Corrección del pronóstico cuantitativo de la precipitación mediante el uso de redes neuronales

Contenido principal del artículo

A. Fuentes
M. Sierra
Y. Morfa

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

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.