Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica Inteligente
Resumen
En el presente artículo, se desarrolló un análisis de las técnicas de aprendizaje profundo para lograr una predicción meteorológica usando los enfoques estadísticos de reducción de escala. Estos son importantes, ya que permiten ajustar las proyecciones climáticas de gran escala generadas por el modelo climático MCG a pronósticos más exactos y definidos para áreas específicas, de tal manera permitiendo sobrepasar las limitaciones de los modelos numéricos tradicionales en la representación de fenómenos locales y de pequeña escala. Se analizaron estudios que ponen en práctica las Redes Neuronales Convolucionales (CNN) y Redes Generativas Adversariales (GAN) con el objetivo de poder mejorar la resolución espacial y temporal de los datos climáticos. Ambas herramientas y técnicas han demostrado ser efectivas en proyectos como VALUE, que se encarga de evaluar métodos de downscaling en Europa, y DL4DS, una biblioteca en Python, encargada de aplicar algoritmos de aprendizaje profundo al downscaling empírico de datos climáticos. El principal objetivo de este artículo fue analizar la efectividad de ambas herramientas y técnicas enfocadas en la precisión, escalabilidad y eficiencia computacional, brindando una perspectiva completa de su uso para la mejora de las predicciones meteorológicas a nivel local.
Descargas
Citas
CEUPE, "Meteorología: qué es y su importancia," CEUPE, n.d. [En línea]. Disponible: https://www.ceupe.com/blog/meteorologia-que-es-y-su-importancia.html. [Accedido: 09-dic-2024].
J. M. Viñas Rubio, "Origen y desarrollos actuales de la predicción meteorológica," EM, vol. 45, no. 2, pp. 1-20, n.d. [En línea]. Disponible: https://repositorio.uam.es/bitstream/handle/10486/678728/EM_45_2.pdf?sequence=1. [Accedido: 09-dic-2024].
P. Bauer, A. Thorpe, y G. Brunet, "The quiet revolution of numerical weather prediction," Nature, vol. 525, no. 7567, pp. 47–55, 2015. [Online]. Disponible: https://doi.org/10.1038/nature14956. [Accedido: 10 de diciembre de 2024].
P. Lynch, "The origins of computer weather prediction and climate modeling," Journal of Computational Physics, vol. 227, no. 7, pp. 3431–3444, 2008. [Online]. Disponible: https://doi.org/10.1016/j.jcp.2007.02.034. [Accedido: 10 de diciembre de 2024].
Stengel, K., Glaws, A., Hettinger, D., & King, R. N. (2020). "Adversarial super-resolution of climatological wind and solar data," Proceedings of the National Academy of Sciences, vol. 117, no. 29, pp. 16805–16815.
J. Murphy, “Predictions of climate change over Europe using statistical and dynamical downscaling techniques”, Int. J. Climatol., vol. 20, n.º 5, pp. 489–501, abril de 2000. Accedido el 11 de diciembre de 2024. [En línea]. Disponible: https://doi.org/10.1002/(sici)1097-0088(200004)20:5%3C489::aid-joc484%3E3.0.co;2-6
K. U. Jaseena y B. C. Kovoor, “Deterministic weather forecasting models based on intelligent predictors: A survey”, J. King Saud Univ. - Comput. Inf. Sci., septiembre de 2020. Accedido el 13 de diciembre de 2024. [En línea]. Disponible: https://doi.org/10.1016/j.jksuci.2020.09.009
“A Survey of Weather Forecasting based on Machine Learning and Deep Learning Techniques”, Int. J. Emerg. Trends Eng. Res., vol. 9, n.º 7, pp. 988–993, julio de 2021. Accedido el 13 de diciembre de 2024. [En línea]. Disponible: https://doi.org/10.30534/ijeter/2021/24972021
A. Bihlo, “A generative adversarial network approach to (ensemble) weather prediction”, Neural Netw., vol. 139, pp. 1–16, julio de 2021. Accedido el 12 de diciembre de 2024. [En línea]. Disponible: https://doi.org/10.1016/j.neunet.2021.02.003
J. A. Weyn, D. R. Durran y R. Caruana, “Improving Data‐Driven Global Weather Prediction Using Deep Convolutional Neural Networks on a Cubed Sphere”, J. Advances Model. Earth Syst., vol. 12, n.º 9, septiembre de 2020. Accedido el 12 de diciembre de 2024. [En línea]. Disponible: https://doi.org/10.1029/2020ms002109
H. S. Walia and M. Mahajan, "Automatic feature learning using neuro-fuzzy systems: a survey," Pattern Analysis and Applications, vol. 23, no. 2, pp. 451–471, 2020. Accedido el 12 de diciembre de 2024. [En línea]. Disponible en: https://link.springer.com/article/10.1007/s10044-020-00898-1
Derechos de autor 2025 Innovación y Software
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
Los autores ceden en exclusiva el derecho de publicación de su artículo a la Revista Innovación y Software, que podrá editar o modificar formalmente el texto aprobado para cumplir con las normas editoriales propias y con los estándares gramaticales universales, antes de su publicación; asimismo, nuestra revista podrá traducir los manuscritos aprobados a cuantos idiomas considere necesario y difundirlos en varios países, dándole siempre el reconocimiento público al autor o autores de la investigación.
