Las predicciones climáticas que he realizado hasta ahora basadas en combinaciones de sucesos pasados comparados con la tendencia actual han tenido un éxito variado, si bien en muchas ocasiones han resultado casi exactas.
Sobre todo, se equivocaban ante ciclos meteorológicos poco comunes, dado que las predicciones estaban diseñadas para predecir que fuera a suceder lo que es habitual que suceda con esas tendencias.
Pues bien, he querido mejorar esta predicción para poder predecir incluso los sucesos poco habituales, además de considerar no solamente saltos de 30 en 30 días, lo cual es verdaderamente muy tosco para hacer una predicción... Aprovechando que estoy desarrollando una App para identificación de elementos con redes neuronales en mi Trabajo de Fin de Grado, finalmente se me ha ocurrido cómo separar satisfactoriamente el año con saltos de solamente 2 días e información de 28 días, y cómo convertir cada set de información en una imagen (182 Imágenes / Año), para realizar un posterior entrenamiento de la red neuronal clasificando cada imagen según eventos adversos (subida de las temperaturas ligera, elevada, etc.), o bien indicando que estos no se darán. Por otro lado, entrenaré un modelo para cada tipo de predicción, por lo que se entrenarán diferentes modelos con las mismas imágenes.
De esta manera, si quisiéramos resultados de Temperaturas Máximas, Mínimas y Precipitaciones, en lugar de usar un único modelo y dividir por ejemplo en 4 categorías cada uno de los factores (lo que nos llevaría a 4*4*4 = 64 Etiquetas para la red Neuronal), podríamos dividirlos en modelos individuales en 11 categorías por ejemplo, utilizando solamente 11 etiquetas en cada uno de los 3 modelos.
El tamaño de cada imagen es de 56X56 bits. Las temperaturas son representadas, en órden igual al que son registradas, la mínima seguida de la máxima, representando la sucesión de estos dos valores la temperatura de cada día (28 días · 2 valores = 56 píxeles de ancho).
La división vertical se ha realizado con 42 píxeles para las temperaturas, de -40ºC a 50ºC con un paso de 2.1429ºC; mientras que las precipitaciones se han escalado mediante una escala logarítmica por Fibonacci (según la razón aúrea, 1.6180; lo que suele llamarse "por Fibonacci"; suele ser una acertada decisión dado que es muy común encontrar relaciones aúreas en procesos caóticos, no lineales), resultando el primer píxel 0.1mm, 0.2mm el segundo, continuando 0.3mm, 0.4mm, 0.7mm, 1.1mm, 1.8mm, 2.9mm, 4.7mm, 7.6mm... hasta 52.1mm en el píxel 14. Siendo que lo máximo alcanzable ronda los 27.5mm, se cubre hasta un valor 90% superior al máximo.
El año, pues, queda dividido en 13 partes ("meses") de 28 días, cada una de las cuales a su vez puede estar representada de 14 maneras diferentes (de 2 en 2 días), dependiendo el desfase. Se calcula para cada una de estas representaciones cuáles son sus medias de entre todos los años, y será con lo que ocurre en la representación posterior con lo que se decidirá para cada representación cómo clasificarla para la red neuronal.
"Enero" de 2019 (días 2 a 29)
"Enero-Febrero" de 2019 con 7 desfases de 2 días (días 14 a 10)
Sistema de predicción diseñado por Luis Manuel Muñoz Pérez
18 de Diciembre de 2021
Contacto -- noticiarioclimatico.blogspot.com
Comentarios
Publicar un comentario