Generación de pronósticos probabilísticos de precipitación usando redes neuronales

Autores
Sacco, Maximiliano A.; Ruiz, Juan J.; Pulido, Manuel A.; Salio, Paola V.
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El pronóstico cuantitativo probabilístico de la precipitación sigue siendo un desafío crítico en meteorología debido a la naturaleza no gaussiana de las distribuciones de precipitación. Aunque técnicas como el promediado bayesiano de modelos (Bayesian Model Averaging, BMA) se han aplicado con éxito a los pronósticos por ensamble para variables meteorológicas como la temperatura [Raftery et al. 2005], su extensión a la precipitación requiere un tratamiento especial, como muestra [Sloughter et al. 2007]. Su enfoque combina la regresión logística para la probabilidad de precipitación con distribuciones gamma produciendo distribuciones de precipitación calibradas. Este trabajo propone un enfoque innovador donde redes neuronales artificiales (RNA) son entrenadas con una función de costo basada en la verosimilitud negativa de la distribución gamma para generar pronósticos probabilísticos de precipitación a partir de campos simulados de reflectividad de radar.
Facultad de Ciencias Astronómicas y Geofísicas
Materia
Meteorología
Redes neuronales
Incertidumbre
Pronósticos probabilísticos
Precipitación
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:10915/193401
Acceder
id SEDICI_cf8d8d53aa2b0187b778296832fbcf60
oai_identifier_str oai:sedici.unlp.edu.ar:10915/193401
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Generación de pronósticos probabilísticos de precipitación usando redes neuronalesSacco, Maximiliano A.Ruiz, Juan J.Pulido, Manuel A.Salio, Paola V.MeteorologíaRedes neuronalesIncertidumbrePronósticos probabilísticosPrecipitaciónEl pronóstico cuantitativo probabilístico de la precipitación sigue siendo un desafío crítico en meteorología debido a la naturaleza no gaussiana de las distribuciones de precipitación. Aunque técnicas como el promediado bayesiano de modelos (Bayesian Model Averaging, BMA) se han aplicado con éxito a los pronósticos por ensamble para variables meteorológicas como la temperatura [Raftery et al. 2005], su extensión a la precipitación requiere un tratamiento especial, como muestra [Sloughter et al. 2007]. Su enfoque combina la regresión logística para la probabilidad de precipitación con distribuciones gamma produciendo distribuciones de precipitación calibradas. Este trabajo propone un enfoque innovador donde redes neuronales artificiales (RNA) son entrenadas con una función de costo basada en la verosimilitud negativa de la distribución gamma para generar pronósticos probabilísticos de precipitación a partir de campos simulados de reflectividad de radar.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/10915/193401spainfo: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/A1_T114.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:UNLP2026-04-23T11:56:07Zoai:sedici.unlp.edu.ar:10915/193401Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-04-23 11:56:07.608SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Generación de pronósticos probabilísticos de precipitación usando redes neuronales
title Generación de pronósticos probabilísticos de precipitación usando redes neuronales
spellingShingle Generación de pronósticos probabilísticos de precipitación usando redes neuronales
Sacco, Maximiliano A.
Meteorología
Redes neuronales
Incertidumbre
Pronósticos probabilísticos
Precipitación
title_short Generación de pronósticos probabilísticos de precipitación usando redes neuronales
title_full Generación de pronósticos probabilísticos de precipitación usando redes neuronales
title_fullStr Generación de pronósticos probabilísticos de precipitación usando redes neuronales
title_full_unstemmed Generación de pronósticos probabilísticos de precipitación usando redes neuronales
title_sort Generación de pronósticos probabilísticos de precipitación usando redes neuronales
dc.creator.none.fl_str_mv Sacco, Maximiliano A.
Ruiz, Juan J.
Pulido, Manuel A.
Salio, Paola V.
author Sacco, Maximiliano A.
author_facet Sacco, Maximiliano A.
Ruiz, Juan J.
Pulido, Manuel A.
Salio, Paola V.
author_role author
author2 Ruiz, Juan J.
Pulido, Manuel A.
Salio, Paola V.
author2_role author
author
author
dc.subject.none.fl_str_mv Meteorología
Redes neuronales
Incertidumbre
Pronósticos probabilísticos
Precipitación
topic Meteorología
Redes neuronales
Incertidumbre
Pronósticos probabilísticos
Precipitación
dc.description.none.fl_txt_mv El pronóstico cuantitativo probabilístico de la precipitación sigue siendo un desafío crítico en meteorología debido a la naturaleza no gaussiana de las distribuciones de precipitación. Aunque técnicas como el promediado bayesiano de modelos (Bayesian Model Averaging, BMA) se han aplicado con éxito a los pronósticos por ensamble para variables meteorológicas como la temperatura [Raftery et al. 2005], su extensión a la precipitación requiere un tratamiento especial, como muestra [Sloughter et al. 2007]. Su enfoque combina la regresión logística para la probabilidad de precipitación con distribuciones gamma produciendo distribuciones de precipitación calibradas. Este trabajo propone un enfoque innovador donde redes neuronales artificiales (RNA) son entrenadas con una función de costo basada en la verosimilitud negativa de la distribución gamma para generar pronósticos probabilísticos de precipitación a partir de campos simulados de reflectividad de radar.
Facultad de Ciencias Astronómicas y Geofísicas
description El pronóstico cuantitativo probabilístico de la precipitación sigue siendo un desafío crítico en meteorología debido a la naturaleza no gaussiana de las distribuciones de precipitación. Aunque técnicas como el promediado bayesiano de modelos (Bayesian Model Averaging, BMA) se han aplicado con éxito a los pronósticos por ensamble para variables meteorológicas como la temperatura [Raftery et al. 2005], su extensión a la precipitación requiere un tratamiento especial, como muestra [Sloughter et al. 2007]. Su enfoque combina la regresión logística para la probabilidad de precipitación con distribuciones gamma produciendo distribuciones de precipitación calibradas. Este trabajo propone un enfoque innovador donde redes neuronales artificiales (RNA) son entrenadas con una función de costo basada en la verosimilitud negativa de la distribución gamma para generar pronósticos probabilísticos de precipitación a partir de campos simulados de reflectividad de radar.
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/10915/193401
url http://sedici.unlp.edu.ar/handle/10915/193401
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/A1_T114.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_ 1863367892740866048
score 13.05261

Publicaciones similares