Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires

Mostrar todas las versiones(3)

Dado que las heladas se identifican a partir de la temperatura mínima del aire, el objetivo de este trabajo es presentar modelos de pronóstico a 1, 3 y 5 días de la temperatura mínima (Tmin) diaria para la ciudad de Bahía Blanca. Se trabaja con modelos de regresión lineal múltiple y con modelos numé...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Hernández, Gabriela Lorena
Formato: Tesis de Maestría
Lenguaje:Español
Publicado: 2019
Acceso en línea:https://hdl.handle.net/20.500.12110/tesis_n6932_Hernandez
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id todo:tesis_n6932_Hernandez
record_format dspace
spelling todo:tesis_n6932_Hernandez2023-10-03T13:14:26Z Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires Predictive models of minimum temperature for Bahía Blanca, province of Buenos Aires Hernández, Gabriela Lorena Dado que las heladas se identifican a partir de la temperatura mínima del aire, el objetivo de este trabajo es presentar modelos de pronóstico a 1, 3 y 5 días de la temperatura mínima (Tmin) diaria para la ciudad de Bahía Blanca. Se trabaja con modelos de regresión lineal múltiple y con modelos numéricos no lineales tales como redes neuronales y elementos finitos. Las variables predictoras son: temperatura y temperatura del punto de rocío a nivel de abrigo, humedad relativa, nubosidad observada en la estación y dirección y velocidad del viento medido a 10 metros de altura, observadas en las cuatro observaciones diarias de las 03, 09, 15 y 21 hora local de la estación meteorológica de Bahía Blanca Aero. El período seleccionado es mayo a septiembre de 1956 a 2015 con las 6 variables mencionadas. El análisis se repite utilizando 4 variables predictoras (temperatura, temperatura de punto de rocío, intensidad de viento y nubosidad), considerando no solamente el período mayo a septiembre, sino también las distintas temporadas del año en forma separada: otoño (marzo-mayo), invierno (junio-agosto) y primavera (setiembre-noviembre) en base a información de un período reducido de 9 años (2007-2015). Se busca con esto evaluar la "performance" de los modelos utilizando una menor cantidad de información, y a su vez extendiendo el análisis a aquellos meses de mayor susceptibilidad para los cultivos. Para la selección del modelo más adecuado se evalúan el coeficiente de correlación de Pearson (R), el coeficiente de determinación (R²) y el Error Absoluto Medio (EAM). Los resultados del estudio determinan que el modelo de elementos finitos con 4 variables, 9 años de datos y separado por estación del año es el más ventajoso para el pronóstico de Tmin de hasta con 5 días de anticipación, con la ventaja que se emplean solamente observaciones locales. Given that frosts are identified from the minimum temperature, the objective of this study is to present 1, 3 and 5-day forecast models of minimum temperature (Tmin) for the city of Bahía Blanca, using multiple linear regression models and nonlinear numerical models such as neural networks and finite elements. The predictors are temperature, dew point temperature, relative humidity, cloudiness and 10-meter wind direction and wind speed of four daily observations at 03, 09, 15 and 21 (local time), of Bahía Blanca Aero weather station. The selected period is May to September from 1956 to 2015 with the 6 above mentioned variables. The analysis is repeated using 4 predictor variables (temperature, dew point temperature, wind intensity and cloudiness), considering not only the May-September period, but also the different seasons of the year separately: autumn (March-May), winter (June-August) and spring (September-November) based on information from a reduced period of 9 years (2007-2015). The aim is to evaluate the "performance" of the models using a smaller amount of information, and at the same time extending the analysis to those months of greater susceptibility for the crops. The selection of the most adequate model is based on the evaluation of the Pearson correlation coefficient (R), the coefficient of determination (R²) and the Mean Absolute Error (EAM). The results of the study determine that the finite element model with 4 variables, 9 years of data and separated by season of the year, provides the best 5-day Tmin forecast, with the particular advantage that it requires only local observations. Fil: Hernández, Gabriela Lorena. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. 2019 Tesis de Maestría PDF Español info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/tesis_n6932_Hernandez
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Español
orig_language_str_mv Español
description Dado que las heladas se identifican a partir de la temperatura mínima del aire, el objetivo de este trabajo es presentar modelos de pronóstico a 1, 3 y 5 días de la temperatura mínima (Tmin) diaria para la ciudad de Bahía Blanca. Se trabaja con modelos de regresión lineal múltiple y con modelos numéricos no lineales tales como redes neuronales y elementos finitos. Las variables predictoras son: temperatura y temperatura del punto de rocío a nivel de abrigo, humedad relativa, nubosidad observada en la estación y dirección y velocidad del viento medido a 10 metros de altura, observadas en las cuatro observaciones diarias de las 03, 09, 15 y 21 hora local de la estación meteorológica de Bahía Blanca Aero. El período seleccionado es mayo a septiembre de 1956 a 2015 con las 6 variables mencionadas. El análisis se repite utilizando 4 variables predictoras (temperatura, temperatura de punto de rocío, intensidad de viento y nubosidad), considerando no solamente el período mayo a septiembre, sino también las distintas temporadas del año en forma separada: otoño (marzo-mayo), invierno (junio-agosto) y primavera (setiembre-noviembre) en base a información de un período reducido de 9 años (2007-2015). Se busca con esto evaluar la "performance" de los modelos utilizando una menor cantidad de información, y a su vez extendiendo el análisis a aquellos meses de mayor susceptibilidad para los cultivos. Para la selección del modelo más adecuado se evalúan el coeficiente de correlación de Pearson (R), el coeficiente de determinación (R²) y el Error Absoluto Medio (EAM). Los resultados del estudio determinan que el modelo de elementos finitos con 4 variables, 9 años de datos y separado por estación del año es el más ventajoso para el pronóstico de Tmin de hasta con 5 días de anticipación, con la ventaja que se emplean solamente observaciones locales.
format Tesis de Maestría
author Hernández, Gabriela Lorena
spellingShingle Hernández, Gabriela Lorena
Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires
author_facet Hernández, Gabriela Lorena
author_sort Hernández, Gabriela Lorena
title Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires
title_short Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires
title_full Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires
title_fullStr Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires
title_full_unstemmed Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires
title_sort modelos predictivos de temperatura mínima para bahía blanca, provincia de buenos aires
publishDate 2019
url https://hdl.handle.net/20.500.12110/tesis_n6932_Hernandez
work_keys_str_mv AT hernandezgabrielalorena modelospredictivosdetemperaturaminimaparabahiablancaprovinciadebuenosaires
AT hernandezgabrielalorena predictivemodelsofminimumtemperatureforbahiablancaprovinceofbuenosaires
_version_ 1782024191407554560

Ejemplares similares