Corrección del pronóstico cuantitativo de la precipitación mediante el uso de redes neuronales
Contenido principal del artículo
Resumen
En el presente trabajo se propone un modelo de redes neuronales como una técnica eficaz para la corrección del pronóstico cuantitativo de precipitación brindado por el modelo WRF. Para ello se emplea un Perceptrón Multi-Capa, con el objetivo de utilizar la salida (observaciones brindadas por las estaciones en superficie) para establecer una relación con los elementos de entrada (salidas del WRF). Se realiza el entrenamiento del modelo con datos reales de acumulado de precipitación correspondientes al año 2017; y se realiza la evaluación con el período comprendido entre el 4 de noviembre de 2018 y el 28 de febrero de 2019. Se logró la corrección del pronóstico cuantitativo de la precipitación en las estaciones analizadas, siendo más significativa la mejoría para la estación de Montaña y en los casos en los que el WRF sobreestima el acumulado de precipitación.
Descargas
La descarga de datos todavía no está disponible.
Detalles del artículo
Cómo citar
FuentesA., SierraM., & MorfaY. (2020). Corrección del pronóstico cuantitativo de la precipitación mediante el uso de redes neuronales. Revista Cubana De Meteorología, 26(3). Recuperado a partir de http://rcm.insmet.cu/index.php/rcm/article/view/515
Sección
Artículos Originales
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons 4.0 Reconocimiento-NoComercial que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista. Bajo esta licencia el autor será libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y crear a partir del material
- El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia
Bajo las siguientes condiciones:
- Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
- NoComercial — No puede utilizar el material para una finalidad comercial.
- No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
La revista no se responsabiliza con las opiniones y conceptos emitidos en los trabajos, son de exclusiva responsabilidad de los autores. El Editor, con la asistencia del Comité de Editorial, se reserva el derecho de sugerir o solicitar modificaciones aconsejables o necesarias. La mención de marcas comerciales de equipos, instrumentos o materiales específicos obedece a propósitos de identificación, no existiendo ningún compromiso promocional con relación a los mismos, ni por los autores ni por el editor.
Citas
Bishop, C. M. 1995. Neural Networks for Pattern Recognition. Oxford: University Press, 1995.
Buhigas, J. 2018. Todo lo que necesitas saber sobre TensorFlow, la plataforma para Inteligencia Artificial de Google. Puentes Digitales. [Online] 2 14, 2018. [Cited: 3 2018, 20.] https://puentesdigitales.com/author/javierbuhigas/ .
Castillo, E., et al. 1999. An Introduction to Functional Networks with Applications. Boston: s.n., 1999.
Cofiño, A. S., Gutirrez, J. M. and Ivanissevich, M. L. 2004. Evolving modular networks with genetic algorithms. Application to nonlinear time series. 2004.
Cybenko, G. 1989. Aproximation by supperpositions of a sigmoidal function. 1989. pp. 203-314.
Grell, G.A. and Freitas, S. R. 2013. A scale and aerosol aware stochastic convective parameterization for weather and air quality modeling. 2013. pp. 23845-23893.
Gutierrez, J. M., et al. 2004. Redes Probabilísticas y Neuronales en las Ciencias Atmosféricas. Instituto Nacional de Meteorología, Universidad de Cantabria: s.n., 2004.
Haykin, S. 1998. Neural Networks: A Comprehensive Foundation. 2, 1998.
Hidalgo, H. G., Dettinger, M. D. and Cayan, D. R. 2008. Downscaling with constructed analogues: Daily precipitation and temperature fields over the United States. Report, 2007-027, California Climate Change Center. Program California Energy Commission : Public Interest Energy Research (PIER), 2008, p. 48.
Hsieh, W. W. and Tang, B. 1998. Applying neural network models to prediction and data analysis in meteorology and oceanography. 1998. pp. 1855-1870.
Manual del WRF. 2004. Mesoscale & Microscale Meteorology Division, ARW Version 3 Modeling System User’s Guide. Complementary to the ARW Tech Note. Colorado, USA: NCAR: Boulder, 2004, p. 411.
Sanaz, M. 2015. Bias Correction of Global Circulation Model Outputs Using Artificial Neural Networks. Instituto de Tecnología de Georgia: s.n., 2015.
Schizas, C. N., Pattichis, C. S. and Michaelides, S.C. 1994. Artificial neural networks in weather forecasting. 1994. pp. 219-230.
Sierra, L. M., et al. 2014. Sistema de Predicción a muy corto plazo basado en el Acoplamiento de Modelos de Alta Resolución y Asimilación de Datos. 2014.
Buhigas, J. 2018. Todo lo que necesitas saber sobre TensorFlow, la plataforma para Inteligencia Artificial de Google. Puentes Digitales. [Online] 2 14, 2018. [Cited: 3 2018, 20.] https://puentesdigitales.com/author/javierbuhigas/ .
Castillo, E., et al. 1999. An Introduction to Functional Networks with Applications. Boston: s.n., 1999.
Cofiño, A. S., Gutirrez, J. M. and Ivanissevich, M. L. 2004. Evolving modular networks with genetic algorithms. Application to nonlinear time series. 2004.
Cybenko, G. 1989. Aproximation by supperpositions of a sigmoidal function. 1989. pp. 203-314.
Grell, G.A. and Freitas, S. R. 2013. A scale and aerosol aware stochastic convective parameterization for weather and air quality modeling. 2013. pp. 23845-23893.
Gutierrez, J. M., et al. 2004. Redes Probabilísticas y Neuronales en las Ciencias Atmosféricas. Instituto Nacional de Meteorología, Universidad de Cantabria: s.n., 2004.
Haykin, S. 1998. Neural Networks: A Comprehensive Foundation. 2, 1998.
Hidalgo, H. G., Dettinger, M. D. and Cayan, D. R. 2008. Downscaling with constructed analogues: Daily precipitation and temperature fields over the United States. Report, 2007-027, California Climate Change Center. Program California Energy Commission : Public Interest Energy Research (PIER), 2008, p. 48.
Hsieh, W. W. and Tang, B. 1998. Applying neural network models to prediction and data analysis in meteorology and oceanography. 1998. pp. 1855-1870.
Manual del WRF. 2004. Mesoscale & Microscale Meteorology Division, ARW Version 3 Modeling System User’s Guide. Complementary to the ARW Tech Note. Colorado, USA: NCAR: Boulder, 2004, p. 411.
Sanaz, M. 2015. Bias Correction of Global Circulation Model Outputs Using Artificial Neural Networks. Instituto de Tecnología de Georgia: s.n., 2015.
Schizas, C. N., Pattichis, C. S. and Michaelides, S.C. 1994. Artificial neural networks in weather forecasting. 1994. pp. 219-230.
Sierra, L. M., et al. 2014. Sistema de Predicción a muy corto plazo basado en el Acoplamiento de Modelos de Alta Resolución y Asimilación de Datos. 2014.