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

Autores
Geslin, Ezequiel; Ruiz, Juan José; González, Sergio Hernán; Vidal, Luciano; Negri, Pablo
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La precipitación es una componente esencial del ciclo hidrológico y es sumamente importante para la planificación y gestión de los recursos hídricos, la gestión del riesgo de desastres y la agricultura. Estimar la tasa de precipitación a nivel regional con alta resolución espacial y temporal es un desafío científico y tecnológico. Los sensores infrarrojos a bordo de los satélites geoestacionarios proveen información útil para la estimación de precipitación con una amplia cobertura espacial (ej. Hobouchian et al., 2017). Recientemente, los modelos de machine learning han sido aplicados a la estimación de precipitación en base a sensores remotos (Wang et al., 2023). Una de las ventajas de estos métodos es que permiten combinar de manera flexible diferentes fuentes de información. Los modelos numéricos globales proveen una fuente de información que resulta complementaria a la información medida por los satélites meteorológicos. A pesar de los avances en estimación de precipitación mediante sensores remotos y modelos de aprendizaje automático, son relativamente pocos los estudios que se han focalizado sobre escalas de tiempo cortas y en la combinación de datos de sensores remotos con información proveniente de modelos numéricos. En este trabajo se propone desarrollar, entrenar y validar un modelo basado en redes neuronales profundas para estimar la tasa de precipitación en superficie en escalas de tiempo cortas (del orden de los minutos) a partir de datos de temperatura de brillo en el rango del infrarrojo obtenidos a partir de satélites geoestacionarios y pronósticos numéricos globales.
Facultad de Ciencias Astronómicas y Geofísicas
Materia
Meteorología
Satélites
Aprendizaje automático
Pronóstico numérico
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/194006
Acceder
id SEDICI_32958c1e47fb3e337936360d95c7e61b
oai_identifier_str oai:sedici.unlp.edu.ar:10915/194006
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Estimación de precipitación utilizando sensores remotos y simulaciones numéricas mediante redes neuronalesGeslin, EzequielRuiz, Juan JoséGonzález, Sergio HernánVidal, LucianoNegri, PabloMeteorologíaSatélitesAprendizaje automáticoPronóstico numéricoLa precipitación es una componente esencial del ciclo hidrológico y es sumamente importante para la planificación y gestión de los recursos hídricos, la gestión del riesgo de desastres y la agricultura. Estimar la tasa de precipitación a nivel regional con alta resolución espacial y temporal es un desafío científico y tecnológico. Los sensores infrarrojos a bordo de los satélites geoestacionarios proveen información útil para la estimación de precipitación con una amplia cobertura espacial (ej. Hobouchian et al., 2017). Recientemente, los modelos de machine learning han sido aplicados a la estimación de precipitación en base a sensores remotos (Wang et al., 2023). Una de las ventajas de estos métodos es que permiten combinar de manera flexible diferentes fuentes de información. Los modelos numéricos globales proveen una fuente de información que resulta complementaria a la información medida por los satélites meteorológicos. A pesar de los avances en estimación de precipitación mediante sensores remotos y modelos de aprendizaje automático, son relativamente pocos los estudios que se han focalizado sobre escalas de tiempo cortas y en la combinación de datos de sensores remotos con información proveniente de modelos numéricos. En este trabajo se propone desarrollar, entrenar y validar un modelo basado en redes neuronales profundas para estimar la tasa de precipitación en superficie en escalas de tiempo cortas (del orden de los minutos) a partir de datos de temperatura de brillo en el rango del infrarrojo obtenidos a partir de satélites geoestacionarios y pronósticos numéricos globales.Facultad de Ciencias Astronómicas y Geofísicas2025info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/194006spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-2665-4info:eu-repo/semantics/altIdentifier/url/https://cenamet.org.ar/congremet/wp-content/uploads/2025/11/A4_T152.pdfinfo:eu-repo/semantics/reference/hdl/10915/193317info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:16:24Zoai:sedici.unlp.edu.ar:10915/194006Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:16:24.704SEDICI (UNLP) - Universidad Nacional de La Platafalse
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
Meteorología
Satélites
Aprendizaje automático
Pronóstico numérico
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
Ruiz, Juan José
González, Sergio Hernán
Vidal, Luciano
Negri, Pablo
author Geslin, Ezequiel
author_facet Geslin, Ezequiel
Ruiz, Juan José
González, Sergio Hernán
Vidal, Luciano
Negri, Pablo
author_role author
author2 Ruiz, Juan José
González, Sergio Hernán
Vidal, Luciano
Negri, Pablo
author2_role author
author
author
author
dc.subject.none.fl_str_mv Meteorología
Satélites
Aprendizaje automático
Pronóstico numérico
topic Meteorología
Satélites
Aprendizaje automático
Pronóstico numérico
dc.description.none.fl_txt_mv La precipitación es una componente esencial del ciclo hidrológico y es sumamente importante para la planificación y gestión de los recursos hídricos, la gestión del riesgo de desastres y la agricultura. Estimar la tasa de precipitación a nivel regional con alta resolución espacial y temporal es un desafío científico y tecnológico. Los sensores infrarrojos a bordo de los satélites geoestacionarios proveen información útil para la estimación de precipitación con una amplia cobertura espacial (ej. Hobouchian et al., 2017). Recientemente, los modelos de machine learning han sido aplicados a la estimación de precipitación en base a sensores remotos (Wang et al., 2023). Una de las ventajas de estos métodos es que permiten combinar de manera flexible diferentes fuentes de información. Los modelos numéricos globales proveen una fuente de información que resulta complementaria a la información medida por los satélites meteorológicos. A pesar de los avances en estimación de precipitación mediante sensores remotos y modelos de aprendizaje automático, son relativamente pocos los estudios que se han focalizado sobre escalas de tiempo cortas y en la combinación de datos de sensores remotos con información proveniente de modelos numéricos. En este trabajo se propone desarrollar, entrenar y validar un modelo basado en redes neuronales profundas para estimar la tasa de precipitación en superficie en escalas de tiempo cortas (del orden de los minutos) a partir de datos de temperatura de brillo en el rango del infrarrojo obtenidos a partir de satélites geoestacionarios y pronósticos numéricos globales.
Facultad de Ciencias Astronómicas y Geofísicas
description La precipitación es una componente esencial del ciclo hidrológico y es sumamente importante para la planificación y gestión de los recursos hídricos, la gestión del riesgo de desastres y la agricultura. Estimar la tasa de precipitación a nivel regional con alta resolución espacial y temporal es un desafío científico y tecnológico. Los sensores infrarrojos a bordo de los satélites geoestacionarios proveen información útil para la estimación de precipitación con una amplia cobertura espacial (ej. Hobouchian et al., 2017). Recientemente, los modelos de machine learning han sido aplicados a la estimación de precipitación en base a sensores remotos (Wang et al., 2023). Una de las ventajas de estos métodos es que permiten combinar de manera flexible diferentes fuentes de información. Los modelos numéricos globales proveen una fuente de información que resulta complementaria a la información medida por los satélites meteorológicos. A pesar de los avances en estimación de precipitación mediante sensores remotos y modelos de aprendizaje automático, son relativamente pocos los estudios que se han focalizado sobre escalas de tiempo cortas y en la combinación de datos de sensores remotos con información proveniente de modelos numéricos. En este trabajo se propone desarrollar, entrenar y validar un modelo basado en redes neuronales profundas para estimar la tasa de precipitación en superficie en escalas de tiempo cortas (del orden de los minutos) a partir de datos de temperatura de brillo en el rango del infrarrojo obtenidos a partir de satélites geoestacionarios y pronósticos numéricos globales.
publishDate 2025
dc.date.none.fl_str_mv 2025
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/194006
url http://sedici.unlp.edu.ar/handle/10915/194006
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-34-2665-4
info:eu-repo/semantics/altIdentifier/url/https://cenamet.org.ar/congremet/wp-content/uploads/2025/11/A4_T152.pdf
info:eu-repo/semantics/reference/hdl/10915/193317
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982600185413632
score 13.364332

Publicaciones similares