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
Estado
versión publicada
Colaborador/a o director/a de tesis
Soria, Marcelo Abel
Descripción
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.
Materia
GRANIZO
RADARES METEOROLÓGICOS
GLOBAL FORECASR SYSTEM
PRONOSTICOS
DATA MINING
BIG DATA
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
tesis:tesis_n6376_Banchero

id BDUBAFCEN_b0addf2c3a2e6b29d285403e60b18645
oai_identifier_str tesis:tesis_n6376_Banchero
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Evalución de la capacidad de predicción de granizo de índices atmosféricosBanchero, SantiagoGRANIZORADARES METEOROLÓGICOSGLOBAL FORECASR SYSTEMPRONOSTICOSDATA MININGBIG DATAEn 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.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesSoria, Marcelo Abel2017-08-28info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:ar-repo/semantics/tesisDeMaestriaapplication/pdfhttps://hdl.handle.net/20.500.12110/tesis_n6376_Bancherospainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2025-09-29T13:40:51Ztesis:tesis_n6376_BancheroInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962025-09-29 13:40:52.153Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Evalución de la capacidad de predicción de granizo de índices atmosféricos
title Evalución de la capacidad de predicción de granizo de índices atmosféricos
spellingShingle Evalución de la capacidad de predicción de granizo de índices atmosféricos
Banchero, Santiago
GRANIZO
RADARES METEOROLÓGICOS
GLOBAL FORECASR SYSTEM
PRONOSTICOS
DATA MINING
BIG DATA
title_short Evalución de la capacidad de predicción de granizo de índices atmosféricos
title_full Evalución de la capacidad de predicción de granizo de índices atmosféricos
title_fullStr Evalución de la capacidad de predicción de granizo de índices atmosféricos
title_full_unstemmed Evalución de la capacidad de predicción de granizo de índices atmosféricos
title_sort Evalución de la capacidad de predicción de granizo de índices atmosféricos
dc.creator.none.fl_str_mv Banchero, Santiago
author Banchero, Santiago
author_facet Banchero, Santiago
author_role author
dc.contributor.none.fl_str_mv Soria, Marcelo Abel
dc.subject.none.fl_str_mv GRANIZO
RADARES METEOROLÓGICOS
GLOBAL FORECASR SYSTEM
PRONOSTICOS
DATA MINING
BIG DATA
topic GRANIZO
RADARES METEOROLÓGICOS
GLOBAL FORECASR SYSTEM
PRONOSTICOS
DATA MINING
BIG DATA
dc.description.none.fl_txt_mv 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.
description 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.
publishDate 2017
dc.date.none.fl_str_mv 2017-08-28
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_bdcc
info:ar-repo/semantics/tesisDeMaestria
format masterThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/tesis_n6376_Banchero
url https://hdl.handle.net/20.500.12110/tesis_n6376_Banchero
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1844618694885376000
score 13.070432