Red Neuronal Convolucional Multitarea para la Estimación Espaciotemporal de Precipitaciones en Regiones Andinas

Resumen

Introducción: los andes colombianos presentan limitaciones para la estimación espacial de la precipitación, debido a la escasa instrumentación pluviométrica y la alta variabilidad influida por fenómenos como El Niño. Por ello se hace necesario desarrollar enfoques para fusionar datos de teledetección con observaciones terrestres y mejorar la modelación espaciotemporal de la lluvia.
Objetivos: Implementar un modelo de red neuronal convolucional multitarea con arquitectura U-Net para estimar simultáneamente la probabilidad de lluvia (clasificación) y la tasa de precipitación (regresión), con resolución de 2 km y 10 minutos en una región andina.
Materiales y Métodos: El estudio se realizó en la zona andina colombiana, usando datos pluviométricos, radar meteorológico, y satélite GOES-16. Se implementó una red neuronal convolucional con arquitectura U-Net para estimar precipitaciones, con datos distribuidos en proporciones de 70%, 15%, y 15% para entrenamiento, validación y prueba, la evaluación del modelo se llevó a cabo con métricas de clasificación y regresión.
Resultados: El modelo presenta una eficiencia satisfactoria para la detección de eventos de lluvia, con un área bajo la curva ROC cercana a 0.8, demostrando una alta capacidad para clasificar el patrón espacial de su ocurrencia. En contraste, la red convolucional tiene un inferior desempeño en la tarea de cuantificación de los milímetros de lluvia, con valores de correlación de Pearson del orden de 0.6 en entrenamiento y validación.
Conclusiones: El uso de redes neuronales convolucionales logra clasificaciones satisfactorias de los eventos de lluvia, sin embargo tiende a subestimar la tasa de precipitación en condiciones de información escasa.