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

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 emb...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: González, Sergio H., Vidal, Luciano, Ruiz, Juan J., Negri, Pablo A., Silvarrey Barruffa, Alejo A.
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2024
Materias:
Ciencias Informáticas
Estimación de precipitación
Satélite
Corrección de sesgo
U-Net
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/176975
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-176975
record_format dspace
spelling I19-R120-10915-1769752025-02-27T20:06:44Z http://sedici.unlp.edu.ar/handle/10915/176975 Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo González, Sergio H. Vidal, Luciano Ruiz, Juan J. Negri, Pablo A. Silvarrey Barruffa, Alejo A. 2024-08 2024 2025-02-27T11:59:29Z es Ciencias Informáticas Estimación de precipitación Satélite Corrección de sesgo U-Net 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 Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 31-36
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Estimación de precipitación
Satélite
Corrección de sesgo
U-Net
spellingShingle Ciencias Informáticas
Estimación de precipitación
Satélite
Corrección de sesgo
U-Net
González, Sergio H.
Vidal, Luciano
Ruiz, Juan J.
Negri, Pablo A.
Silvarrey Barruffa, Alejo A.
Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
topic_facet Ciencias Informáticas
Estimación de precipitación
Satélite
Corrección de sesgo
U-Net
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.
format Objeto de conferencia
Objeto de conferencia
author González, Sergio H.
Vidal, Luciano
Ruiz, Juan J.
Negri, Pablo A.
Silvarrey Barruffa, Alejo A.
author_facet González, Sergio H.
Vidal, Luciano
Ruiz, Juan J.
Negri, Pablo A.
Silvarrey Barruffa, Alejo A.
author_sort González, Sergio H.
title Corrección de sesgos en estimaciones de precipitación basadas en datos satelitales en infrarrojo
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
publishDate 2024
url http://sedici.unlp.edu.ar/handle/10915/176975
work_keys_str_mv AT gonzalezsergioh correcciondesesgosenestimacionesdeprecipitacionbasadasendatossatelitaleseninfrarrojo
AT vidalluciano correcciondesesgosenestimacionesdeprecipitacionbasadasendatossatelitaleseninfrarrojo
AT ruizjuanj correcciondesesgosenestimacionesdeprecipitacionbasadasendatossatelitaleseninfrarrojo
AT negripabloa correcciondesesgosenestimacionesdeprecipitacionbasadasendatossatelitaleseninfrarrojo
AT silvarreybarruffaalejoa correcciondesesgosenestimacionesdeprecipitacionbasadasendatossatelitaleseninfrarrojo
_version_ 1847925307562000384

Ejemplares similares