• English 
  • Spanish 

Redes Neuronales y Probabilísticas en las Ciencias Atmosféricas

Book_INM.png
Year: 2004
Editorial: Monografías del Instituto Nacional de Meteorología
Pages: 279
City: Madrid

Descarga versión PDF para consulta online o impresión parcial

El precio de la versión impresa del libro es de 20€ y se puede comprar directamente online (especificando clave SM403. I.S.B.N.: 84-8320-281-6), o a través de los puntos de venta de AEMET (antiguol INM).

En el ámbito de las Ciencias Atmosféricas se han utilizado las técnicas estadísticas de forma sistemática para abordar distintos problemas de modelización y predicción a partir de observaciones y/o de salidas de modelos numéricos. Sin embargo, el gran volumen de datos del que se dispone hoy día hace que estas técnicas resulten inapropiadas en numerosos problemas de interés. La necesidad de métodos eficientes y automáticos para explorar bases de datos ha motivado un rápido avance de disciplinas como "data mining" y "machine learning", cuyo objeto es desarrollar métodos que operen de forma automática a partir de un conjunto de datos para capturar distintos patrones de conocimiento (reglas, grafos de dependencias, modelos neuronales, etc.) que sean apropiados para resolver un problema .

Dos de las técnicas más populares en este campo son las redes probabilísticas y las redes neuronales. Las redes probabilísticas son modelos apropiados para el tratamiento de problemas con incertidumbre, y utilizan técnicas estadísticas modernas de inferencia y estimación para ajustar los parámetros a los datos y obtener conclusiones en base a los modelos resultantes. Por otra parte, las redes neuronales son modelos de inspiración biológica que “aprenden” tratando de reproducir la realidad codificada en un conjunto de datos.

Este libro presenta una visión actual de estas herramientas y mostrar su relación con las técnicas estadísticas estándar utilizadas en las Ciencias Atmosféricas. Para ello, se analizarán desde ambas perspectivas distintos problemas de interés, como la predicción local de fenómenos meteorológicos, la mejora de resolución de las salidas de los modelos numéricos (downscaling), la generación de series climatológicas mediante simuladores estocásticos de tiempo (weather generators), el relleno de lagunas en los datos, la predicción por conjuntos, etc.

Este libro viene acompañado de un software que ilustra los distintos algoritmos y métodos. El software es una toolbox (librería) de Matlab (www.mathworks.com) denominado MeteoLab y se distribuye gratuitamente bajo licencia GNU.

Libros relacionados: Redes Bayesianas, Redes Neuronales.

CONTENIDOS:

I INTRODUCCIÓN

1. Modelos y Datos Atmosféricos

1.1. Introducción 3
1.2. Las Ecuaciones de la Atmósfera 4
1.2.1. Filtrado de Soluciones Triviales 7
1.3. Resolución Numérica de las Ecuaciones 8
1.3.1. Asimilación de Datos 8
1.3.2. Parametrización de Procesos Físicos 10
1.4. Variabilidad Atmosférica 11
1.4.1. Escalas Atmosféricas 11
1.4.2. Patrones de Oscilación Atmosférica y Teleconexión 12
1.5. Tipos de Modelos Numéricos del Tiempo 14
1.5.1. Modelos Globales de Circulación General 15
1.5.2. Modelos Regionales 16
1.5.3. Modelos Mesoscalares 17
1.6. No Linealidad y Caos en la Atmósfera 18
1.6.1. Predecibilidad y Predicción por Conjuntos 21
1.7. Estado Actual de la Predicción Operativa 24
1.7.1. Nowcasting. Predicción Inmediata 24
1.7.2. Predicción a Corto Plazo 24
1.7.3. Predicción a Medio Plazo por Conjuntos 26
1.7.4. Predicción Estacional por Conjuntos 28
1.7.5. Predicción Climática 30
1.7.6. Tipos de Predicción: Determinista y Probabilística 30
1.8. Futuro de la Predicción Numérica 31
1.9. Datos Climatológicos y Meteorológicos 31
1.9.1. Redes de Observación 32
1.9.2. MeteoLab: Observaciones 34
1.9.3. Datos Paleoclimáticos . 38
1.9.4. Simulaciones de Modelos Numéricos 39
1.9.5. MeteoLab: Patrones Atmosféricos 41

II TÉCNICAS ESTADÍSTICAS ESTÁNDAR

2. Técnicas Estadísticas. Análisis y Exploración de Datos

2.1. Introducción 47
2.2. Probabilidad y Variables Aleatorias 48
2.2.1. Funciones de Probabilidad 49
2.2.2. Probabilidades Conjuntas 52
2.2.3. Probabilidades Marginales y Condicionadas 54
2.3. Generadores de Tiempo (Weather Generators) 56
2.3.1. Generadores Estocásticos de Precipitación 56
2.3.2. Modelos de Intensidad del Evento 59
2.4. Dependencia e Independencia de Variables 61
2.4.1. Correlación e Información Mutua 64
2.5. Componentes Principales y EOF 68
2.5.1. MeteoLab: Componentes Principales y EOF 74
2.5.2. Elección del Número de Componentes 79
2.5.3. Efectos de la Escala Temporal 81
2.6. Técnicas de Agrupamiento 82
2.6.1. Técnicas Jerárquicas 83
2.6.2. Técnicas Particionales 85
2.6.3. MeteoLab: Técnicas de Agrupamiento 89

3. Técnicas Estadísticas. Modelización y Predicción

3.1. Introducción 91
3.2. Downscaling Estadístico 92
3.3. Técnicas Estadísticas para Series Temporales 94
3.3.1. Modelos Autoregresivos 95
3.3.2. MeteoLab: Modelos Autoregresivos 96
3.3.3. Series Caóticas. Técnicas de Inmersión 97
3.3.4. Modelos de Markov 100
3.4. Regresión 101
3.4.1. Regresión Lineal 101
3.4.2. Regresión Lineal Múltiple 104
3.4.3. Regresión No Lineal 106
3.4.4. MeteoLab: Regresión 107
3.5. Correlación Canónica 109
3.5.1. Predicción con Correlación Canónica 111
3.5.2. MeteoLab: Correlación Canónica 111
3.5.3. Efectos de la Escala Temporal 115
3.6. Aplicación al Downscaling. MOS y Perfect Prog 117
3.6.1. Modelos Globales y Locales. Dependencia Espacial 118
3.7. Técnicas Locales de Análogos 120
3.7.1. In uencia del Período de Reanálisis Utilizado 121
3.7.2. MeteoLab: Técnicas Locales de Análogos 122
3.8. Comparación de Técnicas en el Corto Plazo 124

III TÉCNICAS DE APRENDIZAJE AUTOMÁTICO

4. Redes Probabilísticas (Bayesianas)

4.1. Introducción 129
4.2. Sistemas Inteligentes 130
4.3. Sistemas Inteligentes Probabilísticos 132
4.4. Redes Probabilísticas 135
4.4.1. Codificación de Dependencias. Criterios de Separación 135
4.4.2. Factorización de la Probabilidad 137
4.5. Redes Bayesianas. Definición y Tipos 138
4.6. Razonamiento Probabilístico. Inferencia 139
4.6.1. MeteoLab: Modelo de Meteoros (I) 140
4.7. Algoritmos de Aprendizaje Automático 146
4.7.1. Algoritmo K2 147
4.7.2. MeteoLab: Modelo de Meteoros (II) 148
4.7.3. El Algoritmo de Aprendizaje B 150
4.7.4. Algoritmos de Aprendizaje Local. LK2 y LB 151
4.7.5. MeteoLab: Modelado de Meteoros (III) 153
4.8. Aplicaciones 155
4.8.1. Modelos Conceptuales 156
4.8.2. Dependencia Espacial en la Red Pluviométrica 160
4.8.3. Generadores de Tiempo (Weather Generators) 162
4.8.4. Predicción Probabilística Local (Downscaling) 165
4.8.5. Aplicación al Relleno de Lagunas 169

5. Redes Neuronales

5.1. Introducción 175
5.2. Estructura de una Red Neuronal 176
5.3. Aprendizaje y Validación 178
5.4. Perceptrones (Redes de una Capa) 180
5.4.1. Algoritmo de Aprendizaje. La Regla Delta 180
5.4.2. Mejoras y Modificaciones 182
5.5. Redes Multi-Capa 186
5.5.1. El Algoritmo de Retro-propagación 187
5.5.2. MeteoLab: El Sistema de Lorenz 193
5.6. Redes de Función de Base Radial 194
5.6.1. Aprendizaje de los Parámetros 195
5.6.2. MeteoLab: Funciones de Base Radial 196
5.7. Redes Competitivas 198
5.8. Redes Auto-Organizativas (SOM) 201
5.8.1. MeteoLab: Predicción con Redes Neuronales 206
5.9. Predicción a Plazo Medio con SOM 209
5.10. Predicción Estacional 215

IV APÉNDICES

6. Implementación Operativa. El Sistema PROMETEO 225

6.1. Introducción 225
6.2. Sistema Operativo en el INM 226
6.2.1. Configuración e Inicialización del Sistema 227
6.2.2. Explotación Operativa 229
6.2.3. Acceso Web a las Predicciones 230
6.3. Casos de Estudio 231
6.4. Validación. Retroalimentación del Sistema 235
6.4.1. Validación Operativa de Prometeo 236

7. Verificación de Sistemas de Predicción Probabilística 241

7.1. Introducción 241
7.2. Tipos de Predicciones 242
7.2.1. Predicciones Deterministas 243
7.2.2. Predicciones Probabilísticas 243
7.3. Aspectos de la Calidad de una Predicción 244
7.4. Verificación de Predicciones Deterministas 248
7.4.1. Predicciones Binarias 250
7.5. Verificación de Predicciones Probabilísticas 253
7.5.1. Brier Score 253
7.5.2. Brier Skill Score 255
7.6. Predicciones Binarias Probabilísticas 256
7.6.1. Curvas ROC (Relative Operating Characteristics) 256
7.6.2. Valor Económico 259
7.7. MeteoLab: Validación 262

Bibliografía 265

Indice de Palabras 276