Estimación de precipitación multisensor utilizando redes neuronales convolucionales

Autores
González, Sergio Hernán; Vidal, Luciano; Negri, Pablo; Ruíz, Juan
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Con el objetivo de complementar las escasas observaciones de pluviómetros en superficie, se han desarrollado diversas metodologías para aprovechar el potencial de los sensores remotos. Los datos satelitales en infrarrojo (IR) proporcionan información sobre las características del tope de las nubes, mientras que los destellos de actividad eléctrica ubican las regiones donde la intensidad de la convección es mayor. Los datos de microondas, disponibles en satélites de órbita baja, pueden penetrar y capturar la estructura interna de las nubes, que permite estimaciones de precipitación (ECP) más precisas, pero su frecuencia y cobertura de observación son limitadas debido a su tiempo de revisita y ancho de escaneo. El objetivo del trabajo es el desarrollo de modelos de estimaciones de precipitación satelitales mediante redes neuronales convolucionales. Se propone utilizar un modelo de aprendizaje profundo que estime la precipitación a partir de la ECP del satélite GOES-16 y evaluar su desempeño incluyendo datos en infrarrojo y actividad eléctrica.
Facultad de Ciencias Astronómicas y Geofísicas
Materia
Meteorología
Estimación de precipitación satelital
Aprendizaje profundo
Sensores remotos
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:10915/193710
Acceder
id SEDICI_dbcc5ee410557c172151b5db09e695c1
oai_identifier_str oai:sedici.unlp.edu.ar:10915/193710
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Estimación de precipitación multisensor utilizando redes neuronales convolucionalesGonzález, Sergio HernánVidal, LucianoNegri, PabloRuíz, JuanMeteorologíaEstimación de precipitación satelitalAprendizaje profundoSensores remotosCon el objetivo de complementar las escasas observaciones de pluviómetros en superficie, se han desarrollado diversas metodologías para aprovechar el potencial de los sensores remotos. Los datos satelitales en infrarrojo (IR) proporcionan información sobre las características del tope de las nubes, mientras que los destellos de actividad eléctrica ubican las regiones donde la intensidad de la convección es mayor. Los datos de microondas, disponibles en satélites de órbita baja, pueden penetrar y capturar la estructura interna de las nubes, que permite estimaciones de precipitación (ECP) más precisas, pero su frecuencia y cobertura de observación son limitadas debido a su tiempo de revisita y ancho de escaneo. El objetivo del trabajo es el desarrollo de modelos de estimaciones de precipitación satelitales mediante redes neuronales convolucionales. Se propone utilizar un modelo de aprendizaje profundo que estime la precipitación a partir de la ECP del satélite GOES-16 y evaluar su desempeño incluyendo datos en infrarrojo y actividad eléctrica.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/10915/193710spainfo: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_T213.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:10915/193710Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-05-06 13:00:48.59SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Estimación de precipitación multisensor utilizando redes neuronales convolucionales
title Estimación de precipitación multisensor utilizando redes neuronales convolucionales
spellingShingle Estimación de precipitación multisensor utilizando redes neuronales convolucionales
González, Sergio Hernán
Meteorología
Estimación de precipitación satelital
Aprendizaje profundo
Sensores remotos
title_short Estimación de precipitación multisensor utilizando redes neuronales convolucionales
title_full Estimación de precipitación multisensor utilizando redes neuronales convolucionales
title_fullStr Estimación de precipitación multisensor utilizando redes neuronales convolucionales
title_full_unstemmed Estimación de precipitación multisensor utilizando redes neuronales convolucionales
title_sort Estimación de precipitación multisensor utilizando redes neuronales convolucionales
dc.creator.none.fl_str_mv González, Sergio Hernán
Vidal, Luciano
Negri, Pablo
Ruíz, Juan
author González, Sergio Hernán
author_facet González, Sergio Hernán
Vidal, Luciano
Negri, Pablo
Ruíz, Juan
author_role author
author2 Vidal, Luciano
Negri, Pablo
Ruíz, Juan
author2_role author
author
author
dc.subject.none.fl_str_mv Meteorología
Estimación de precipitación satelital
Aprendizaje profundo
Sensores remotos
topic Meteorología
Estimación de precipitación satelital
Aprendizaje profundo
Sensores remotos
dc.description.none.fl_txt_mv Con el objetivo de complementar las escasas observaciones de pluviómetros en superficie, se han desarrollado diversas metodologías para aprovechar el potencial de los sensores remotos. Los datos satelitales en infrarrojo (IR) proporcionan información sobre las características del tope de las nubes, mientras que los destellos de actividad eléctrica ubican las regiones donde la intensidad de la convección es mayor. Los datos de microondas, disponibles en satélites de órbita baja, pueden penetrar y capturar la estructura interna de las nubes, que permite estimaciones de precipitación (ECP) más precisas, pero su frecuencia y cobertura de observación son limitadas debido a su tiempo de revisita y ancho de escaneo. El objetivo del trabajo es el desarrollo de modelos de estimaciones de precipitación satelitales mediante redes neuronales convolucionales. Se propone utilizar un modelo de aprendizaje profundo que estime la precipitación a partir de la ECP del satélite GOES-16 y evaluar su desempeño incluyendo datos en infrarrojo y actividad eléctrica.
Facultad de Ciencias Astronómicas y Geofísicas
description Con el objetivo de complementar las escasas observaciones de pluviómetros en superficie, se han desarrollado diversas metodologías para aprovechar el potencial de los sensores remotos. Los datos satelitales en infrarrojo (IR) proporcionan información sobre las características del tope de las nubes, mientras que los destellos de actividad eléctrica ubican las regiones donde la intensidad de la convección es mayor. Los datos de microondas, disponibles en satélites de órbita baja, pueden penetrar y capturar la estructura interna de las nubes, que permite estimaciones de precipitación (ECP) más precisas, pero su frecuencia y cobertura de observación son limitadas debido a su tiempo de revisita y ancho de escaneo. El objetivo del trabajo es el desarrollo de modelos de estimaciones de precipitación satelitales mediante redes neuronales convolucionales. Se propone utilizar un modelo de aprendizaje profundo que estime la precipitación a partir de la ECP del satélite GOES-16 y evaluar su desempeño incluyendo datos en infrarrojo y actividad eléctrica.
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/10915/193710
url http://sedici.unlp.edu.ar/handle/10915/193710
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_T213.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_ 1864469146364805120
score 13.1485815

Publicaciones similares