Detección temprana de tormentas severas a partir del análisis de imágenes satelitales

Abstract

El objetivo de este trabajo es establecer una base metodológica para el desarrollo de un modelo de pronóstico a muy corto plazo, utilizando redes neuronales de convolución y observaciones provenientes de los sensores de órbita geoestacionarios a bordo del GOES-16, que sea capaz de predecir la formación de tormentas convectivas extremas que puedan afectar a la Ciudad de México.

Para tal efecto, se partió de la creación de un registro histórico de observaciones provenientes de los sensores ABI y GLM, dichos datos fueron transformados a un sistema de coordenadas geográficas, se seleccionaron las bandas que aporten la información más valiosa para el problema. La bandas seleccionadas fueron interpoladas a una malla regular y recortados a un dominio que permita estudiar el desarrollo de tormentas que afectan a la región de estudio y, a partir de estos datos, seleccionar eventos que sirvan como insumos para el entrenamiento y validación del modelo de redes neuronales.

Los datos seleccionados fueron enmascarados de modo que se separan los datos en 2 clases, nubes convectivas y otros. Los datos una vez enmascarados fueron separados en dos subconjuntos: datos de entrenamiento, datos de validación y datos de prueba.

Utilizando estos conjuntos de datos se probó entrenar 3 arquitecturas de red neuronal distintos hallados en la literatura consultada: Red Espacio-Temporal de convolución, Unet tradicional y la Unet temporal. Tras realizar diversos ajustes a los hiper parámetros de los modelos, el modelo que mostró el mejor rendimiento fue la Unet Temporal.

Los modelos finales son dos modelos Unet Temporal, que se encargan de realizar los pronósticos de la formación de nubes convectivas en los próximos 10 y 20 minutos respectivamente a partir del análisis de secuencias de escenas consecutivas de los 30 minutos anteriores.