Modelos predictivos de temperatura mínima para Bahía Blanca, provincia de Buenos Aires
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...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis de Maestría |
| Lenguaje: | Español |
| Publicado: |
2019
|
| Acceso en línea: | https://hdl.handle.net/20.500.12110/tesis_n6932_Hernandez |
| Aporte de: |
| Sumario: | 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. |
|---|