Desarrollo de una herramienta para la detección de nubes precipitables en imágenes meteorológicas GOES-16 usando técnicas de Machine Learning.
| dc.contributor.advisor | Baquero Montoya, Olga Lucía | |
| dc.contributor.advisor | Morales, Wilfredo Alfonso | |
| dc.contributor.author | Lemos García, Natalia | |
| dc.contributor.author | Rodas Arias, Santiago | |
| dc.date.accessioned | 2020-10-02T15:56:09Z | |
| dc.date.available | 2020-10-02T15:56:09Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | El Machine Learning es un conjunto de técnicas derivadas de la inteligencia artificial, cuyo objetivo es crear algoritmos automatizados a partir de patrones relacionados con un fenómeno. Este trabajo realizó un estudio comparativo de 3 métodos de aprendizaje para desarrollar una herramienta de clasificación de nubes precipitables en Colombia. Entre los métodos seleccionados se implementaron Random Forest, Maquinas de Soporte Vectorial y Redes Neuronales Artificiales. Para este trabajo se contó con datos de precipitación de 52 estaciones meteorológicas del IDEAM e imágenes del satélite GOES - 16 en el mismo intervalo de tiempo, donde se reportaron presencia/ausencia de nubes (precipitables/noprecipitables). Con la información satelital se tomaron 3 patrones de textura (varianza, media y homogeneidad) en 7 de las 16 bandas: azul, rojo, infrarrojo cercano, vapor de agua nivel bajo, medio y alto, e infrarrojo térmico. Se realizo un análisis de sensibilidad de hiper- parámetros con el propósito de seleccionar los mejores clasificadores entre los tres métodos. Los resultados obtenidos con el 40% del conjunto de datos, presentan desempeños de 99.87%, 99.97% y 100% para Random Forest, Maquinas de Soporte Vectorial y Redes Neuronales Artificiales respectivamente. Finalmente, este trabajo presenta una interfaz de usuario, para hacer la selección del clasificador y cargar la imagen multiespectral del GOES -16. La interfaz permite exportar la máscara obtenida para efectos de análisis en formato tif. | spa |
| dc.description.degreelevel | Pregrado | spa |
| dc.description.degreename | INGENIERO(A) TOPOGRAFICO | spa |
| dc.format.extent | 1 recurso en línea (94 páginas) | spa |
| dc.format.mimetype | application/pdf | spa |
| dc.identifier.uri | https://hdl.handle.net/10893/18144 | |
| dc.language.iso | spa | spa |
| dc.publisher | Universidad del Valle | spa |
| dc.publisher.faculty | FACULTAD DE INGENIERÍA | spa |
| dc.publisher.place | Colombia | spa |
| dc.publisher.program | INGENIERIA TOPOGRAFICA | spa |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
| dc.subject.ddc | Teledetección | |
| dc.subject.ddc | Nubes | |
| dc.subject.ddc | Imágenes meteorológicas | |
| dc.subject.ddc | Machine Learning | |
| dc.title | Desarrollo de una herramienta para la detección de nubes precipitables en imágenes meteorológicas GOES-16 usando técnicas de Machine Learning. | spa |
| dc.type | Trabajo de grado - Pregrado | spa |
| dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | spa |
| dc.type.content | Text | spa |
| dc.type.driver | info:eu-repo/semantics/bachelorThesis | spa |
| dc.type.redcol | https://purl.org/redcol/resource_type/TP | spa |
| dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
| dspace.entity.type | Publication | |
| oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
| oaire.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |