Resumen de Detección digital de Sistemas Convectivos de Mesoescala a partir de imágenes meteorológicas multiespectrales

Salomón Ramírez, Ivan Lizarazo

• español

  La identificación exacta de Sistemas Convectivos de Mesoescala (SCM) no es una tarea sencilla. En el presente trabajo se aplicaron los algoritmos de aprendizaje de máquina (ML) no paramétricos Máquinas de Soporte Vectorial (SVM), Árboles de Decisión (DT) y Bosques Aleatorios (RF) para detectar SCM, a partir de una serie de sub-escenas de imágenes meteorológicas tomadas por el satélite GOES-13 el 03 de abril de 2013 cada media hora desde las 11:45 hasta las 22:15 horas, Tiempo Universal Coordinado (UTC), que cubren el territorio colombiano. Los resultados obtenidos por estos métodos fueron contrastados con el método tradicional denominado Temperatura de Brillo (TB). Para la evaluación de los resultados se empleó STEP (shape, theme, edge, position), un método que evalúa la similitud geométrica y temática entre objetos, tomando como referencia un conjunto de datos de alta exactitud extraído de imágenes de precipitación de la Misión para la Medición de Lluvias Tropicales (TRMM). El objetivo de este trabajo fue determinar si al emplear información de varios canales espectrales de imágenes meteorológicas en lugar de usar un solo canal infrarojo (IR) como lo hacen las técnicas tradicionales, es posible obtener resultados más exactos en la detección de SCM. Los resultados experimentales mostraron que los algoritmos DT y RF proporcionan una detección más exacta que la obtenida por el algoritmo tradicional IR-TB para detectar SCM, mientras que los resultados del algoritmo SVM, sugieren que no es favorable su uso para aplicaciones prácticas. Los criterios de decisión del modelo de clasificación obtenido por DT podrían ser replicados varias veces en diferentes fechas sin realizar interpretación visual en cada imagen, siendo muy útil para aplicaciones operativas bajo el enfoque que aquí se presenta.

       

• English

  The exact identification of Mesoscale Convective Systems (MCS) is not a simple task. In this work, Support Vector Machines (SVM), Decision Trees (DT) and Random Forests (RF) non-parametric machine learning algorithms (ML) were applied to detect MCS, from a series of GOES-13 weather satellite images acquired on April 03, 2013 every half hour from 11:45 to 22:15 hours, Coordinated Universal Time (UTC), covering the Colombian territory. The results obtained by these methods were compared with a traditional method referred to as brightness temperature (BT). Accuracy assessment was conducted using STEP (shape, theme, edge, position), a method that evaluates geometric and thematic similarity between objects, using as reference a dataset of high accuracy data extracted from images of precipitation Tropical Rainfall Measuring Mission (TRMM). The aim of this study was to determine whether using information from several spectral channels of weather images, rather than from a single infrared channel (IR) as traditional techniques do, allows accurate detection of MCS. Experimental results show that the Decision Tree (DT) and Random Forest (RF) algorithms performed better than the IR-TB algorithm to detect MCS, while that the results of SVM algorithm, suggest that it use may not be favorable for practical applications. The decision criteria of the classification model yielded by DT could be replicated several times in different dates without performing visual interpretation in each image, being very useful for operational applications under the approach presented here.

• português

  A identificação exata dos Sistemas Convectivos de Mesoescala (SCM) não é uma tarefa simples. No presente trabalho se aplicaram algoritmos não paramétricos de aprendizagem de máquina (ML) às Máquinas de Suporte Vetorial (SVM), Árvores de Decisão (DT) e Florestas Aleatórias (RF) para detectar SCM, a partir de una série de subcenas de imagens meteorológicas tomadas pelo satélite GOES-13 em 3 de abril de 2013 a cada meia hora desde às 11:45 até às 22:15 horas, Tempo Universal Coor-denado (UTC), que cobrem o território colombiano.     Os resultados obtidos por estes métodos foram comparados com o método tradi-cional denominado Temperatura de Brillo (TB). Para a avaliação dos resultados se empregou STEP (shape, theme, edge, position), um método que avalia a semelhança geométrica e temática entre objetos, tomando como referência um conjunto de dados de alta precisão extraídos de imagens de precipitação da Missão para a Medição de Chuvas Tropicais (TRMM).     O objetivo deste trabalho foi determinar se, ao empregar informação de vários canais espectrais de imagens meteorológicas em lugar de usar um só canal infraver-melho (IR), como fazem as técnicas tradicionais, é possível obter resultados mais exatos na detecção do SCM.  Os resultados experimentais mostraram que os algorítmos  DT e RF proporcio-nam uma detecção mais exata que a obtida pelo algoritmo tradicional IR-TB para detectar SCM, a menos que os resultados do algoritmo SVM, sujam não sendo favo-rável seu uso para aplicações práticas.  As gamas de precisão obtidas com 95% de confiança para os algoritmos DT, RF, TB y SVM, nos instantes de tempo avaliados [12:15, 15:15, 18:15, 21:15] por métrica de semelhança ([shape], [theme], [edge], [position])foram em sua respectivo ordem: DT ([89%-98%], [75%-94%], [68%-96%], [80%-98%]), RF ([87%-95%], [73%-89%],  [67%-87%],  [78%-90%]),  IR-TB  ([83%-95%],  [68%-87%],  [60%-81%], [72%-91%]) y SVM ([86%-93%], [72%-83%], [65%-78%], [76%-81%]).