Generadores de tiempo basados en redes neuronales

• Autores: Martínez, Fernando Luis
• Año de publicación: 2005
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Boulanger, Jean-Philippe; Segura, Enrique Carlos
• Materia: MODELOS ESTOCASTICOS; PERCEPTRONES MULTICAPA; MODELO DE MARKOV; FUNCIONES PARAMETRICAS; REDES RECURRENTES SIMPLES; MODELO DE RICHARDSON; REDES NEURONALES
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Los Generadores de Tiempo son modelos estocasticos que permiten generar series deíndices climáticos que se corresponden con las características del clima actual. En esta tesis se explorara el potencial de las redes neuronales para disenar una nueva generaci ˜ on de generadores de tiempo. ´ En primer lugar, se utilizaron Perceptrones Multicapa para construir un generador de precipitaciones diarias en dos etapas que pueda ser aplicado a distintos regimenes climaticos y que corrija los problemas mas comunes que presentan estos generadores. Al compararlo con el modelo de Markov para la ocurrencia de días de lluvia, el modelo represento adecuadamente la media y la desviación estándar de la cantidad de días de lluvia por mes y mejoro significativamente la simulación de períodos secos y lluviosos largos. Luego, al compararlo con las tres funciones parametricas (Gamma, Weibull y Doble Exponencial) utilizadas usualmente para ajustar la distribucion de precipitaciones, se obtuvo un mejor ajuste de la distribucion y se mejoró la simulación de cantidades extremas y la desviación estándar interanual. ´ En segundo lugar, se utilizaron Redes Recurrentes Simples para construir un generador de temperatura diarias, basado en el modelo de Richardson, que se adapte a las características de distintos tipos de climas. El modelo logro ajustar adecuadamente la distribución de las series de temperatura y, en general, reprodujo aceptablemente la correlacion temporal de los valores observados. Estos resultados fueron obtenidos usando 19 estaciones meteorologicas en Argentina y confirmados para estaciones en EEUU,Europa y los Tropicos
Weather Generators are stochastic models, which allow generating series of climate indices with the same characteristics of past observations. The present thesis explores the potential of neural network architectures to design a new generation of weather generator models. First, we used Multilayer Perceptrons for building a two-step daily rainfall generator, which can be used with different types of climates and solve the common problems of traditional models. As compared to a rainfall occurrence Markov model, the model represented fairly well the mean and standard deviation of the number of wet days per month, and it significantly improved the simulation of the longest dry and wet periods. Then, we compared the model with the three parametric distribution functions (Gamma, Weibull and Double-Exponential) usually applied to fit rainfall distribution. We found a better fitting of the distribution and a better simulation of the extreme amounts and the interannual standard deviation. Second, we used Simple Recurrent Networks for building a daily temperature generator, based on the Richardson model, which can be adapted to the caracteristics of different kinds of climate. The model was able to fit relatively well the temperature distribution and, in general, it reproduced well the temporal correlation of observed data. These results were obtained using 19 weather stations in Argentina and were confirmed with stations in the United States, Europe and the Tropics.
Fil: Martínez, Fernando Luis. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.