Cuantificación y predicción de lluvia a partir de información obtenida de radioenlaces de microondas y comunicaciones satelitales aplicando machine learning

Abstract

Este proyecto surge como continuación del proyecto europeo VIMETRI-MAC, con el objetivo de estudiar los riesgos relacionados con eventos meteorológicos que generen situaciones de alarma sobre la población. Promueve una adaptación frente al cambio climático por medio de la gestión de riesgos mediante la aportación de datos de redes de sensores meteorológicos con el finde crear mecanismos automatizados que ayuden a cumplir los objetivos de detección, previsión y cuantificación del estado del clima en una región de manera telemática. Como aportación principal dentro del proyecto VIMETRI-MAC se me ha encomendado la tarea de mejorar los sistemas de detección de precipitaciones atmosféricas y la creación de un sistema de predicción de estas basándose únicamente en la atenuación del nivel de potencia de los radioenlaces terrenos y satelitales disponibles. El factor de mejora se ha producido optimizando la arquitectura mediante dos redes LSTM mejorando las métricas de calidad en un 5,88% respecto a nuestros modelos y resultados de referencia. De igual modo, se ha creado una arquitectura de red neuronal capaz de predecir eventos de lluvia a 20 minutos en el futuro con la calidad suficiente como para considerarla funcional. Este documento contiene toda la base teórica sobre electromagnetismo, fenómenos meteorológicos, Machine Learning y análisis estadístico necesario como para poder crear las arquitecturas antes mencionadas e interpretar sus resultados.

This project is part of the European project VIMETRI-MAC, aimed at studying risks associated with weather events that generate alarming situations among the population. It promotes climate change adaptation through risk management by utilizing data from networks of meteorological sensors to create automated mechanisms that aid in achieving the objectives of detection, forecasting, and quantification of the regional climate conditions in a telematic manner. As a key contribution within the VIMETRI-MAC project, I have been entrusted with the task of enhancing the detection systems for atmospheric precipitation and developing a prediction system based solely on the power level attenuation of available terrestrial and satellite radio links. By adopting two LSTM networks as the new architecture, we have achieved significant improvements, enhancing quality metrics by 5.88% compared to previous models. Additionally, we have successfully developed a neural network capable of accurately predicting rain events 20 minutes into the future, reaching a level of functionality that warrants its practical application. This document comprehensively covers the theoretical foundations of electromagnetism, meteorological phenomena, Machine Learning, and statistical analysis required to design the aforementioned architectures and interpret their results.