Deep learning para aumentar la resolución temporal de modelos climáticos

Abstract

Se ha desarrollado un modelo de aprendizaje profundo con el propósito de aumentar la resolución temporal de datos de precipitación, transformándolos de una escala diaria a horaria. Este avance resulta clave para mejorar la precisión en las proyecciones climáticas que requieren datos más detallados. Para lograr este objetivo, se han ampliado y adaptado una serie de librerías de Aprendizaje Profundo, diseñadas e implementadas por la empresa Predictia. El proyecto siguió varias fases clave. En primer lugar, se procesó y cargaron los datos, garantizando su correcta preparación para el entrenamiento. A continuación, se desarrolló el modelo de aprendizaje profundo UNet. Posteriormente, el modelo se integró en MLflow, lo que permitió generar predicciones. Estas predicciones fueron comparadas con observaciones reales, facilitando un análisis detallado de los resultados y la identificación de áreas para mejorar en futuros trabajos.

A deep learning model has been developed in order to increase the temporal resolution of precipitation data, transforming them from a daily to an hourly scale. This advance is key to improving the accuracy of climate projections that require more detailed data. To achieve this objective, a series of Deep Learning libraries, designed and implemented by the company Predictia, have been expanded and adapted. The project followed several key phases. First, the data was processed and loaded, ensuring its correct preparation for training. Next, the deep learning model UNet was depeloped. Subsequently, the model was integrated into MLflow, which enabled the generation of predictions. These predictions were compared with real observations, facilitating a detailed analysis of the results and identifying areas for improvement in future work.