Clasificación de imágenes de radar usando una red neuronal convolucional

• Autores: Dunayevich, Paula; Cutraro, Federico; Rugna, Martín; Sacco, Maximiliano; Vidal, Luciano
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: informe técnico
• Materia: RADARES METEOROLÓGICOS; CLASIFICACIÓN; SEGMENTACIÓN; APRENDIZAJE SUPERVISADO; RED NEURONAL; CONVOLUCIONAL
• Institución: Servicio Meteorológico Nacional

Fil: Vidal, Luciano. Servicio Meteorológico Nacional. Dirección Nacional de Ciencia e Innovación en Productos y Servicios. Dirección de Productos de Modelación Ambiental y de Sensores Remotos; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Ciencias de la Atmósfera y Los Océanos; Argentina.
Fil: Dunayevich, Paula. Servicio Meteorológico Nacional; Argentina.
Fil: Dunayevich, Paula. Servicio Meteorológico Nacional; Argentina.
Fil: Cutraro, Federico. Servicio Meteorológico Nacional; Argentina.
Fil: Rugna, Martin. Servicio Meteorológico Nacional; Argentina.
Fil: Sacco, Maximiliano. Servicio Meteorológico Nacional; Argentina.
Las observaciones meteorológicas, especialmente aquellas obtenidas mediante radares, desempeñan un papel fundamental en la comprensión y el pronóstico de los fenómenos atmosféricos. Este tipo de tecnología resulta crucial a la hora de monitorear los sistemas meteorológicos que pueden tener asociados fenómenos severos. Los radares tienen la capacidad de detectar diversas señales, como las generadas por aves, insectos, murciélagos y el terreno, agrupadas bajo la categoría de “ecos no meteorológicos”. Estas señales son útiles para determinar regiones de interés meteorológico, pero otras aplicaciones pueden considerarlas como ruido y por esta razón resulta de interés distinguirlas de los ecos meteorológicos. Es por eso que en este trabajo nos proponemos utilizar una red neuronal convolucional para segmentar y clasificar imágenes de radar en ecos meteorológicos, ecos no meteorológicos y N/D (No Dato). Para realizar una evaluación inicial del modelo, utilizamos un dataset que contiene imágenes per- tenecientes a 5 radares del sistema NEXRAD ubicados en una región de Estados Unidos que presenta similitudes meteorológicas con la República Argentina. Los primeros resultados indican que la elección de una red neuronal convolucional con una arquitectura U-Net fue acertada a la hora de abordar este tipo de problema, tal y como in- dican el accuracy y f1-score obtenidos para el modelo. Asimismo, sugieren que nuestros esfuerzos futuros deben concentrarse en ampliar el dataset de manera tal de obtener una mayor representación de píxeles clasificados como ecos meteorológicos y no meteorológicos, y en disminuir la clasificación de ecos no meteorológicos como N/D.
Meteorological observations, especially those obtained by radar, play a fundamental role in the understanding and forecasting of atmospheric phenomena. This type of technology is crucial when monitoring weather systems that may have severe phenomena associated with them. Radars have the ability to detect various types of signals such as those generated by birds, insects, bats and terrain, grouped under the category "non-meteorological echoes". These signals are useful for determining regions of meteorological interest, but other applications may consider them as noise and for this reason it is of interest to distinguish them from meteorological echoes. That is why in this work we propose to use a convolutional neural network to segment and classify radar images into meteorological echoes, non-meteorological echoes and N/D (No Data). To perform an initial evaluation of the model, we use a dataset containing images belonging to 5 radars of the NEXRAD system located in a region of the United States that presents meteorological similarities with the Argentine Republic. The first results indicate that the choice of a convolutional neural network with a U-Net architecture was the right one to address this type of problem, as indicated by the accuracy and f1-score obtained for the model. They also suggest that our future efforts should concentrate on enlarging the dataset in order to obtain a larger representation of pixels classified as meteorological and non-meteorological echoes, and on decreasing the classification of non-meteorological echoes as N/D.