Arquitectura convolucional basada en LSTM para la predicción inmediata de precipitaciones utilizando datos satelitales

Date:

Recommended citation: Gamboa-Villafruela, C.J.;Fernández-Alvarez, J.C.; Márquez-Mijares, M.; Pérez-Alarcón, A.; Batista-Leyva, A.J (2021). Arquitectura convolucional basada en LSTM para la predicción inmediata de precipitaciones utilizando datos satelitales. In proceedings of Convención Meteorología 2021, Havana, Cuba 6-10 December 2021, pp 121. ISBN: 978-959-7167-662.

Abstact

La predicción de precipitaciones a corto plazo es una tarea espacio-temporal difícil debido a la caracterización no uniforme de las estructuras meteorológicas a lo largo del tiempo. Actualmente, las redes neuronales como la LSTM convolucional han mostrado capacidad para la predicción espacio-temporal de problemas complejos. En esta investigación, proponemos una arquitectura de red neuronal convolucional LSTM (CNN-LSTM) para la predicción inmediata de varios eventos de precipitación a corto plazo utilizando datos de satélite. El CNN-LSTM está capacitado con conjuntos de datos de precipitación de medición de precipitación global (GPM) de la NASA, cada uno en intervalos de 30 minutos. El modelo de red neuronal entrenada se utiliza para predecir los datos de la decimosexta precipitación de la correspondiente secuencia de quince precipitaciones y hasta un intervalo de tiempo de 300 min. Los resultados muestran que el aumento en el número de capas, así como en la cantidad de datos en el conjunto de datos de entrenamiento, mejora la calidad del pronóstico. Palabras claves: Predicción de precipitaciones; redes neuronales.