Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo
ilustraciones, gráficas, tablas
- Autores:
-
Salazar Rojas, Jairo Andrés
- Tipo de recurso:
- Fecha de publicación:
- 2019
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/75712
- Palabra clave:
- 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología
weather forecasting
satellite imagery
precipitation regime
Pronóstico del tiempo
Imágenes por satélites
Régimen de las precipitaciones
Rainfall
Satellite Images
Rainfall estimation
GOES
Radar
Forecast
ARIMA
Holt-winters
Holt-Winters
Precipitación
Imágenes de satélite
Estimación satelital
GOES
Radar
Pronóstico
ARIMA
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_a486bc84ddbec2a524da115b9ae4153b |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/75712 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo |
| title |
Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo |
| spellingShingle |
Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo 550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología weather forecasting satellite imagery precipitation regime Pronóstico del tiempo Imágenes por satélites Régimen de las precipitaciones Rainfall Satellite Images Rainfall estimation GOES Radar Forecast ARIMA Holt-winters Holt-Winters Precipitación Imágenes de satélite Estimación satelital GOES Radar Pronóstico ARIMA |
| title_short |
Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo |
| title_full |
Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo |
| title_fullStr |
Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo |
| title_full_unstemmed |
Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo |
| title_sort |
Uso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazo |
| dc.creator.fl_str_mv |
Salazar Rojas, Jairo Andrés |
| dc.contributor.advisor.spa.fl_str_mv |
Villarreal González, Edgar Leonardo Riaño Melo, Orlando |
| dc.contributor.author.spa.fl_str_mv |
Salazar Rojas, Jairo Andrés |
| dc.subject.ddc.spa.fl_str_mv |
550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología |
| topic |
550 - Ciencias de la tierra::551 - Geología, hidrología, meteorología weather forecasting satellite imagery precipitation regime Pronóstico del tiempo Imágenes por satélites Régimen de las precipitaciones Rainfall Satellite Images Rainfall estimation GOES Radar Forecast ARIMA Holt-winters Holt-Winters Precipitación Imágenes de satélite Estimación satelital GOES Radar Pronóstico ARIMA |
| dc.subject.agrovoc.eng.fl_str_mv |
weather forecasting satellite imagery precipitation regime |
| dc.subject.agrovoc.spa.fl_str_mv |
Pronóstico del tiempo Imágenes por satélites Régimen de las precipitaciones |
| dc.subject.proposal.eng.fl_str_mv |
Rainfall Satellite Images Rainfall estimation GOES Radar Forecast ARIMA Holt-winters Holt-Winters |
| dc.subject.proposal.spa.fl_str_mv |
Precipitación Imágenes de satélite Estimación satelital GOES Radar Pronóstico ARIMA |
| description |
ilustraciones, gráficas, tablas |
| publishDate |
2019 |
| dc.date.issued.spa.fl_str_mv |
2019-12-17 |
| dc.date.accessioned.spa.fl_str_mv |
2020-02-25T12:23:35Z |
| dc.date.available.spa.fl_str_mv |
2020-02-25T12:23:35Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/75712 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.none.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/75712 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Aeronaútica Civil. (8 de Junio de 2019). Meteorología Aeronaútica. Obtenido de Radar GTA: http://meteorologia.aerocivil.gov.co/radar/loop/aoi/GTA/Reflectividad%20de%20Ba se%200.5%20deg? Baez-Villanueva, O. M., Zambrano-Bigiarini, M., Ribbe, L., NAuditt, A., Giraldo-Osorio, J. D., & Thinh, N. X. (2018). Temporal and spatial evaluation of satellites estimates over different regions in Latin-America. Atmospheric Resarch, 34-50. Box, G. E., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day. Correa, E. (2000). Series de Tiempo. Medellín: Centro de publicaciones Universidad Nacional de Colombia. Crespo, J. L., Zorrilla, M., Bernardos, P., & Mora, E. (2007). A new image prediction model based on spatio-temporal techniques. The Visual Computer, 419-431. Elmunim, N. A., Abdullah, M., Hasbi, A. M., & Bahari, S. A. (2017). Comparison of GPS TEC variations with Holt-Winter method and IRI-2012 over Langkawi, Malaysia. Advances in Space Research Vol 60, 276-285. Fang, J., Yang, W., Luan, Y., Du, J., Lin, A., & Zhao, L. (2019). Evaluation of the TRMM 3B42 and GPM IMERG products for extreme precipitation analisis. Atmospheric REsarch, 24-38. Fukao, S., & Hamazu, K. (2014). Radar for Meteorological and Atmospheric Observations. Kyoto: Springer. GES DISC. (2016). TRMM (TMPA) Precipitation L3 1 day 0.25 degree x 0.25 degree V7, Edited by Andrey Savtchenko,. Obtenido de Goddard Earth Sciences Data and Information Services Center (GES DISC): https://docserver.gesdisc.eosdis.nasa.gov/public/project/GPM/browse/TRMM_3B4 2_Daily.png Hernández, G. A. (2017). Análisis de un Modelo Estocástico para un Brote de Dengue Clásico (Tesis de Maestría). Obtenido de Bilioteca Digital Universidad Nacional de Colombia: http://bdigital.unal.edu.co/57721/1/98138242.2017.pdf IPGW. (8 de Junio de 2019). International Precipitation Work Group . Obtenido de International Precipitation Work Group Algorithms: http://www.isac.cnr.it/~ipwg/algorithms.html Kotsialos, A., Papageorgiou, M., & Poulimenos, A. (2005). HOLT-WINTERS AND NEURAL-NETWORK METHODS FOR MEDIUM-TERM SALES FORECASTING . IFAC Proceedings Volumes Vol 38, 133-138. Ladino, A. (2017). Caracterización de la microfísica de la precipitación mediante información de disdrómetros y radar polarimétrico para la estimación cuantitativa de lluvia en el área metropolitana del Valle de Aburrá (Tesis de Maestría). Obtenido de Bilioteca Digital Universidad Nacional de Colombia: http://bdigital.unal.edu.co/64464/1/Documento_tesis_ALR.pdf Marzano, F. S., Rivolta, G., Coppola, E., Tomassetti, B., & Verdecchia, M. (2007). Rainfall Nowcasting From Multisatellite Passive-Sensor Images Using a Recurrent Neural Network. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 11, 3800-3812. NASA - NOAA. (31 de Mayo de 2019). GEOSTATIONARY OPERATIONAL ENVIRONMENTAL SATELLITE — R SERIES. A collaborative NOAA & NASA program. Obtenido de https://www.goes-r.gov/mission/history.html NASA. (2 de Abril de 2009). First Photo of Earth From a Weather Satellite, TIROS-1. Obtenido de https://www.nasa.gov/topics/earth/earthday/gall_tiros.html NOAA. (27 de Marzo de 2014). NOAA STAR Center for Satellite Applications and Research. Obtenido de STAR Satellite Rainfall Estimates - Hydro-Estimator: https://www.star.nesdis.noaa.gov/smcd/emb/ff/HydroEst.php NOAA. (2018). Obtenido de GOES - R series Data Book: https://www.goesr.gov/downloads/resources/documents/GOES-RSeriesDataBook.pdf Ortiz, H. B., & Morales, R. G. (2014). Apliación teórica del método Holt-Winters al proble,a de credit scoring de las instituciones de microfinanzas. Mercados y Negocios Vol 15, 5-21. Palomino-Ángel, S., Anaya-Acevedo, J. A., & Botero, B. A. (2019). Evaluation of 3b42v7 and IMERG daily-precipitation products for a very high-precipitation region in northwestern South AMerica. Atmospheric Research, 37-48. Portafolio. (16 de Mayo de 2016). Portafolio. Obtenido de Aerocivil invierte $17 mil millones en tecnología aeronáutica: https://www.portafolio.co/economia/gobierno/inversion-aerocivil-tecnologiaaeronautica-495865 Rinehart, R. (2007). El Radar para los Meteorólogos. Columbia: Rinehart publications. Scofield, R. A., Kuligowski, R. J., & Davenport, J. C. (2004). The use of the HydroNowcaster for Mesoscale Convective Systems and the Tropical Rainfall Nowcaster (TRaN) for landfalling tropical systems. Symposium on Planning, Nowcasting, and Forecasting in the Urban Zone. Seattle, WA. Shukla, B. P., Pal, P. K., & Joshi, P. C. (2011). Extrapolation of Sequence of Geostationary Satellite Images for Weather Nowcasting. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, VOL. 8, NO. 2, 216-219. Tan, S.-Y. (2014). Meteorological Satellite System. Ontario: Springer. Tratar, L. F., & Strmčnik, E. (2016). The comparison of HolteWinters method and Multiple regression method: A case study. Energy Vol 109, 266-276. Usman, M., Nichol, J. E., & Asma T. Ibrahim, L. F. (2018). A Spatio-temporal analysis of trends in rainfall from long term satellite rainfall products in the Sudano Sahelian zone of Nigeria. Agricultural and Forest Meteorology, 273-286. Vicente, G. A., Scofield, R. A., & Menzel, a. W. (1998). The Operational GOES Infrared Rainfall Estimation Technique. Bulletin of the American Meteorological Society Vol. 79, No. 9, 1883-1898. Xia, P., Zhang, L., & Li, F. (2015). Learning similarity with cosine similarity ensemble. Information Sciences Vol 307, 39-52. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.spa.spa.fl_str_mv |
Acceso abierto |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ Acceso abierto http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
191 xviii, 167 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ciencias Agrarias - Maestría en Geomática |
| dc.publisher.department.spa.fl_str_mv |
Escuela de posgrados Escuela de posgrados |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias Agrarias |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/75712/1/80766453.2019.pdf https://repositorio.unal.edu.co/bitstream/unal/75712/3/license_rdf https://repositorio.unal.edu.co/bitstream/unal/75712/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/75712/4/80766453.2019.pdf.jpg |
| bitstream.checksum.fl_str_mv |
287801e1e924d34a90a0e3f3723e3c4a 40513e59b5d1327fcca263d3c2a2e44a 6f3f13b02594d02ad110b3ad534cd5df 6644e11a5174c94dcd9d3db6d537c5e7 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089540478959616 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Acceso abiertoinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Villarreal González, Edgar Leonardo9932ab58-3ce2-451d-9e11-2b899efc4e36Riaño Melo, Orlandoe7e04b6a-4b81-4247-a432-0a74c232b5b1Salazar Rojas, Jairo Andrés30a8bd30-c0d8-4f0c-8b95-7ff2be68bd722020-02-25T12:23:35Z2020-02-25T12:23:35Z2019-12-17https://repositorio.unal.edu.co/handle/unal/75712Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, gráficas, tablasSe diseñó e implementó una metodología para la estimación de campos de precipitación y su pronóstico para las siguientes tres horas, en intervalos de 15 minutos, empleando imágenes provenientes de la plataforma satelital GOES 16 (canal 13) y haciendo uso de información de radar, estaciones meteorológicas automáticas y convencionales en campo. Esta metodología se desarrolló en tres etapas consecutivas. Entendiendo que el radar es el sensor remoto que mejor representa los fenómenos de precipitación (en términos espaciales, temporales y cuantitativos) y que, a partir de los registros de precipitación en campo, es posible establecer la relación reflectividad / precipitación, en la primera etapa se realizó un modelamiento estadístico para convertir sus valores registrados (reflectividad) en precipitación, obteniendo errores en acumulados de 24 horas cercanos a los 3.3 mm. Para la segunda etapa, un segundo modelamiento estadístico fue realizado, encaminado a la conversión de los valores de los niveles digitales de las imágenes GOES 16 a valores de precipitación; para esto se estableció la relación precipitación radar / niveles digitales, obteniendo errores cercanos a los 6 mm en acumulados de 24 horas, adicionalmente se comparó su desempeño contra dos de las estimaciones satelitales más empleadas. Una tercera etapa consistió en la aplicación de métodos estadísticos de series de tiempo, ARIMA y Holt-Winters, para modelar el comportamiento de los valores de precipitación estimados por satélite para las siguientes tres horas, en donde el modelo de Holt-Winters presenta consistentemente mejores resultados que el modelo ARIMA a lo largo de los intervalos pronosticados. (Texto tomado de la fuente).A methodology was designed and implemented for the rainfall estimation and their forecast for the following three hours, by 15-minute intervals, using images from the GOES 16 satellite platform (channel 13) and using radar information, automatic stations and conventional meteorological stations in ground. This methodology was developed in three consecutive stages. The radar is the remote sensing that best represents rainfall, usually the reflectivity values are using in combination with the ground rainfall records to establish the reflectivity / rainfall relationship. statistic modeling was performed to convert their radar information values (reflectivity) in precipitation, obtaining errors in accumulated 24 hours close to 3.3 mm, in this first stage. A second statistical modeling was developed, in the second stage, aimed at converting the values of the digital levels from GOES 16 images to precipitation values; the ratio radar precipitation / digital levels was established, obtaining errors close to 6 mm in accumulated 24 hours, additionally its performance was compared against two of the most used satellite estimates in the region. A third stage consisted in the application of statistical time series methods, ARIMA and Holt-Winters, to model the behavior of satellite precipitation values for the next three hours, where the Holt-Winters model presents consistently better results that the ARIMA model along the predicted intervals.Incluye anexosMaestríaMagíster en GeomáticaTecnologías geoespacialesCiencias Agronómicas191xviii, 167 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ciencias Agrarias - Maestría en GeomáticaEscuela de posgradosEscuela de posgradosFacultad de Ciencias AgrariasBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá550 - Ciencias de la tierra::551 - Geología, hidrología, meteorologíaweather forecastingsatellite imageryprecipitation regimePronóstico del tiempoImágenes por satélitesRégimen de las precipitacionesRainfallSatellite ImagesRainfall estimationGOESRadarForecastARIMAHolt-wintersHolt-WintersPrecipitaciónImágenes de satéliteEstimación satelitalGOESRadarPronósticoARIMAUso de imágenes meteorológicas GOES para la estimación de campos de precipitación y pronóstico del tiempo a corto plazoTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAeronaútica Civil. (8 de Junio de 2019). Meteorología Aeronaútica. Obtenido de Radar GTA: http://meteorologia.aerocivil.gov.co/radar/loop/aoi/GTA/Reflectividad%20de%20Ba se%200.5%20deg? Baez-Villanueva, O. M., Zambrano-Bigiarini, M., Ribbe, L., NAuditt, A., Giraldo-Osorio, J. D., & Thinh, N. X. (2018). Temporal and spatial evaluation of satellites estimates over different regions in Latin-America. Atmospheric Resarch, 34-50. Box, G. E., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day. Correa, E. (2000). Series de Tiempo. Medellín: Centro de publicaciones Universidad Nacional de Colombia. Crespo, J. L., Zorrilla, M., Bernardos, P., & Mora, E. (2007). A new image prediction model based on spatio-temporal techniques. The Visual Computer, 419-431. Elmunim, N. A., Abdullah, M., Hasbi, A. M., & Bahari, S. A. (2017). Comparison of GPS TEC variations with Holt-Winter method and IRI-2012 over Langkawi, Malaysia. Advances in Space Research Vol 60, 276-285. Fang, J., Yang, W., Luan, Y., Du, J., Lin, A., & Zhao, L. (2019). Evaluation of the TRMM 3B42 and GPM IMERG products for extreme precipitation analisis. Atmospheric REsarch, 24-38. Fukao, S., & Hamazu, K. (2014). Radar for Meteorological and Atmospheric Observations. Kyoto: Springer. GES DISC. (2016). TRMM (TMPA) Precipitation L3 1 day 0.25 degree x 0.25 degree V7, Edited by Andrey Savtchenko,. Obtenido de Goddard Earth Sciences Data and Information Services Center (GES DISC): https://docserver.gesdisc.eosdis.nasa.gov/public/project/GPM/browse/TRMM_3B4 2_Daily.png Hernández, G. A. (2017). Análisis de un Modelo Estocástico para un Brote de Dengue Clásico (Tesis de Maestría). Obtenido de Bilioteca Digital Universidad Nacional de Colombia: http://bdigital.unal.edu.co/57721/1/98138242.2017.pdf IPGW. (8 de Junio de 2019). International Precipitation Work Group . Obtenido de International Precipitation Work Group Algorithms: http://www.isac.cnr.it/~ipwg/algorithms.html Kotsialos, A., Papageorgiou, M., & Poulimenos, A. (2005). HOLT-WINTERS AND NEURAL-NETWORK METHODS FOR MEDIUM-TERM SALES FORECASTING . IFAC Proceedings Volumes Vol 38, 133-138. Ladino, A. (2017). Caracterización de la microfísica de la precipitación mediante información de disdrómetros y radar polarimétrico para la estimación cuantitativa de lluvia en el área metropolitana del Valle de Aburrá (Tesis de Maestría). Obtenido de Bilioteca Digital Universidad Nacional de Colombia: http://bdigital.unal.edu.co/64464/1/Documento_tesis_ALR.pdf Marzano, F. S., Rivolta, G., Coppola, E., Tomassetti, B., & Verdecchia, M. (2007). Rainfall Nowcasting From Multisatellite Passive-Sensor Images Using a Recurrent Neural Network. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 45, NO. 11, 3800-3812. NASA - NOAA. (31 de Mayo de 2019). GEOSTATIONARY OPERATIONAL ENVIRONMENTAL SATELLITE — R SERIES. A collaborative NOAA & NASA program. Obtenido de https://www.goes-r.gov/mission/history.html NASA. (2 de Abril de 2009). First Photo of Earth From a Weather Satellite, TIROS-1. Obtenido de https://www.nasa.gov/topics/earth/earthday/gall_tiros.html NOAA. (27 de Marzo de 2014). NOAA STAR Center for Satellite Applications and Research. Obtenido de STAR Satellite Rainfall Estimates - Hydro-Estimator: https://www.star.nesdis.noaa.gov/smcd/emb/ff/HydroEst.php NOAA. (2018). Obtenido de GOES - R series Data Book: https://www.goesr.gov/downloads/resources/documents/GOES-RSeriesDataBook.pdf Ortiz, H. B., & Morales, R. G. (2014). Apliación teórica del método Holt-Winters al proble,a de credit scoring de las instituciones de microfinanzas. Mercados y Negocios Vol 15, 5-21. Palomino-Ángel, S., Anaya-Acevedo, J. A., & Botero, B. A. (2019). Evaluation of 3b42v7 and IMERG daily-precipitation products for a very high-precipitation region in northwestern South AMerica. Atmospheric Research, 37-48. Portafolio. (16 de Mayo de 2016). Portafolio. Obtenido de Aerocivil invierte $17 mil millones en tecnología aeronáutica: https://www.portafolio.co/economia/gobierno/inversion-aerocivil-tecnologiaaeronautica-495865 Rinehart, R. (2007). El Radar para los Meteorólogos. Columbia: Rinehart publications. Scofield, R. A., Kuligowski, R. J., & Davenport, J. C. (2004). The use of the HydroNowcaster for Mesoscale Convective Systems and the Tropical Rainfall Nowcaster (TRaN) for landfalling tropical systems. Symposium on Planning, Nowcasting, and Forecasting in the Urban Zone. Seattle, WA. Shukla, B. P., Pal, P. K., & Joshi, P. C. (2011). Extrapolation of Sequence of Geostationary Satellite Images for Weather Nowcasting. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, VOL. 8, NO. 2, 216-219. Tan, S.-Y. (2014). Meteorological Satellite System. Ontario: Springer. Tratar, L. F., & Strmčnik, E. (2016). The comparison of HolteWinters method and Multiple regression method: A case study. Energy Vol 109, 266-276. Usman, M., Nichol, J. E., & Asma T. Ibrahim, L. F. (2018). A Spatio-temporal analysis of trends in rainfall from long term satellite rainfall products in the Sudano Sahelian zone of Nigeria. Agricultural and Forest Meteorology, 273-286. Vicente, G. A., Scofield, R. A., & Menzel, a. W. (1998). The Operational GOES Infrared Rainfall Estimation Technique. Bulletin of the American Meteorological Society Vol. 79, No. 9, 1883-1898. Xia, P., Zhang, L., & Li, F. (2015). Learning similarity with cosine similarity ensemble. Information Sciences Vol 307, 39-52.EstudiantesInvestigadoresPúblico generalORIGINAL80766453.2019.pdf80766453.2019.pdfTesis de Maestría en Geomáticaapplication/pdf14124153https://repositorio.unal.edu.co/bitstream/unal/75712/1/80766453.2019.pdf287801e1e924d34a90a0e3f3723e3c4aMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8920https://repositorio.unal.edu.co/bitstream/unal/75712/3/license_rdf40513e59b5d1327fcca263d3c2a2e44aMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-83991https://repositorio.unal.edu.co/bitstream/unal/75712/2/license.txt6f3f13b02594d02ad110b3ad534cd5dfMD52THUMBNAIL80766453.2019.pdf.jpg80766453.2019.pdf.jpgGenerated Thumbnailimage/jpeg5434https://repositorio.unal.edu.co/bitstream/unal/75712/4/80766453.2019.pdf.jpg6644e11a5174c94dcd9d3db6d537c5e7MD54unal/75712oai:repositorio.unal.edu.co:unal/757122023-07-10 23:04:13.163Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |