Predicción Espacio-Temporal de datos climáticos en Chile con el uso de EOFs y Deep Learning
Date
2023
Type:
Thesis
item.page.extent
44 p.
item.page.accessRights
Acceso abierto
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad del Desarrollo. Facultad de Ingeniería
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
El objetivo de esta investigación es evaluar la efectividad del uso conjunto de Funciones Ortogonales Empíricas (EOF) y Deep Learning en la predicción de patrones espacio-temporales climáticos en Chile. Se propone un enfoque basado en el modelo de Federico Amato (Amato F. 2020), adaptando y aplicando esta metodología a datos climáticos específicos de Chile.
Los resultados obtenidos demuestran una alta precisión en la predicción de patrones climáticos, especialmente en el pronóstico de temperaturas máximas. Se observó una eficacia notable en la representación de la variabilidad climática y la reducción de la dimensionalidad, así como un
Error Absoluto Medio (MAE) bajo en la predicción de las temperaturas máximas, junto a una representación efectiva de patrones climáticos complejos.
En síntesis, en este proyecto se observó que es factible la aplicabilidad de esta metodología para analizar y predecir con precisión el clima en Chile, destacando su enfoque innovador en la modelización climática.
Description
Proyecto Capstone presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data Science
item.page.coverage.spatial
Santiago
item.page.sponsorship
Citation
Keywords
070037S, Clima, Modelos predictivos