Detección y clasificación de precipitaciones en Sudamérica mediante imágenes satelitales y técnicas de aprendizaje automático

• Autores: Andelsman, Federico
• Año de publicación: 2022
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Masuelli, Sergio; Tamarit, Francisco Antonio
• Materia: Física de la atmósfera; Aprendizaje automático; Precipitaciones; Análisis de datos satelitales; GOES-16; Aprendizaje automático supervisado; Redes neuronales convolucionales; XGBoost; Atmospheric physics; Quantitative Precipitation Estimates
• Institución: Universidad Nacional de Córdoba

Tesis (Lic. en Física)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2022.
Fil: Andelsman, Federico. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
En este trabajo se aborda el problema de la detección y clasificación de precipitaciones por intensidades a partir de información satelital y métodos provenientes del aprendizaje automático. Se ha elegido como área de estudio a una porción de Sudamérica durante el mes de enero de 2021. El estudio se centra en el análisis del producto de Estimaciones Cuantitativas de Precipitaciones (QPE del inglés), del satélite GOES-16. Se entrenó una red neuronal convolucional llamada Cloud-Net, con el fin de detectar píxeles de lluvia o clasificarlos por umbrales de intensidades, teniendo como entrada las imágenes multiespectrales de GOES-16 y como datos de etiqueta al producto QPE. A su vez, se probaron distintas funciones de pérdida para la clasificación binaria y multicategoría. En paralelo, se compararon algunos de los resultados con los del algoritmo XGBoost. Se obtuvieron buenos resultados con la red Cloud-Net, en especial para las categorías extremas de píxeles sin lluvia (99% de precisión) y de lluvia mayor a 30 mm/h (hasta 93% de precisión), pero tiene dificultades para distinguir entre algunas categorías intermedias. Al compararlo con XGBoost, Cloud-Net tiene un mejor desempeño para identificar las ubicaciones de lluvias más dispersas. Por su parte, XGBoost sólo obtiene mejores resultados con las lluvias torrenciales, distinguiéndose con una precisión del 96%. Finalmente, los dos algoritmos tienen una tendencia a subestimar respecto a las intensidades de lluvia provistas por el algoritmo QPE.
The study of precipitation is one of the areas of most interest in the atmospheric sciences and with the most impact on our everyday life and on climate change projections. In this project, satellite information and Machine Learning methods are used to treat the detection and classification of precipitation. We have chosen as our area of study a portion of South America during the month of January 2021. We also focus our study on the analysis of the Quantitative Precipitation Estimation product (QPE) of the GOES-16 satellite. A convolutional neural network called Cloud-Net was trained to detect or classify pixels by rainfall intensities. The QPE product was used as label data and multispectral images of the GOES-16 satellite were used as input. Meanwhile, different loss functions were tested and the multiclass results were compared to those obtained by the XGBoost algorithm. Cloud-Net performs very well in the extreme classes of No Rain pixels (99% precision) and torrential rain over 30 mm/h (up to 93% precision), but it has difficulties distinguishing between some of the intermediate classes. When compared to XGBoost, Cloud-Net has a better performance identifying scattered rain and XGBoost only classifies torrential rain better (96% precision). Finally, both algorithms tend to underestimate rain intensities in comparison to the QPE algorithm.
Fil: Andelsman, Federico. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.