El miércoles 21 a las 11:30 hs. en el Auditorio de la Facultad, Paula Alejandra Mandrilli realizará la defensa del Seminario de investigación: Técnicas de aprendizaje de máquina para predicción de precipitación, dirigido por el Dr. Jorge Rubén Santos, y co-dirigido por el Dr. David Monge. La mesa examinadora estará conformada por los Dres. Jorge Rubén Santos, Sebastián Simondi y la Dra. Elina Pacini.
Resumen:
A partir del paper 'El problema de la predicción del tiempo desde el punto de vista de la Mecánica y la Física' publicado en 1904 por el Físico noruego Vilhelm F. K. Bjerkne, comenzó el modelado del clima. Particularmente, a causa de la compleja interacción entre las diferentes escalas espaciales y temporales propias de la dinámica de ujo energético atmosférico, el problema de predecir la ocurrencia de precipitación afecta directa e indirectamente a toda la sociedad debido a pérdidas de vida y daños económicos. Su resolución posibilitaría la mitigación de estos daños.
Para intentar resolver dicho inconveniente el enfoque más frecuente es la utilización de modelos Numerical Weather Prediction. El más utilizado hoy en día es Weather Research and Forecasting (WRF).
El uso operativo de dichos modelos en los últimos años se ha visto favorecido por el incremento de la capacidad computacional y el conocimiento más detallado de los procesos atmosféricos en distintas escalas. Sin embargo, su costo computacional sigue siendo elevado. Además, el éxito de los mismos depende no solamente de los procesos físicos que modelan (frentes fríos, tormentas, viento zonda, etc.), sino también de la topografía de la zona geográca de estudio. Estos aspectos desfavorables constituyen una gran limitación para el funcionamiento adecuado de un sistema de alerta a corto plazo.
Por ello, se requiere predecir no sólo con un modelo más simple (i.e. con menor costo computacional) con el cual se logren tiempos menores de predicción (i.e. con mayor velocidad de cómputo), sino también que su salida se obtenga con suciente antelación al evento real para tomar medidas pertinentes. En este contexto, hace algunas décadas comenzó a utilizarse Inteligencia Articial en el campo de la Meteorología.
En Argentina se ha atacado la variabilidad de precipitaciones a escalas climáticas, pero hasta el momento no se evidencian trabajos a nivel nacional ni regional a escalas horarias donde se aplique Aprendizaje de Máquina (AM) para predecir precipitación.
En este trabajo, estudiamos dos modelos de AM (Regresión Logística y Red Neuronal Articial), para evaluar sus desempeños en la predicción de ocurrencia de precipitación en la ciudad de Mendoza y en la Ciudad Autónoma de Buenos Aires en invierno y en verano, mediante análisis de datos históricos y técnicas de selección de atributos y selección de modelos. Luego comparamos los resultados con los obtenidos al aplicar WRF al año 2011.
Se logró obtener un mejor desempeño y rendimiento en el caso de los modelos aprendidos a partir de datos de Mendoza.
