Desarrollo de una herramienta para la detección de nubes precipitables en imágenes meteorológicas GOES-16 usando técnicas de Machine Learning.
El Machine Learning es un conjunto de técnicas derivadas de la inteligencia artificial, cuyo objetivo es crear algoritmos automatizados a partir de patrones relacionados con un fenómeno. Este trabajo realizó un estudio comparativo de 3 métodos de aprendizaje para desarrollar una herramienta de clasi...
- Autores:
-
Lemos García, Natalia
Rodas Arias, Santiago
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad del Valle
- Repositorio:
- Repositorio Digital Univalle
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.univalle.edu.co:10893/18144
- Acceso en línea:
- https://hdl.handle.net/10893/18144
- Palabra clave:
- Teledetección
Nubes
Imágenes meteorológicas
Machine Learning
- Rights
- openAccess
- License
- http://purl.org/coar/access_right/c_abf2
| Summary: | El Machine Learning es un conjunto de técnicas derivadas de la inteligencia artificial, cuyo objetivo es crear algoritmos automatizados a partir de patrones relacionados con un fenómeno. Este trabajo realizó un estudio comparativo de 3 métodos de aprendizaje para desarrollar una herramienta de clasificación de nubes precipitables en Colombia. Entre los métodos seleccionados se implementaron Random Forest, Maquinas de Soporte Vectorial y Redes Neuronales Artificiales. Para este trabajo se contó con datos de precipitación de 52 estaciones meteorológicas del IDEAM e imágenes del satélite GOES - 16 en el mismo intervalo de tiempo, donde se reportaron presencia/ausencia de nubes (precipitables/noprecipitables). Con la información satelital se tomaron 3 patrones de textura (varianza, media y homogeneidad) en 7 de las 16 bandas: azul, rojo, infrarrojo cercano, vapor de agua nivel bajo, medio y alto, e infrarrojo térmico. Se realizo un análisis de sensibilidad de hiper- parámetros con el propósito de seleccionar los mejores clasificadores entre los tres métodos. Los resultados obtenidos con el 40% del conjunto de datos, presentan desempeños de 99.87%, 99.97% y 100% para Random Forest, Maquinas de Soporte Vectorial y Redes Neuronales Artificiales respectivamente. Finalmente, este trabajo presenta una interfaz de usuario, para hacer la selección del clasificador y cargar la imagen multiespectral del GOES -16. La interfaz permite exportar la máscara obtenida para efectos de análisis en formato tif. |
|---|