Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo

Autores
González, Sergio H.; Vidal, Luciano; Ruiz, Juan J.; Negri, Pablo A.; Silvarrey Barruffa, Alejo A.
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La precipitación es uno de los principales componentes del balance hidrológico y su cuantificación es fundamental para el modelado preciso de dicho balance. Debido a la escasez de datos observados in-situ, se recurre a sensores remotos para poder incrementar la cobertura espacial y temporal. Sin embargo, las estimaciones basadas en sensores remotos, presentan sesgos que afectan su calidad.En este trabajo, se propone el uso de un modelo de redes convolucionales profundas para corregir parcialmente los errores sesgos del algoritmo de estimación de precipitación del satélite GOES-16. El entrenamiento de la red se lleva a cabo utilizando datos del radar meteorológico a bordo del satélite GPM. El modelo basado en redes neuronales, se compara con una técnica ampliamente utilizada en corrección de sesgos basada en datos históricos y con estimaciones de precipitación proveniente del producto PDIR-Now. El desempeño de todos los productos es evaluado con observaciones de estaciones pluviométricas. Las estimaciones del modelo propuesto reducen la raíz cuadrada del error cuadrático medio en un 164% (9%) respecto de las estimaciones del GOES-16 (PDIR-Now) y en 5% de la corrección basadas en datos históricos.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Estimación de precipitación
Satélite
Corrección de sesgo
U-Net
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:10915/176975
Acceder
id SEDICI_fa174c5abb55c7e7c7b862c63a3af50a
oai_identifier_str oai:sedici.unlp.edu.ar:10915/176975
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojoGonzález, Sergio H.Vidal, LucianoRuiz, Juan J.Negri, Pablo A.Silvarrey Barruffa, Alejo A.Ciencias InformáticasEstimación de precipitaciónSatéliteCorrección de sesgoU-NetLa precipitación es uno de los principales componentes del balance hidrológico y su cuantificación es fundamental para el modelado preciso de dicho balance. Debido a la escasez de datos observados in-situ, se recurre a sensores remotos para poder incrementar la cobertura espacial y temporal. Sin embargo, las estimaciones basadas en sensores remotos, presentan sesgos que afectan su calidad.En este trabajo, se propone el uso de un modelo de redes convolucionales profundas para corregir parcialmente los errores sesgos del algoritmo de estimación de precipitación del satélite GOES-16. El entrenamiento de la red se lleva a cabo utilizando datos del radar meteorológico a bordo del satélite GPM. El modelo basado en redes neuronales, se compara con una técnica ampliamente utilizada en corrección de sesgos basada en datos históricos y con estimaciones de precipitación proveniente del producto PDIR-Now. El desempeño de todos los productos es evaluado con observaciones de estaciones pluviométricas. Las estimaciones del modelo propuesto reducen la raíz cuadrada del error cuadrático medio en un 164% (9%) respecto de las estimaciones del GOES-16 (PDIR-Now) y en 5% de la corrección basadas en datos históricos.Sociedad Argentina de Informática e Investigación Operativa2024-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf31-36http://sedici.unlp.edu.ar/handle/10915/176975spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/17971info:eu-repo/semantics/altIdentifier/issn/2451-7496info: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:UNLP2025-10-15T11:39:37Zoai:sedici.unlp.edu.ar:10915/176975Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-15 11:39:37.336SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
title Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
spellingShingle Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
González, Sergio H.
Ciencias Informáticas
Estimación de precipitación
Satélite
Corrección de sesgo
U-Net
title_short Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
title_full Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
title_fullStr Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
title_full_unstemmed Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
title_sort Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
dc.creator.none.fl_str_mv González, Sergio H.
Vidal, Luciano
Ruiz, Juan J.
Negri, Pablo A.
Silvarrey Barruffa, Alejo A.
author González, Sergio H.
author_facet González, Sergio H.
Vidal, Luciano
Ruiz, Juan J.
Negri, Pablo A.
Silvarrey Barruffa, Alejo A.
author_role author
author2 Vidal, Luciano
Ruiz, Juan J.
Negri, Pablo A.
Silvarrey Barruffa, Alejo A.
author2_role author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Estimación de precipitación
Satélite
Corrección de sesgo
U-Net
topic Ciencias Informáticas
Estimación de precipitación
Satélite
Corrección de sesgo
U-Net
dc.description.none.fl_txt_mv La precipitación es uno de los principales componentes del balance hidrológico y su cuantificación es fundamental para el modelado preciso de dicho balance. Debido a la escasez de datos observados in-situ, se recurre a sensores remotos para poder incrementar la cobertura espacial y temporal. Sin embargo, las estimaciones basadas en sensores remotos, presentan sesgos que afectan su calidad.En este trabajo, se propone el uso de un modelo de redes convolucionales profundas para corregir parcialmente los errores sesgos del algoritmo de estimación de precipitación del satélite GOES-16. El entrenamiento de la red se lleva a cabo utilizando datos del radar meteorológico a bordo del satélite GPM. El modelo basado en redes neuronales, se compara con una técnica ampliamente utilizada en corrección de sesgos basada en datos históricos y con estimaciones de precipitación proveniente del producto PDIR-Now. El desempeño de todos los productos es evaluado con observaciones de estaciones pluviométricas. Las estimaciones del modelo propuesto reducen la raíz cuadrada del error cuadrático medio en un 164% (9%) respecto de las estimaciones del GOES-16 (PDIR-Now) y en 5% de la corrección basadas en datos históricos.
Sociedad Argentina de Informática e Investigación Operativa
description La precipitación es uno de los principales componentes del balance hidrológico y su cuantificación es fundamental para el modelado preciso de dicho balance. Debido a la escasez de datos observados in-situ, se recurre a sensores remotos para poder incrementar la cobertura espacial y temporal. Sin embargo, las estimaciones basadas en sensores remotos, presentan sesgos que afectan su calidad.En este trabajo, se propone el uso de un modelo de redes convolucionales profundas para corregir parcialmente los errores sesgos del algoritmo de estimación de precipitación del satélite GOES-16. El entrenamiento de la red se lleva a cabo utilizando datos del radar meteorológico a bordo del satélite GPM. El modelo basado en redes neuronales, se compara con una técnica ampliamente utilizada en corrección de sesgos basada en datos históricos y con estimaciones de precipitación proveniente del producto PDIR-Now. El desempeño de todos los productos es evaluado con observaciones de estaciones pluviométricas. Las estimaciones del modelo propuesto reducen la raíz cuadrada del error cuadrático medio en un 164% (9%) respecto de las estimaciones del GOES-16 (PDIR-Now) y en 5% de la corrección basadas en datos históricos.
publishDate 2024
dc.date.none.fl_str_mv 2024-08
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/10915/176975
url http://sedici.unlp.edu.ar/handle/10915/176975
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/17971
info:eu-repo/semantics/altIdentifier/issn/2451-7496
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
31-36
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_ 1846064410825588736
score 13.22299

Publicaciones similares