Variables polarimétricas
Radar meteorológico
Redes neuronales
Aprendizaje profundo
topic Física de la atmósfera
Geofísica
Descargas eléctricas atmosféricas
Variables polarimétricas
Radar meteorológico
Redes neuronales
Aprendizaje profundo
dc.description.none.fl_txt_mv Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025. --- Este trabajo posee embargo hasta la fecha 01/06/2027
Fil: Alabi Nassr, Ana Luz. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo se analizaron cinco tormentas multicelulares entre 2022 y 2024 con el radar RMA1 y la red WWLLN. Las regiones asociadas a descargas presentan hidrometeoros de mayor tamaño, presencia de granizo, mayor contenido de agua líquida, mezcla de fases y mayor desarrollo vertical. Con estas observaciones se construyó un conjunto de datos para entrenar una red neuronal profunda capaz de clasificar descargas eléctricas. El modelo alcanzó una precisión del 83 % en validación. Aunque su desempeño disminuye en condiciones más realistas, la comparación con observaciones del sensor GLM a bordo del satélite GOES-16 mostró que el 81 % de los falsos positivos corresponde a descargas no detectadas por la red WWLLN.
In this study, five multicellular thunderstorms observed between 2022 and 2024 were analyzed using data from the RMA1 radar and the WWLLN network. Regions associated with lightning discharges exhibited larger hydrometeors, the presence of hail, higher liquid water content, mixed-phase conditions, and greater vertical development. Based on these observations, a dataset was constructed to train a deep neural network capable of classifying lightning occurrence. The model achieved an accuracy of 83% on the validation dataset. Although its performance decreases under more realistic conditions, comparison with observations from the GLM sensor aboard the GOES-16 satellite showed that 81% of the false positives correspond to lightning discharges not detected by the WWLLN network.
2027-06-01
Fil: Alabi Nassr, Ana Luz. Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación; Argentina.
description Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2025. --- Este trabajo posee embargo hasta la fecha 01/06/2027
publishDate 2025
dc.date.none.fl_str_mv 2025-11
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 http://hdl.handle.net/11086/562303
url http://hdl.handle.net/11086/562303
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1877858904351703040
score 12.854657

Publicaciones similares