Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina
La identificación exacta de nubes precipitantes es una tarea difícil. En el presente trabajo se aplicaron los algoritmos Máquinas de Soporte Vectorial, Árboles de Decisión y Bosques Aleatorios para discriminar entre nubes precipitantes y nubes no precipitantes, a partir de una imagen meteorológica d...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad de Antioquia
2014-01-01
|
| Series: | Revista Facultad de Ingeniería Universidad de Antioquia |
| Subjects: | |
| Online Access: | http://www.redalyc.org/articulo.oa?id=43032606004 |
| _version_ | 1797714717612965888 |
|---|---|
| author | Salomón Einstein Ramírez-Fernández Iván Alberto Lizarazo-Salcedo |
| author_facet | Salomón Einstein Ramírez-Fernández Iván Alberto Lizarazo-Salcedo |
| author_sort | Salomón Einstein Ramírez-Fernández |
| collection | DOAJ |
| description | La identificación exacta de nubes precipitantes es una tarea difícil. En el presente trabajo se aplicaron los algoritmos Máquinas de Soporte Vectorial, Árboles de Decisión y Bosques Aleatorios para discriminar entre nubes precipitantes y nubes no precipitantes, a partir de una imagen meteorológica del satélite GOES-13 que cubre el territorio colombiano. El objetivo del trabajo fue evaluar el desempeño de los algoritmos de aprendizaje de máquina (ML), para la clasificación digital de masas nubosas, en términos de la exactitud temática de la clasificación usando como referencia el algoritmo convencional distancia de Mahalanobis. Los resultados muestran que los algoritmos ML proporcionan una clasificación de masas de nubes más exacta que la obtenida por algoritmos convencionales. La mejor exactitud fue obtenida usando Bosques Aleatorios (RF), con una exactitud temática global de 97%. Adicionalmente, la clasificación obtenida con RF fue comparada pixel a pixel con estimaciones de precipitación de la NASA Tropical Rainfall Measurement Mission (TRMM) obteniendo una exactitud global del 94%. De acuerdo con este estudio, los algoritmos ML pueden ser usados para mejorar los actuales métodos de identificación de nubes precipitantes. |
| first_indexed | 2024-03-12T07:56:05Z |
| format | Article |
| id | doaj.art-a18e1190a28047238cb134c098d6e27f |
| institution | Directory Open Access Journal |
| issn | 0120-6230 2422-2844 |
| language | English |
| last_indexed | 2024-03-12T07:56:05Z |
| publishDate | 2014-01-01 |
| publisher | Universidad de Antioquia |
| record_format | Article |
| series | Revista Facultad de Ingeniería Universidad de Antioquia |
| spelling | doaj.art-a18e1190a28047238cb134c098d6e27f2023-09-02T20:14:32ZengUniversidad de AntioquiaRevista Facultad de Ingeniería Universidad de Antioquia0120-62302422-28442014-01-01734357Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquinaSalomón Einstein Ramírez-FernándezIván Alberto Lizarazo-SalcedoLa identificación exacta de nubes precipitantes es una tarea difícil. En el presente trabajo se aplicaron los algoritmos Máquinas de Soporte Vectorial, Árboles de Decisión y Bosques Aleatorios para discriminar entre nubes precipitantes y nubes no precipitantes, a partir de una imagen meteorológica del satélite GOES-13 que cubre el territorio colombiano. El objetivo del trabajo fue evaluar el desempeño de los algoritmos de aprendizaje de máquina (ML), para la clasificación digital de masas nubosas, en términos de la exactitud temática de la clasificación usando como referencia el algoritmo convencional distancia de Mahalanobis. Los resultados muestran que los algoritmos ML proporcionan una clasificación de masas de nubes más exacta que la obtenida por algoritmos convencionales. La mejor exactitud fue obtenida usando Bosques Aleatorios (RF), con una exactitud temática global de 97%. Adicionalmente, la clasificación obtenida con RF fue comparada pixel a pixel con estimaciones de precipitación de la NASA Tropical Rainfall Measurement Mission (TRMM) obteniendo una exactitud global del 94%. De acuerdo con este estudio, los algoritmos ML pueden ser usados para mejorar los actuales métodos de identificación de nubes precipitantes.http://www.redalyc.org/articulo.oa?id=43032606004clasificación de masas nubosasalgoritmos de aprendizaje de máquinaimágenes meteorológicasárboles de decisiónmáquinas de soporte vectorialbosques aleatorios |
| spellingShingle | Salomón Einstein Ramírez-Fernández Iván Alberto Lizarazo-Salcedo Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina Revista Facultad de Ingeniería Universidad de Antioquia clasificación de masas nubosas algoritmos de aprendizaje de máquina imágenes meteorológicas árboles de decisión máquinas de soporte vectorial bosques aleatorios |
| title | Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina |
| title_full | Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina |
| title_fullStr | Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina |
| title_full_unstemmed | Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina |
| title_short | Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina |
| title_sort | clasificacion digital de masas nubosas a partir de imagenes meteorologicas usando algoritmos de aprendizaje de maquina |
| topic | clasificación de masas nubosas algoritmos de aprendizaje de máquina imágenes meteorológicas árboles de decisión máquinas de soporte vectorial bosques aleatorios |
| url | http://www.redalyc.org/articulo.oa?id=43032606004 |
| work_keys_str_mv | AT salomoneinsteinramirezfernandez clasificaciondigitaldemasasnubosasapartirdeimagenesmeteorologicasusandoalgoritmosdeaprendizajedemaquina AT ivanalbertolizarazosalcedo clasificaciondigitaldemasasnubosasapartirdeimagenesmeteorologicasusandoalgoritmosdeaprendizajedemaquina |