000			02868nam a22003377i 4500
001			AZUAY-94480
003			AZUAY
005			20251111043104.0
008			251108b ||||||||qm||| 00| | d
040			_aAZUAY _bspa _cAZUAY _dAZUAY _erda
041	0		_aspa
084			_aUDA-BG T20125
100	1		_aMuñoz Pauta, Josué Sebastián, _eautor
245	1	0	_aPronóstico de imágenes satelitales de precipitación usando productos geoestacionarios GOES
264	3	1	_aEcuador : _bUniversidad del Azuay-Facultad de Ciencia y Tecnología-Escuela de Ingeniería Civil, _c2024
300			_a42 páginas
300			_bDigital
336			_2rdacontent _atexto _btxt
337			_2rdamedia _acomputadora _bc
338			_2rdacarrier _arecurso en línea _bcr
502			_aIngeniero Civil
520	3		_bLa representación adecuada de la precipitación es crucial para el desarrollo de aplicaciones en recursos hídricos, particularmente en la hidrología operacional. Ante la insuficiencia de información in-situ de precipitación, se ha optado por utilizar imágenes satelitales de libre acceso. Sin embargo, la información satelital consultada presenta un tiempo de latencia, lo que constituye una limitación para su implementación. Una solución innovadora es el desarrollo de modelos de predicción de precipitación satelital utilizando otra información satelital de baja latencia, correlacionada con la precipitación. En este estudio, se desarrollaron modelos de predicción para el producto satelital IMERG-ER (latencia de 5 horas) usando información del Advanced Baseline Imager (ABI) del satélite GOES-16 (latencia de 10 minutos). Los modelos de predicción se basaron en un algoritmo de aprendizaje automático, Random Forest, aplicado a la cuenca del río Jubones en el sur de Ecuador. Los modelos se entrenaron con información horaria para un período de 5 años y se evaluó la eficiencia de las predicciones mediante métricas cuantitativas y cualitativas a múltiples escalas temporales. Se encontró una mejora progresiva en la precisión del modelo con la ampliación de la escala temporal, con valores de RMSE (PCC) de 0.44 (0.56) hasta 0.12 (0.83) para escalas variables desde horarias a mensuales. Las métricas cualitativas a través del POD, FAR y CSI confirmaron los hallazgos cuantitativos respecto al efecto de la escala temporal. Los hallazgos de este estudio son prometedores, aunque se sugiere el uso de modelos de aprendizaje automático más complejos para las escalas temporales más finas.
650	1	4	_aADVANCED BASELINE IMAGE-ABI
650	1	4	_aPRECIPITACIÓN
650	1	4	_aPRECIPITACIÓN PLUVIAL
650	1	4	_aRANDOM FOREST
650	1	4	_aRÍO JUBONES
700	1		_aArévalo Durazno, María Belén, _edirector de Tesis
856	4	0	_uhttp://dspace.uazuay.edu.ec/handle/datos/14607 _yVer documento en línea
942			_2z _c6
999			_c45152 _d45152