Clasificación de mediciones de radar meteorológico.

En este trabajo se presentan técnicas de procesamiento de señales de radar con aplicaciones especicas para la obtención de productos de un radar doppler polarimétrico y su utilización para la clasicación de fenómenos meteorológicos. El objetivo de un radar meteorológico es medir las característic...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Moreno Morrone, Juan L.
Formato: Tesis NonPeerReviewed
Lenguaje:Español
Publicado: 2016
Materias:
Ingeniería
Statistics
Estadística
Neural networks
Redes neuronales
[Weather radal
Radal meteorológico
Signal processing
Procesamiento de señales
Machine learning
Aprendizajes automático ]
Acceso en línea:http://ricabib.cab.cnea.gov.ar/587/1/1Moreno_Morrone.pdf
Aporte de:
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro
id I25-R131-587
record_format dspace
spelling I25-R131-5872017-05-15T18:25:06Z Clasificación de mediciones de radar meteorológico. Classification of measurements of meteorological radal. Moreno Morrone, Juan L. Ingeniería Statistics Estadística Neural networks Redes neuronales [Weather radal Radal meteorológico Signal processing Procesamiento de señales Machine learning Aprendizajes automático ] En este trabajo se presentan técnicas de procesamiento de señales de radar con aplicaciones especicas para la obtención de productos de un radar doppler polarimétrico y su utilización para la clasicación de fenómenos meteorológicos. El objetivo de un radar meteorológico es medir las características de fenómenos atmosf éricos. Los productos polarimétricos son sensibles a tipos, formas, tamaños, estado de agregación, entre otras características de los hidrometeoros, lo que permite que estos productos sean útiles para la clasificación entre distintos tipos de fenómenos. Se implementa un procesador de datos nivel 1 del RMA0 ubicado en San Carlos de Bariloche para la obtención de los productos polarimétricos. Se muestran los resultados obtenidos comparándolos con los datos nivel 2 obtenidos por el RMA0, concluyendo que los resultados son similares a los obtenidos por el radar. Luego se mencionan aspectos básicos del aprendizaje automático (machine learning), introduciendo el concepto de red neuronal feedforward multicapa para su uso en problemas de clasificación. Se comentan problemas que surgen al momento de elegir un modelo adecuado para clasificar datos. Se presentan los pasos que se siguieron para elegir los datos(ejemplos) para entrenar un clasificador. Por último se muestra la implementación de 4 redes neuronales con modelos y/o datos elegidos mediante diferentes técnicas, para la clasificación entre lluvia y nieve, utilizando datos nivel 2 obtenidos por el RMA0, correspondientes a varios barridos de 2 días por fenómeno Se concluye que tomar datos de más de un día es un factor importante. Se obtienen errores de clasificación entre 6;8% y 8% en barridos enteros de los días utilizados. This work presents techniques for the processing of radar signals with specic applications in obtaining polarimetric radar's products and their use for the classication of meteorological phenomena. The objective of a weather radar is to measure the features of meteorological phenomena. Polarimetric products are sensitive to types, shapes, sizes, state of aggregation, among others features of hydrometeors, which allows these products to be useful for classication between dierent types of phenomena. A level 1 data processor for the RMA0 located in San Carlos de Bariloche is implemented to obtain polarimetric products. The results obtained are shown and compared with the level 2 data obtained by the RMA0, concluding that the results are similar to that obtained by the radar. Basic aspects of machine learning are mentioned, introducing the concept of multilayer feedforward neural network for use in classification problems. Problems that appear when choosing a suitable model to classify data are discussed. The steps that were followed to choose the data(examples) to train a classifer are presented. Finally the implementation of 4 neural networks which models and/or data were chosen by different technics is shown. Its objetive is the classification between rain and snow, using RMA0's level 2 data of severals scans of 2 days per phenomenon. It is concluded that taking data of more than one day is an important factor. Classification errors between 6:8% and 8% are obtained in whole scans of the days used. 2016-12 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/587/1/1Moreno_Morrone.pdf es Moreno Morrone, Juan L. (2016) Clasificación de mediciones de radar meteorológico. / Classification of measurements of meteorological radal. Proyecto Integrador Ingeniería en Telecomunicaciones, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/587/
institution Instituto Balseiro
institution_str I-25
repository_str R-131
collection Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language Español
orig_language_str_mv es
topic Ingeniería
Statistics
Estadística
Neural networks
Redes neuronales
[Weather radal
Radal meteorológico
Signal processing
Procesamiento de señales
Machine learning
Aprendizajes automático ]
spellingShingle Ingeniería
Statistics
Estadística
Neural networks
Redes neuronales
[Weather radal
Radal meteorológico
Signal processing
Procesamiento de señales
Machine learning
Aprendizajes automático ]
Moreno Morrone, Juan L.
Clasificación de mediciones de radar meteorológico.
topic_facet Ingeniería
Statistics
Estadística
Neural networks
Redes neuronales
[Weather radal
Radal meteorológico
Signal processing
Procesamiento de señales
Machine learning
Aprendizajes automático ]
description En este trabajo se presentan técnicas de procesamiento de señales de radar con aplicaciones especicas para la obtención de productos de un radar doppler polarimétrico y su utilización para la clasicación de fenómenos meteorológicos. El objetivo de un radar meteorológico es medir las características de fenómenos atmosf éricos. Los productos polarimétricos son sensibles a tipos, formas, tamaños, estado de agregación, entre otras características de los hidrometeoros, lo que permite que estos productos sean útiles para la clasificación entre distintos tipos de fenómenos. Se implementa un procesador de datos nivel 1 del RMA0 ubicado en San Carlos de Bariloche para la obtención de los productos polarimétricos. Se muestran los resultados obtenidos comparándolos con los datos nivel 2 obtenidos por el RMA0, concluyendo que los resultados son similares a los obtenidos por el radar. Luego se mencionan aspectos básicos del aprendizaje automático (machine learning), introduciendo el concepto de red neuronal feedforward multicapa para su uso en problemas de clasificación. Se comentan problemas que surgen al momento de elegir un modelo adecuado para clasificar datos. Se presentan los pasos que se siguieron para elegir los datos(ejemplos) para entrenar un clasificador. Por último se muestra la implementación de 4 redes neuronales con modelos y/o datos elegidos mediante diferentes técnicas, para la clasificación entre lluvia y nieve, utilizando datos nivel 2 obtenidos por el RMA0, correspondientes a varios barridos de 2 días por fenómeno Se concluye que tomar datos de más de un día es un factor importante. Se obtienen errores de clasificación entre 6;8% y 8% en barridos enteros de los días utilizados.
format Tesis
NonPeerReviewed
author Moreno Morrone, Juan L.
author_facet Moreno Morrone, Juan L.
author_sort Moreno Morrone, Juan L.
title Clasificación de mediciones de radar meteorológico.
title_short Clasificación de mediciones de radar meteorológico.
title_full Clasificación de mediciones de radar meteorológico.
title_fullStr Clasificación de mediciones de radar meteorológico.
title_full_unstemmed Clasificación de mediciones de radar meteorológico.
title_sort clasificación de mediciones de radar meteorológico.
publishDate 2016
url http://ricabib.cab.cnea.gov.ar/587/1/1Moreno_Morrone.pdf
work_keys_str_mv AT morenomorronejuanl clasificaciondemedicionesderadarmeteorologico
_version_ 1794277798192349184

Ejemplares similares