Evalución de la capacidad de predicción de granizo de índices atmosféricos

• Autores: Banchero, Santiago
• Año de publicación: 2017
• Idioma: español castellano
• Tipo de recurso: tesis de maestría
• Colaborador/a o director/a de tesis: Soria, Marcelo Abel
• Materia: GRANIZO; RADARES METEOROLÓGICOS; GLOBAL FORECASR SYSTEM; PRONOSTICOS; DATA MINING; BIG DATA
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

En la actividad agrícola existen muchos factores de riesgo que condicionan la producción,algunos pueden ser tratados por el hombre, como por ejemplo enfermedades o plagas perotambién existen otros que no pueden ser controlados y que de suceder ponen en peligrola seguridad de las personas y producen grandes trastornos económicos. Este conjuntode factores de riesgo tienen que ver con el comportamiento de la atmósfera y los eventosextremos que surgen de ella. En particular, la ocurrencia de granizo constituye uno delos fenómenos meteorológicos capaces de infligir daños cuantiosos al deteriorar seriamentecultivos, construcciones y medios de transporte. Con el objetivo de evaluar cuál es la capacidadde predicción de ocurrencia de granizo de un conjunto de índices de inestabilidad,se procesaron 168 fechas del año 2015 donde hubo caída de granizo. Se utilizó la red deradares de INTA para la determinación de las áreas con desarrollo convectivo y esta información fue utilizada como target para la construcción de modelos de pronóstico. Tambiénse utilizaron datos del pronóstico operativo GFS de donde se extrajeron unas 60 variablesde diferentes horarios a partir de las cuales se calcularon índices atmosféricos como Total Totals, K-Index, Showalter, SWEAT Index, entre otros. A partir de los índices y utilizandotécnicas de agrupamiento como Modelos de Mezclas Gaussianas se realizaron clusters porfechas y horarios de pronósticos. Cruzando los clusters obtenidos con GFS y utilizando lainformación de los radares se etiquetaron los grupos como positivos o negativos según puedano no desarrollar convección. Luego se verificó el comportamiento de los índices dentrode los clusters a partir de su condición de positivo o negativo y el comportamiento deestos fue adecuado con los umbrales de peligrosidad vistos en la bibliografía. Se ajustarondiferentes modelos de regresiones utilizando Support Vector Regression y regresiones regularizadas (Ridge y LASSO) para modelar el comportamiento de la probabilidad acumuladapara valores mayores a 50 y 60 dBZ a partir de los índices atmosféricos. Los resultadosde estos experimentos no fueron buenos y no fue posible modelar la densidad de dBZ apartir de los índices. También se ajustaron clasificadores con Random Forest a partir delos datos etiquetados con los clusters, estos resultados fueron muy buenos logrando unmuy buen ajuste en testing. Con los modelos obtenidos se pronosticaron varias fechas yse mapearon las probabilidades de con que las celdas fueron clasificadas como positivas. Estos pronósticos se validaron con puntos de campo y los resultados mostraron una buenacorrelación espacial entre los puntos y las celdas con probabilidades mayor a 0.5 de serpositivas. Para cumplir con este trabajo se desarrolló una arquitectura de procesamientocompuesta por diferentes módulos que preparan los datos de cada uno de los proveedores. Esta plataforma modular fue implementada para que escale horizontalmente.
Fil: Banchero, Santiago. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.