Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica Inteligente
En el presente artículo, se desarrolló un análisis de las técnicas de aprendizaje profundo para lograr una predicción meteorológica usando los enfoques estadísticos de reducción de escala. Estos son importantes, ya que permiten ajustar las proyecciones climáticas de gran escala generadas por el mod...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad La Salle
2025-03-01
|
| Series: | Innovación y Software |
| Subjects: | |
| Online Access: | https://revistas.ulasalle.edu.pe/innosoft/article/view/210 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850156502110699520 |
|---|---|
| author | Kevin Parimango Gómez Jose Luis Gutierrez Diaz Marcelino Torres Villanueva |
| author_facet | Kevin Parimango Gómez Jose Luis Gutierrez Diaz Marcelino Torres Villanueva |
| author_sort | Kevin Parimango Gómez |
| collection | DOAJ |
| description |
En el presente artículo, se desarrolló un análisis de las técnicas de aprendizaje profundo para lograr una predicción meteorológica usando los enfoques estadísticos de reducción de escala. Estos son importantes, ya que permiten ajustar las proyecciones climáticas de gran escala generadas por el modelo climático MCG a pronósticos más exactos y definidos para áreas específicas, de tal manera permitiendo sobrepasar las limitaciones de los modelos numéricos tradicionales en la representación de fenómenos locales y de pequeña escala. Se analizaron estudios que ponen en práctica las Redes Neuronales Convolucionales (CNN) y Redes Generativas Adversariales (GAN) con el objetivo de poder mejorar la resolución espacial y temporal de los datos climáticos. Ambas herramientas y técnicas han demostrado ser efectivas en proyectos como VALUE, que se encarga de evaluar métodos de downscaling en Europa, y DL4DS, una biblioteca en Python, encargada de aplicar algoritmos de aprendizaje profundo al downscaling empírico de datos climáticos. El principal objetivo de este artículo fue analizar la efectividad de ambas herramientas y técnicas enfocadas en la precisión, escalabilidad y eficiencia computacional, brindando una perspectiva completa de su uso para la mejora de las predicciones meteorológicas a nivel local.
|
| format | Article |
| id | doaj-art-dbdee48a9e0744ba97e6cd64e5f43007 |
| institution | OA Journals |
| issn | 2708-0927 2708-0935 |
| language | English |
| publishDate | 2025-03-01 |
| publisher | Universidad La Salle |
| record_format | Article |
| series | Innovación y Software |
| spelling | doaj-art-dbdee48a9e0744ba97e6cd64e5f430072025-08-20T02:24:30ZengUniversidad La SalleInnovación y Software2708-09272708-09352025-03-016110.48168/innosoft.s23.a210Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica InteligenteKevin Parimango Gómez0Jose Luis Gutierrez Diaz1Marcelino Torres Villanueva2Universidad Nacional de TrujilloUniversidad Nacional de TrujilloUniversidad Nacional de Trujillo En el presente artículo, se desarrolló un análisis de las técnicas de aprendizaje profundo para lograr una predicción meteorológica usando los enfoques estadísticos de reducción de escala. Estos son importantes, ya que permiten ajustar las proyecciones climáticas de gran escala generadas por el modelo climático MCG a pronósticos más exactos y definidos para áreas específicas, de tal manera permitiendo sobrepasar las limitaciones de los modelos numéricos tradicionales en la representación de fenómenos locales y de pequeña escala. Se analizaron estudios que ponen en práctica las Redes Neuronales Convolucionales (CNN) y Redes Generativas Adversariales (GAN) con el objetivo de poder mejorar la resolución espacial y temporal de los datos climáticos. Ambas herramientas y técnicas han demostrado ser efectivas en proyectos como VALUE, que se encarga de evaluar métodos de downscaling en Europa, y DL4DS, una biblioteca en Python, encargada de aplicar algoritmos de aprendizaje profundo al downscaling empírico de datos climáticos. El principal objetivo de este artículo fue analizar la efectividad de ambas herramientas y técnicas enfocadas en la precisión, escalabilidad y eficiencia computacional, brindando una perspectiva completa de su uso para la mejora de las predicciones meteorológicas a nivel local. https://revistas.ulasalle.edu.pe/innosoft/article/view/210modelo climáticopredicción meteorológicareducción de escalaModelos de Circulación GeneralRedes Neuronales ConvolucionalesRedes Generativas Adversariales |
| spellingShingle | Kevin Parimango Gómez Jose Luis Gutierrez Diaz Marcelino Torres Villanueva Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica Inteligente Innovación y Software modelo climático predicción meteorológica reducción de escala Modelos de Circulación General Redes Neuronales Convolucionales Redes Generativas Adversariales |
| title | Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica Inteligente |
| title_full | Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica Inteligente |
| title_fullStr | Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica Inteligente |
| title_full_unstemmed | Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica Inteligente |
| title_short | Técnicas y Herramientas de Deep Learning para la Predicción Meteorológica Inteligente |
| title_sort | tecnicas y herramientas de deep learning para la prediccion meteorologica inteligente |
| topic | modelo climático predicción meteorológica reducción de escala Modelos de Circulación General Redes Neuronales Convolucionales Redes Generativas Adversariales |
| url | https://revistas.ulasalle.edu.pe/innosoft/article/view/210 |
| work_keys_str_mv | AT kevinparimangogomez tecnicasyherramientasdedeeplearningparalaprediccionmeteorologicainteligente AT joseluisgutierrezdiaz tecnicasyherramientasdedeeplearningparalaprediccionmeteorologicainteligente AT marcelinotorresvillanueva tecnicasyherramientasdedeeplearningparalaprediccionmeteorologicainteligente |