Mostrar el registro sencillo del ítem
Predicción diaria de temperaturas extremas y precipitación en la región Áncash mediante posprocesamiento estadístico del modelo GFS
dc.contributor.advisor | Flores Villanueva, Weidi | |
dc.contributor.author | Flores Aguilar, Andy Jean Pierre | |
dc.date.accessioned | 2024-03-05T01:19:26Z | |
dc.date.available | 2024-03-05T01:19:26Z | |
dc.date.issued | 2024 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12996/6308 | |
dc.description | Universidad Nacional Agraria La Molina. Facultad de Ciencias. Departamento Académico de Ingeniería Ambiental, Física y Meteorología | es_PE |
dc.description.abstract | En esta investigación, se desarrollaron modelos de pronóstico para temperaturas extremas y probabilidad de precipitación en el área del Parque Nacional Huascarán y sus alrededores, en la región Áncash. Se utilizaron los datos grillados de PISCOp para calibrar los modelos de precipitación y datos de temperaturas extremas diarias recopilados de 10 estaciones en el área de estudio para calibrar los modelos de temperatura. Se aplicó el método Model Output Statistics (MOS) junto con técnicas específicas para cada tipo de predicción. Los predictores para estos modelos corresponden a pronósticos del modelo numérico Global Forecast System (GFS) con una resolución de 0.25°. Para las predicciones de temperaturas extremas diarias, se empleó la técnica de reducción de dimensionalidad conocida como análisis de componentes principales (PCA), junto con la regresión lineal múltiple para obtener las ecuaciones de pronóstico. En el caso de los modelos de probabilidad de precipitación, se utilizaron tanto la técnica de PCA como Random Forests para tareas de clasificación. Los modelos desarrollados para las temperaturas extremas superaron las predicciones sin posprocesamiento del modelo GFS en la zona de estudio y también superaron las predicciones por persistencia. Se observó una mayor precisión en la predicción de las temperaturas mínimas en comparación con las temperaturas máximas. Sin embargo, se identificaron ciertas limitaciones en la capacidad del modelo para prever la magnitud de eventos extremos de temperatura. En relación con la probabilidad de precipitación, los resultados variaron según el umbral establecido. Los modelos para umbrales de 0.1 mm/día y 1 mm/día demostraron ser eficaces en las predicciones, mientras que el modelo para 5 mm/día generó un alto número de falsas alarmas. Estos hallazgos indican que los modelos desarrollados son prometedores, pero también señalan áreas que podrían ser mejoradas para aumentar su precisión, especialmente en la identificación de eventos extremos. | es_PE |
dc.description.abstract | In this research, forecast models were developed for extreme temperatures and precipitation probability in the area of Huascarán National Park and its surroundings, in the Áncash region. Gridded data from PISCOp were used to calibrate the precipitation models and daily extreme temperature data collected from 10 stations in the study area were used to calibrate the temperature models. The Model Output Statistics (MOS) method was applied together with specific techniques for each type of prediction. The predictors for these models correspond to forecasts from the Global Forecast System (GFS) numerical model with a resolution of 0.25°. For the daily extreme temperature forecasts, the dimensionality reduction technique known as principal component analysis (PCA) was used, together with multiple linear regression to obtain the forecast equations. In the case of the precipitation probability models, both PCA and Random Forests were used for classification tasks. The models developed for extreme temperatures outperformed the non-post-processed predictions of the GFS model in the study area and also outperformed the predictions by persistence. Higher accuracy was observed in the prediction of minimum temperatures compared to maximum temperatures. However, certain limitations were identified in the model's ability to predict the magnitude of extreme temperature events. In relation to the probability of precipitation, results varied depending on the threshold set. The models for thresholds of 0.1 mm/day and 1 mm/day proved to be effective in predictions, while the model for 5 mm/day generated a high number of false alarms. These findings indicate that the developed models are promising, but also point to areas that could be improved to increase their accuracy, especially in the identification of extreme events. | es_PE |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad Nacional Agraria La Molina | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | es_PE |
dc.subject | Parques nacionales | es_PE |
dc.subject | Temperatura | es_PE |
dc.subject | Modelos matemáticos | es_PE |
dc.subject | Análisis matemáticos | es_PE |
dc.subject | Evaluación | es_PE |
dc.title | Predicción diaria de temperaturas extremas y precipitación en la región Áncash mediante posprocesamiento estadístico del modelo GFS | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.discipline | Ingeniería Ambiental, Física y Meteorología | es_PE |
thesis.degree.grantor | Universidad Nacional Agraria La Molina. Facultad de Ciencias | es_PE |
thesis.degree.name | Ingeniero Meteorólogo | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#1.05.10 | es_PE |
renati.author.dni | 73172452 | es_PE |
dc.publisher.country | PE | es_PE |
dc.type.version | info:eu-repo/semantics/publishedVersion | es_PE |
renati.advisor.orcid | https://orcid.org/0000-0001-8176-2418 | es_PE |
renati.advisor.dni | 07975167 | es_PE |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_PE |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_PE |
renati.discipline | 521035 | es_PE |
renati.juror | Ibáñez Blancas, Alexis Nicolás | |
renati.juror | Calle Montes, Victoria Doris | |
renati.juror | Moya Álvarez, Aldo Saturnino |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
CIE-IA Tesis [309]