Técnicas de aprendizaje máquina para detección y cuantificación de lluvia mediante radioenlaces terrenos a frecuencia de gigahercios

Abstract

En este Trabajo de Fin de Grado se ha realizado la implementación de algoritmos de Machine Learning para la detección y cuantificación de precipitación de lluvia basándonos en los niveles de potencia involucrados en comunicaciones terrenas a frecuencias de microondas distribuidas por las zonas de observación. Nos apoyamos en el hecho de que cuando llueve se produce una atenuación de la señal de potencia, esto es especialmente significativo para frecuencias mayores a 10GHz. Se ha utilizado cuatro métodos para abordar este objetivo, estos son: regresión lineal, regresión logística, red neuronal y máquina de vectores soportados. Asimismo, se ha llevado a cabo un balanceo de las clases pues nos encontramos ante un problema de clases desbalanceadas y un posprocesado en el que se han calibrado los resultados. Todo esto se enmarca en un proceso de aprendizaje maquina en el que se ha utilizado un 70% de las muestras (datos) para entrenar y un 30% para test. Para estudiar la validez de nuestra metodología, se hicieron repeticiones de los experimentos en los que cada vez se asignaban de forma aleatoria qué ejemplos eran para entrenar y cuáles para testear. Como resultado hemos visto que nuestra metodología es muy estable. Tras todo el trabajo se puede concluir que los modelos obtenidos son válidos, y dan muy buenos resultados en los test de detección para los cuatro métodos, destacando en valores medios y desviaciones de sensibilidad, exactitud, especificidad y F1-Score la red neuronal. En lo referente a la cuantificación podemos destacar que los valores obtenidos con muy exactos.