Detección digital de Sistemas Convectivos de Mesoescala a partir de imágenes meteorológicas multiespectrales

##plugins.themes.bootstrap3.article.main##

Salomón Ramírez
Ivan Lizarazo

##plugins.themes.bootstrap3.article.details##

Sección
Artículos
Cómo citar
Ramírez, S., & Lizarazo, I. (2019). Detección digital de Sistemas Convectivos de Mesoescala a partir de imágenes meteorológicas multiespectrales. Revista Cartográfica, (94), 165-188. https://doi.org/10.35424/rcarto.i94.347
estadisticas

Descargas

La descarga de datos todavía no está disponible.

Resumen

La identificación exacta de Sistemas Convectivos de Mesoescala (SCM) no es una tarea sencilla. En el presente trabajo se aplicaron los algoritmos de aprendizaje de máquina (ML) no paramétricos Máquinas de Soporte Vectorial (SVM), Árboles de Decisión (DT) y Bosques Aleatorios (RF) para detectar SCM, a partir de una serie de sub-escenas de imágenes meteorológicas tomadas por el satélite GOES-13 el 03 de abril de 2013 cada media hora desde las 11:45 hasta las 22:15 horas, Tiempo Universal Coordinado (UTC), que cubren el territorio colombiano. Los resultados obtenidos por estos métodos fueron contrastados con el método tradicional denominado Temperatura de Brillo (TB). Para la evaluación de los resultados se empleó STEP (shape, theme, edge, position), un método que evalúa la similitud geométrica y temática entre objetos, tomando como referencia un conjunto de datos de alta exactitud extraído de imágenes de precipitación de la Misión para la Medición de Lluvias Tropicales (TRMM). El objetivo de este trabajo fue determinar si al emplear información de varios canales espectrales de imágenes meteorológicas en lugar de usar un solo canal infrarojo (IR) como lo hacen las técnicas tradicionales, es posible obtener resultados más exactos en la detección de SCM.
Los resultados experimentales mostraron que los algoritmos DT y RF proporcionan una detección más exacta que la obtenida por el algoritmo tradicional IR-TB para detectar SCM, mientras que los resultados del algoritmo SVM, sugieren que no es favorable su uso para aplicaciones prácticas.
Los criterios de decisión del modelo de clasificación obtenido por DT podrían ser replicados varias veces en diferentes fechas sin realizar interpretación visual en cada imagen, siendo muy útil para aplicaciones operativas bajo el enfoque que aquí se presenta.


 


 


 

Palabras clave

algoritmos de aprendizaje de máquina
imágenes meteorológicas
árboles de decisión
máquinas de soporte vectorial
bosques aleatorios
sistemas convectivos de mesoescala