Bibliographic citations
Amao, C., (2018). Forescat modeling of spatio-temporal raster data using principal component analysis and a neural networks - wavelet decomposition model [Tesis, Universidad Nacional de Ingeniería]. http://hdl.handle.net/20.500.14076/18447
Amao, C., Forescat modeling of spatio-temporal raster data using principal component analysis and a neural networks - wavelet decomposition model [Tesis]. : Universidad Nacional de Ingeniería; 2018. http://hdl.handle.net/20.500.14076/18447
@mastersthesis{renati/710322,
title = "Forescat modeling of spatio-temporal raster data using principal component analysis and a neural networks - wavelet decomposition model",
author = "Amao Suxo, Christian",
publisher = "Universidad Nacional de Ingeniería",
year = "2018"
}
En la actualidad, el pronóstico de datos espacio - temporales ha sido de especial interés para investigadores académicos y profesionales de la industria por su gran utilidad para planificar y desarrollar medidas de contingencia contra futuras condiciones adversas. En este trabajo se pro¬pone una metodología para el pronóstico de mapas tipo ráster. Siguiendo una metodología de resumir-predecir-y-reconstruir, el método sugiere reducir la dimensionalidad de los datos usando un análisis de componentes principales para luego realizar pronósticos individuales sobre las com¬ponentes o auto vectores más significativos. Finalmente, un algoritmo recursivo, aplicado sobre la reconstrucción inversa espectral de los pronósticos individuales, brinda el pronóstico final de los mapas. La metodología propuesta da lugar a tres modelos: el modelo espacial de componentes princi¬pales (ECP), el modelo temporal de componentes principales (TCP) y el modelo espacio - temporal de componentes principales (ETCP). Con el fin de evaluar su capacidad de pronóstico, se real¬iza un estudio de simulación considerando datos con una estructura de variabilidad espacial pura, temporal puro y espacio - temporal. Los resultados sugieren usar un modelo TCP (o ECP) cuando la variabilidad temporal (o espacial) es predominante. Para datos con similar información en la variabilidad espacial y temporal, el modelo ETCP brinda los mejores resultados de pronóstico. El trabajo culmina con una aplicación real en datos mensuales de anomalías de temperatura superficial del mar del océano Pacífico Tropical.
This item is licensed under a Creative Commons License