Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales

Autores
Glatstein, Candela Sol; Balmaceda Huarte, Rocío; Berttolli, María Laura
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La reducción de escala estadística (SD, por sus siglas en inglés) es una herramienta clave para generar información climática de alta resolución, adecuada para los análisis de impacto, especialmente aquellos que se basan en índices climáticos y la superación de ciertos umbrales. En este contexto, las redes neuronales convolucionales (CNNs) se han popularizado como métodos de machine learning prometedores para su uso como técnicas de SD, ya que permiten manejar grandes volúmenes de datos -necesarios para realizar estudios climáticos- y extraer estructuras espaciales relevantes de manera automática para cada sitio. Estas características suponen una ventaja importante frente a técnicas tradicionales de SD, que suelen requerir una selección manual de predictores. En el sur de Sudamérica (SSA), las CNNs han demostrado ser eficaces para simular temperaturas extremas diarias en condiciones presentes y bajo diferentes escenarios futuros (Balmaceda-Huarte et al., 2024). Sin embargo, la evaluación de diferentes configuraciones de CNN asociadas a su arquitectura, como la elección de la función de activación, son aún un área poco explorada en la región. Más aún, la evaluación de las CNN como técnica de SD para la simulación de índices multivariados de impacto, como los índices de estrés térmico, no se ha llevado a cabo en SSA hasta el momento. Con el fin de abordar estos vacíos, el objetivo de este trabajo es evaluar el desempeño de las CNNs bajo diferentes configuraciones como técnica de SD para simular un índice de estrés térmico durante el verano en el centro y norte de Argentina.
Facultad de Ciencias Astronómicas y Geofísicas
Materia
Meteorología
Estrés térmico
Temperatura de bulbo húmedo
Redes neuronales convolucionales
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/193959
Acceder
id SEDICI_7ee114451cc778ad44a2c2c7bce35591
oai_identifier_str oai:sedici.unlp.edu.ar:10915/193959
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionalesGlatstein, Candela SolBalmaceda Huarte, RocíoBerttolli, María LauraMeteorologíaEstrés térmicoTemperatura de bulbo húmedoRedes neuronales convolucionalesLa reducción de escala estadística (SD, por sus siglas en inglés) es una herramienta clave para generar información climática de alta resolución, adecuada para los análisis de impacto, especialmente aquellos que se basan en índices climáticos y la superación de ciertos umbrales. En este contexto, las redes neuronales convolucionales (CNNs) se han popularizado como métodos de machine learning prometedores para su uso como técnicas de SD, ya que permiten manejar grandes volúmenes de datos -necesarios para realizar estudios climáticos- y extraer estructuras espaciales relevantes de manera automática para cada sitio. Estas características suponen una ventaja importante frente a técnicas tradicionales de SD, que suelen requerir una selección manual de predictores. En el sur de Sudamérica (SSA), las CNNs han demostrado ser eficaces para simular temperaturas extremas diarias en condiciones presentes y bajo diferentes escenarios futuros (Balmaceda-Huarte et al., 2024). Sin embargo, la evaluación de diferentes configuraciones de CNN asociadas a su arquitectura, como la elección de la función de activación, son aún un área poco explorada en la región. Más aún, la evaluación de las CNN como técnica de SD para la simulación de índices multivariados de impacto, como los índices de estrés térmico, no se ha llevado a cabo en SSA hasta el momento. Con el fin de abordar estos vacíos, el objetivo de este trabajo es evaluar el desempeño de las CNNs bajo diferentes configuraciones como técnica de SD para simular un índice de estrés térmico durante el verano en el centro y norte de Argentina.Facultad de Ciencias Astronómicas y Geofísicas2025info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/193959spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-2665-4info:eu-repo/semantics/altIdentifier/url/https://cenamet.org.ar/congremet/wp-content/uploads/2025/11/A4_T123.pdfinfo:eu-repo/semantics/reference/hdl/10915/193317info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-05-06T13:00:48Zoai:sedici.unlp.edu.ar:10915/193959Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-05-06 13:00:48.497SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales
title Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales
spellingShingle Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales
Glatstein, Candela Sol
Meteorología
Estrés térmico
Temperatura de bulbo húmedo
Redes neuronales convolucionales
title_short Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales
title_full Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales
title_fullStr Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales
title_full_unstemmed Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales
title_sort Modelado regional de un índice de estrés térmico en el centro y norte de Argentina utilizando redes neuronales convolucionales
dc.creator.none.fl_str_mv Glatstein, Candela Sol
Balmaceda Huarte, Rocío
Berttolli, María Laura
author Glatstein, Candela Sol
author_facet Glatstein, Candela Sol
Balmaceda Huarte, Rocío
Berttolli, María Laura
author_role author
author2 Balmaceda Huarte, Rocío
Berttolli, María Laura
author2_role author
author
dc.subject.none.fl_str_mv Meteorología
Estrés térmico
Temperatura de bulbo húmedo
Redes neuronales convolucionales
topic Meteorología
Estrés térmico
Temperatura de bulbo húmedo
Redes neuronales convolucionales
dc.description.none.fl_txt_mv La reducción de escala estadística (SD, por sus siglas en inglés) es una herramienta clave para generar información climática de alta resolución, adecuada para los análisis de impacto, especialmente aquellos que se basan en índices climáticos y la superación de ciertos umbrales. En este contexto, las redes neuronales convolucionales (CNNs) se han popularizado como métodos de machine learning prometedores para su uso como técnicas de SD, ya que permiten manejar grandes volúmenes de datos -necesarios para realizar estudios climáticos- y extraer estructuras espaciales relevantes de manera automática para cada sitio. Estas características suponen una ventaja importante frente a técnicas tradicionales de SD, que suelen requerir una selección manual de predictores. En el sur de Sudamérica (SSA), las CNNs han demostrado ser eficaces para simular temperaturas extremas diarias en condiciones presentes y bajo diferentes escenarios futuros (Balmaceda-Huarte et al., 2024). Sin embargo, la evaluación de diferentes configuraciones de CNN asociadas a su arquitectura, como la elección de la función de activación, son aún un área poco explorada en la región. Más aún, la evaluación de las CNN como técnica de SD para la simulación de índices multivariados de impacto, como los índices de estrés térmico, no se ha llevado a cabo en SSA hasta el momento. Con el fin de abordar estos vacíos, el objetivo de este trabajo es evaluar el desempeño de las CNNs bajo diferentes configuraciones como técnica de SD para simular un índice de estrés térmico durante el verano en el centro y norte de Argentina.
Facultad de Ciencias Astronómicas y Geofísicas
description La reducción de escala estadística (SD, por sus siglas en inglés) es una herramienta clave para generar información climática de alta resolución, adecuada para los análisis de impacto, especialmente aquellos que se basan en índices climáticos y la superación de ciertos umbrales. En este contexto, las redes neuronales convolucionales (CNNs) se han popularizado como métodos de machine learning prometedores para su uso como técnicas de SD, ya que permiten manejar grandes volúmenes de datos -necesarios para realizar estudios climáticos- y extraer estructuras espaciales relevantes de manera automática para cada sitio. Estas características suponen una ventaja importante frente a técnicas tradicionales de SD, que suelen requerir una selección manual de predictores. En el sur de Sudamérica (SSA), las CNNs han demostrado ser eficaces para simular temperaturas extremas diarias en condiciones presentes y bajo diferentes escenarios futuros (Balmaceda-Huarte et al., 2024). Sin embargo, la evaluación de diferentes configuraciones de CNN asociadas a su arquitectura, como la elección de la función de activación, son aún un área poco explorada en la región. Más aún, la evaluación de las CNN como técnica de SD para la simulación de índices multivariados de impacto, como los índices de estrés térmico, no se ha llevado a cabo en SSA hasta el momento. Con el fin de abordar estos vacíos, el objetivo de este trabajo es evaluar el desempeño de las CNNs bajo diferentes configuraciones como técnica de SD para simular un índice de estrés térmico durante el verano en el centro y norte de Argentina.
publishDate 2025
dc.date.none.fl_str_mv 2025
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/193959
url http://sedici.unlp.edu.ar/handle/10915/193959
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-34-2665-4
info:eu-repo/semantics/altIdentifier/url/https://cenamet.org.ar/congremet/wp-content/uploads/2025/11/A4_T123.pdf
info:eu-repo/semantics/reference/hdl/10915/193317
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1864469146316570624
score 13.1485815

Publicaciones similares