Publicación:
Forescat modeling of spatio-temporal raster data using principal component analysis and a neural networks - wavelet decomposition model
Forescat modeling of spatio-temporal raster data using principal component analysis and a neural networks - wavelet decomposition model
| dc.contributor.author | Amao Suxo, Christian | es_PE |
| dc.date.accessioned | 2024-05-30T23:13:38Z | |
| dc.date.available | 2024-05-30T23:13:38Z | |
| dc.date.issued | 2018 | |
| dc.description.abstract | En la actualidad, el pronóstico de datos espacio - temporales ha sido de especial interés para investigadores académicos y profesionales de la industria por su gran utilidad para planificar y desarrollar medidas de contingencia contra futuras condiciones adversas. En este trabajo se pro¬pone una metodología para el pronóstico de mapas tipo ráster. Siguiendo una metodología de resumir-predecir-y-reconstruir, el método sugiere reducir la dimensionalidad de los datos usando un análisis de componentes principales para luego realizar pronósticos individuales sobre las com¬ponentes o auto vectores más significativos. Finalmente, un algoritmo recursivo, aplicado sobre la reconstrucción inversa espectral de los pronósticos individuales, brinda el pronóstico final de los mapas. La metodología propuesta da lugar a tres modelos: el modelo espacial de componentes princi¬pales (ECP), el modelo temporal de componentes principales (TCP) y el modelo espacio - temporal de componentes principales (ETCP). Con el fin de evaluar su capacidad de pronóstico, se real¬iza un estudio de simulación considerando datos con una estructura de variabilidad espacial pura, temporal puro y espacio - temporal. Los resultados sugieren usar un modelo TCP (o ECP) cuando la variabilidad temporal (o espacial) es predominante. Para datos con similar información en la variabilidad espacial y temporal, el modelo ETCP brinda los mejores resultados de pronóstico. El trabajo culmina con una aplicación real en datos mensuales de anomalías de temperatura superficial del mar del océano Pacífico Tropical. | |
| dc.description.sponsorship | Consejo Nacional de Ciencia, Tecnología e Innovación Tecnológica - Concytec | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12390/1718 | |
| dc.language.iso | eng | |
| dc.publisher | Universidad Nacional de Ingeniería | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | |
| dc.subject | Redes neuronales | |
| dc.subject | Predicciones | es_PE |
| dc.subject | Datos ráster | es_PE |
| dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#1.01.02 | |
| dc.title | Forescat modeling of spatio-temporal raster data using principal component analysis and a neural networks - wavelet decomposition model | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dspace.entity.type | Publication | |
| oairecerif.author.affiliation | #PLACEHOLDER_PARENT_METADATA_VALUE# |