Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina

Autores/as

DOI:

https://doi.org/10.17533/udea.redin.17254

Palabras clave:

algoritmos de aprendizaje de máquina, imágenes meteorológicas, árboles de decisión, máquinas de soporte vectorial, bosques aleatorios, clasificación de masas nubosas

Resumen

La identificación exacta de nubes precipitantes es una tarea difícil. En el presente trabajo se aplicaron los algoritmos Máquinas de Soporte Vectorial, Árboles de Decisión y Bosques Aleatorios para discriminar entre nubes precipitantes y nubes no precipitantes, a partir de una imagen meteorológica del satélite GOES-13 que cubre el territorio colombiano. El objetivo del trabajo fue evaluar el desempeño de los algoritmos de aprendizaje de máquina (ML), para la clasificación digital de masas nubosas, en términos de la exactitud temática de la clasificación usando como referencia el algoritmo convencional distancia de Mahalanobis. Los resultados muestran que los algoritmos ML proporcionan una clasificación de masas de nubes más exacta que la obtenida por algoritmos convencionales. La mejor exactitud fue obtenida usando Bosques Aleatorios (RF), con una exactitud temática global de 97%. Adicionalmente, la clasificación obtenida con RF fue comparada pixel a pixel con estimaciones de precipitación de la NASA Tropical Rainfall Measurement Mission (TRMM) obteniendo una exactitud global del 94%. De acuerdo con este estudio, los algoritmos ML pueden ser usados para mejorar los actuales métodos de identificación de nubes precipitantes.

|Resumen
= 167 veces | PDF
= 53 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Salomón Einstein Ramírez-Fernández, Universidad Distrital Francisco José de Caldas

Proyecto Curricular Maestría en Ciencias de la Información y las Comunicaciones énfasis en Geomática, Grupo de Investigación NIDE, Facultad de Ingeniería.

Iván Alberto Lizarazo-Salcedo, Universidad Distrital Francisco José de Caldas

Proyecto Curricular Ingeniería Catastral y Geodesia, Grupo de Investigación NIDE, Facultad de Ingeniería.

Citas

K. Buddhiraju, I. Rizvi. Comparison of CBF, ANN and SVM classifiers for object based classification of high resolution satellite images. Proceedings of the Geosci. Remote Sens Symp. Honolulu, USA. 2010 pp. 40–43. DOI: https://doi.org/10.1109/IGARSS.2010.5652033

H. Chethan, R. Raghavendra, G. Kumar. Texture Based Approach for Cloud Classification Using SVM. Proceedings of the Int. Conf. Adv. Recent Technol. Commun. Comput. Kottayam, Indian. 2009. pp. 688– 690. DOI: https://doi.org/10.1109/ARTCom.2009.43

L. Gómez, G. Camps, L. Bruzzone, J. Calpe. “Mean map kernel methods for semisupervised cloud classification”. Geosci. Remote Sensing, IEEE Trans. Vol. 48. 2010. pp. 207–220. DOI: https://doi.org/10.1109/TGRS.2009.2026425

M. Azimi-Sadjadi, S. Zekavat. Cloud classification using support vector machines. Proceedings of the Geosci. Remote Sens. Symp. IGARSS 2000. IEEE 2000 Int. Honolulu, USA. 2000. pp. 669–671.

P. Addesso, R. Conte, M. Longo, R. Restaino, G. Vivone. SVM-based cloud detection aided by contextual information. Proceedings of the Tyrrhenian Work. Adv. Radar Remote Sens. Naples, USA. 2012. pp. 214–221. DOI: https://doi.org/10.1109/TyWRRS.2012.6381132

I. Bajwa, M. Naweed. “Feature Based Image Classification by using Principal Component Analysis”. ICGST Int. J. Graph. Vis. Image Process. GVIP. Vol. 9. 2009. pp. 11–17.

A. Tsonis. “Single Thresholding and Rain Area Delineation from Satellite Imagery”. J. Appl. Meteorol. Vol. 27. 1988. pp. 1302–1306. DOI: https://doi.org/10.1175/1520-0450(1988)027<1302:STARAD>2.0.CO;2

I. Lensky, V. Levizzani. Precipitation: advances in measurement, estimation, and prediction. “Estimation of precipitation from space-based platforms”. 1st ed. Ed. Springer. Berlin, Alemania. 2008. pp. 195–217. DOI: https://doi.org/10.1007/978-3-540-77655-0_8

M. Desbois, G. Seze, G. Szejwach. “Automatic Classification of Clouds on METEOSAT Imagery: Application to High-Level Clouds”. J. Appl. Meteorol. Vol. 21. 1982. pp. 401–412. DOI: https://doi.org/10.1175/1520-0450(1982)021<0401:ACOCOM>2.0.CO;2

J. Peak , T. Paul. “Segmentation of satellite imagery using hierarchical thresholding and neural networks” J. Appl. Meteorol. Vol. 33. 1994. pp. 605–616. DOI: https://doi.org/10.1175/1520-0450(1994)033<0605:SOSIUH>2.0.CO;2

F. De Osés. Meteorología Aplicada a la Navegación. 3rd ed. Ed. Univ. Politèc. de Catalunya. Barcelona, España. 2010. pp. 222.

W. Xu, M. Wooster, G. Roberts, P. Freeborn. “New GOES imager algorithms for cloud and active fire detection and fire radiative power assessment across North, South and Central America”. Remote Sens. Environ. Vol. 114. 2010. pp. 1876–1895. DOI: https://doi.org/10.1016/j.rse.2010.03.012

Instituto de Hidrología Meteorología y Estudios Ambientales. Atlas climatológico de Colombia. 1st ed. Ed. Imprenta Nacional de Colombia. Bogotá, Colombia. 2005. pp. 220.

A. Tsonis. “On the separability of various classes from the GOES visible and infrared data”. J. Clim. Appl. Meteorol. Vol. 23. 1984. pp. 1393–1410. DOI: https://doi.org/10.1175/0733-3021-23.10.1393

A. Tsonis, G. Isaac. “On a New Approach for Instantaneous Rain Area Delineation in the Midlatitudes Using GOES Data”. J. Clim. Appl. Meteorol. Vol. 24. 1985. pp. 1208–1218. DOI: https://doi.org/10.1175/1520-0450(1985)024<1208:OANAFI>2.0.CO;2

B. Tso, P. Mather. Classification methods for remotely sensed data. 2nd ed. Ed. CRC Press. New York, USA. 2009. pp. 376.

V. Vapnik. The Nature of Statistical Learning Theory. 1st ed. Ed. Springer. New York, USA. 2000. pp. 340. DOI: https://doi.org/10.1007/978-1-4757-3264-1_1

P. Tan, M. Steinbach, V. Kumar. Classification: Basic Concepts, Decision Trees, and Model Evaluation in Introduction to Data Mining. 1st ed. Ed. AddisonWesley. 2005. pp. 769.

T. Hastie, R. Tibshirani, J. Friedman. The elements of statistical learning. 2nd ed. Ed. Springer. New York, USA. 2009. pp. 745. DOI: https://doi.org/10.1007/978-0-387-84858-7

A. Boulesteix, S. Janitza, J. Kruppa, I. König, A. Janitza. “Overview of Random Forest Methodology and Practical Guidance with Emphasis on Computational Biology and Bioinformatics”. Data mining and knowledge Discovery. Vol. 2. 2012. pp. 493-507. DOI: https://doi.org/10.1002/widm.1072

B. Goswami, G. Bhandari. “Convective Cloud Detection and Tracking from Series of Infrared Images”. J. Indian Soc. Remote Sens. Vol. 41. 2012. pp. 1–9. DOI: https://doi.org/10.1007/s12524-012-0234-3

I. Lizarazo, “SVM-based segmentation and classification of remotely sensed data”. Int. J. Remote Sens. Vol. 29. 2008. pp. 7277–7283. DOI: https://doi.org/10.1080/01431160802326081

D. Hillger, G. Ellrod. “Detection of important atmospheric and surface features by employing principal component image transformation of GOES imagery”. J. Appl. Meteorol. Vol. 42. 2003. pp. 611– 629. DOI: https://doi.org/10.1175/1520-0450(2003)042<0611:DOIAAS>2.0.CO;2

A. Ferreira. Meteorología práctica. 1st ed. Ed. Oficina de Textos. São Paulo, Brasil. 2006. pp. 188.

D. Powers. “Evaluation: From precision, recall and f-measure to roc., informedness, markedness & correlation”. J. Mach. Learn. Technol. Vol. 2. 2011. pp. 37–63.

M. Sokolova, G. Lapalme. “A systematic analysis of performance measures for classification tasks”. Inf. Process. Manag. Vol. 45. 2009. pp. 427-437. DOI: https://doi.org/10.1016/j.ipm.2009.03.002

Descargas

Publicado

2014-08-26

Cómo citar

Ramírez-Fernández, S. E., & Lizarazo-Salcedo, I. A. (2014). Clasificación digital de masas nubosas a partir de imágenes meteorológicas usando algoritmos de aprendizaje de máquina. Revista Facultad De Ingeniería Universidad De Antioquia, (73), 43–57. https://doi.org/10.17533/udea.redin.17254