Caracterizacion Nubes

Desarrollo de una herramienta para la detección
de nubes precipitables en imágenes
meteorológicas GOES-16 usando técnicas de
Machine Learning
Natalia Lemos Garcı́a
Santiago Rodas Arias
Trabajo de Grado
Ingenierı́a Topográfica
Facultad de Ingenierı́a
Escuela de Ingenierı́a Civil y Geomática
Santiago de Cali
2020
Desarrollo de una herramienta para la detección de nubes precipitables
en imágenes meteorológicas GOES-16 usando técnicas de Machine
Learning
Natalia Lemos Garcı́a
Santiago Rodas Arias
Dirigido por
Prof. Olga Lucia Baquero Montoya, M.Sc.
Prof. Wilfredo Alfonso Morales, Eng.D.
Trabajo de Grado
Ingenierı́a Topográfica
Universidad del Valle
Facultad de Ingenierı́a
Escuela de Ingenierı́a Civil y Geomática
Santiago de Cali
2020
II
III
Índice general
Acrónimos XII
1. Introducción 1
1.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Solución propuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Antecedentes y marco teórico 5
2.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Marco teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1. Nubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1.1. Clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2. Plataforma satelital . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3. Métodos de clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
IV
ÍNDICE GENERAL
2.3.1. Support Vector Machine - SVM . . . . . . . . . . . . . . . . . . . . . . 12
2.3.1.1. Hiperplanos . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.1.2. Función de costo y actualizaciones de degradado . . . . . . . 13
2.3.2. Random Forest - RF . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.2.1. Criterio de convergencia . . . . . . . . . . . . . . . . . . . . 14
2.3.2.2. Fuerza y correlación . . . . . . . . . . . . . . . . . . . . . . 16
2.3.3. Redes Neuronales Artificiales - RNA . . . . . . . . . . . . . . . . . . . 17
2.4. Optimización de hiperparámetros . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5. Gray-Level Co-Occurrence Matrix - GLCM . . . . . . . . . . . . . . . . . . . . 21
2.6. Rational Unified Process - RUP . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.1. Fases del RUP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7. Sı́ntesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3. Determinación de nubes precipitables en Colombia 25
3.1. Zona de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2. Metodológia para la identificación de nubes precipitables y no precipitables . . 29
3.2.1. Entrenamiento de técnicas de detección . . . . . . . . . . . . . . . . . 29
3.2.2. Fuentes de información . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.3. Obtención de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . 30
V
ÍNDICE GENERAL
3.2.4. Cálculo de texturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.5. Entrenamiento de los clasificadores . . . . . . . . . . . . . . . . . . . 36
3.2.5.1. Random Forest (RF) . . . . . . . . . . . . . . . . . . . . . . 37
3.2.5.2. Máquinas de soporte Vectorial (SVM) . . . . . . . . . . . . . 38
3.2.5.3. Redes Neuronales Artificiales (RNA) . . . . . . . . . . . . . . 39
3.3. Desarrollo de la interfaz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.1. Requerimientos funcionales y no funcionales . . . . . . . . . . . . . . 40
3.3.2. Diagrama conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.3. Diagrama de clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.4. Interfaz gráfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4. Sı́ntesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4. Resultados y Discusión 48
4.1. Entrenamiento de los modelos de aprendizaje . . . . . . . . . . . . . . . . . . 48
4.1.1. Entrenamiento Random Forest . . . . . . . . . . . . . . . . . . . . . . 48
4.1.2. Entrenamiento SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.1.3. Entrenamiento MLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2. Comparación de los clasificadores . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3. Desarrollo de la interfaz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
VI
ÍNDICE GENERAL
4.3.1. Ventana principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3.2. Pruebas de integración . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3.2.1. Búsqueda y carga de imagen . . . . . . . . . . . . . . . . . . 60
4.3.2.2. Búsqueda y carga de shape . . . . . . . . . . . . . . . . . . 62
4.3.2.3. Carga y selección de clasificadores . . . . . . . . . . . . . . 62
4.3.2.4. Selección de capas . . . . . . . . . . . . . . . . . . . . . . . 65
4.3.2.5. Visualización . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3.2.6. Guardar clasificación . . . . . . . . . . . . . . . . . . . . . . 65
4.4. Sı́ntesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5. Conclusiones y trabajos futuros 70
5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
VII
Índice de figuras
2-1. Forma de escanear la superficie del sensor . . . . . . . . . . . . . . . . . . . 11
2-2. Proceso de entrenamiento y clasificación de RF . . . . . . . . . . . . . . . . . 17
2-3. Fases de RUP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3-1. Metodologı́a propuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3-2. Zona de estudio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3-3. Muestras de clase nubes no-precipitables . . . . . . . . . . . . . . . . . . . . 35
3-4. Ausencia de nubes desde la imagen satelital . . . . . . . . . . . . . . . . . . 35
3-5. Validación Cruzada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3-6. Diagrama conceptual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3-7. Diagrama de clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3-8. Ventana principal de la interfaz. . . . . . . . . . . . . . . . . . . . . . . . . . 44
3-9. Procedimiento para realizar el proceso de clasificar la imagen. . . . . . . . . . 46
VIII
ÍNDICE DE FIGURAS
4-1. N◦ . Árboles vs Precisión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4-2. Importancia de las caracterı́sticas. . . . . . . . . . . . . . . . . . . . . . . . . 50
4-3. Parámetro de regularización vs precisión para diferentes kernels. . . . . . . . 52
4-4. Precisión de validación determinada a partir del parametro de regularización
(C) y gamma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4-5. Boxplot optimizadores, función de activación, epocas vs Precisión . . . . . . . 54
4-6. Gráfico de barras número de neuronas capa oculta, dropout, función de pérdida
vs precisión de validación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4-7. Comparación máscaras de detección de nubes precipitables y no precipitables. 56
4-8. Modulos de la interfaz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5-1. Distribución de anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
IX
Índice de tablas
2.1. Géneros y especies de nubes . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Nivel de nubes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3. Bandas espectrales de GOES-16 . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4. Modos de operación ABI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5. Niveles de datos sensor ABI . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1. Bandas seleccionadas para el procesamiento . . . . . . . . . . . . . . . . . . 33
3.2. Medidas de texturas, abreviaturas y ecuaciones . . . . . . . . . . . . . . . . . 33
3.3. Requerimientos funcionales . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4. Requerimientos funcionales . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1. Prueba de integración: Busqueda y carga de la imagen . . . . . . . . . . . . . 61
4.2. Prueba de integración: Busqueda y carga del shape . . . . . . . . . . . . . . 63
4.3. Prueba de integración: Carga y seleccion de los clasificadores . . . . . . . . . 64
X
ÍNDICE DE TABLAS
4.4. Prueba de integración: Selección de capas a visualizar . . . . . . . . . . . . . 66
4.5. Prueba de integración: Visualización de la clasificación . . . . . . . . . . . . . 67
4.6. Prueba de integración: Guardar la clasificación . . . . . . . . . . . . . . . . . 68
XI
Acrónimos
ABI Advanced Baseline Imager.
CHIRPS Climate Hazards Group InfraRed Precipitation with Station data.
CI Convective Initiation.
CNN Convolutional Neural Network.
DT Decision Tree.
EXIS Extreme Ultraviolet X - Ray Irradiance Sensors.
FY-2 Satelite Fengyun.
GFS Sistema Global de Predicción.
GLCM Gray-Level Co-Occurrence Matrix.
GLM Geostationary Lightning Mapper.
GOES-16 Geostationary Operational Environmental Satellite - 16.
IDEAM Instituto de Hidrologı́a, Metereologı́a y Estudios Ambientales.
IR Infrarrojo.
XII
Acrónimos
ML Machine Learning.
MLC Maximum Likelihood Classification.
MLP Multilayer Perceptron.
NDVI Índice de Vegetación de Diferencia Normalizada.
NIR Infrarrojo Cercano.
OMM Organización Meteorológica Mundial.
RF Random Forest.
RMSE Raı́z del Error Cuadrátrico Medio.
RNA Redes Neuronales Artificiales.
RUP Proceso Unificado Racional.
SEISS Space Environmental In - Situ Suite.
SUVI Solar Ultraviolet Imager.
SVM Support Vector Machine.
TRMM Misión de Medición de Lluvias Tropicales.
UNGRD Unidad Nacional para la Gestión del Riesgo y Desastre.
VC Coeficiente de Variación.
VIS Visible.
WV Vapor de Agua.
XIII
Resumen
El Machine Learning es un conjunto de técnicas derivadas de la inteligencia artifi-
cial, cuyo objetivo es crear algoritmos automatizados a partir de patrones relacio-
nados con un fenómeno. Este trabajo realizó un estudio comparativo de 3 méto-
dos de aprendizaje para desarrollar una herramienta de clasificación de nubes
precipitables en Colombia. Entre los métodos seleccionados se implementaron
Random Forest, Máquinas de Soporte Vectorial y Redes Neuronales Artificiales.
Para este trabajo se contó con datos de precipitación de 52 estaciones meteo-
rológicas del IDEAM e imágenes del satélite GOES − 16 en en mismo intervalo
de tiempo, donde se reportaron presencia/ausencia de nubes (precipitables/no-
precipitables). Con la información satelital se tomaron 3 patrones de textura (va-
rianza, media y homogeneidad) en 7 de las 16 bandas: azul, rojo, infrarrojo cer-
cano, vapor de agua nivel bajo, medio y alto, e infrarrojo térmico.
Se realizó un análisis de sensibilidad de hiper-parámetros con el propósito de
seleccionar los mejores clasificadores entre los tres métodos. Los resultados ob-
tenidos con el 40 % del conjunto de datos, presentan desempeños de 99.87 %,
99.97 % y 100 % para Random Forest, Máquinas de Soporte Vectorial y Redes

Neuronales Artificiales respectivamente. Finalmente, este trabajo presenta una
interfaz de usuario, para hacer la selección del clasificador y cargar la imagen
multiespectral del GOES − 16. La interfaz permite exportar la máscara obtenida
para efectos de análisis en formato tif.
Palabras claves: Detección de nubes; nubes precipitables; Machine Learning,
RF, SVM, RNA.

Capı́tulo 1
Introducción
Las nubes son hidrometeoros en suspensión de partı́culas de agua, hielo, partı́culas no
acuosas o sólidas, que tienen un papel fundamental en el ciclo del agua y en la estructura
de la distribución global de los recursos hı́dricos (OMM, 2017), son uno de los principales
componentes de la precipitación y del sistema climático. Según Glickman y Zenk (2000) la
precipitación se define como la cantidad de partı́culas acuosas en fase lı́quida o sólida, que
se originan en la atmósfera y caen a la superficie en un área durante un periodo de tiempo
especı́fico; y dentro del sistema climático cumple funciones de regulador de temperatura a
través de la liberación de calor latente y de una fuente de agua potable (Michaelides y cols.,
2009).
El primer paso en la medición de la precipitación desde el espacio es la distinción entre
las masas nubosas precipitables y sus opuestas; por lo tanto, antes de estimar la cantidad de
lluvia que puede caer de una nube en particular, se debe asegurar que realmente posea esta
cualidad (Tsonis, 1988).
En Colombia, el Instituto de Hidrologı́a, Metereologı́a y Estudios Ambientales (IDEAM) uti-
liza modelos para pronosticar el clima con información de radares en tierra y estaciones me-
1
Introducción
teorológicas. En zonas llanas como la Amazonı́a y la Orinoquı́a las predicciones de estos
modelos tienen una mayor precisión, mientras que en la región Andina suelen ser inexactas
con diferencias hasta del 50 %, comparadas con las estaciones; estos errores son debidos a
las fuentes de información como el Sistema Global de Predicción (GFS), el modelo micro, la
Misión de Medición de Lluvias Tropicales (TRMM) y la mesoescala V5, que siendo productos
a nivel global cuentan con una baja resolución espacial de 5 a 25km 1 . Las nubes se encargan
del transporte del agua de la atmósfera a la superficie, por lo que la medición y predicción
de la precipitación son actividades de investigación con un alto impacto económico y social.
La detección y la clasificación de las nubes es esencial para realizar modelos numéricos de
predicción del clima, cálculo de vientos y para estimar de la precipitación. También permi-
te proporcionar información sobre tendencias meteorológicas, cambios ambientales, estudios
climáticos y pronósticos de tormentas. El Grupo de Riesgo Climático de la Universidad de Ca-
lifornia, sede Santa Barbara, se encarga de la generación y mantenimiento del producto de
precipitación Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS), que
consiste en la fusión de datos de precipitación de estaciones meteorológicas alrededor del
mundo con datos de precipitación satelital. Estos datos son obtenidos a partir del algoritmo
Cold Cloud Duration (duración de la nube frı́a) que consiste en la observación de las nubes
dentro de un umbral crı́tico donde éstas precipitan, pero para ello se debe tener en cuenta
que no todas son precipitables (Funk y cols., 2015). Lo anterior es importante para grupos
de investigación como la Unidad Nacional para la Gestión del Riesgo y Desastre (UNGRD),
el IDEAM, y el Ministerio de Medio Ambiente y Desarrollo Sostenible para llevar a cabo estu-
dios de sequı́as, inundaciones, fenómenos de remoción en masa y prevención de desastres.
En los análisis para el estudio y monitoreo de fenómenos ambientales, especı́ficamente
en los tipos y cantidad de nubes y precipitaciones, se hace uso de técnicas de nefoanáli-
sis que consisten en una interpretación visual de las mismas, (Pyszczek y Snaider, 2017;
1
Información disponible en: https://www.elespectador.com/noticias/medio-ambiente/por-que-s
e-equivocan-los-satelites-con-los-pronosticos-de-lluvias-en-colombia-articulo-750407
2
1.1 Objetivos
Rodrı́guez y cols., 2014). Estas técnicas requieren de la experiencia de una persona para di-
ferenciar las tonalidades de grises y reconocer los diferentes géneros de nubes. Es por ello
que para realizar la clasificación, se han desarrollado una variedad de métodos para la ca-
racterización de nubes a lo largo de los años como: la distinción de umbrales, la transferencia
radiativa y los métodos estadı́sticos, siendo estos últimos los más relevantes.
Dado lo anterior, el IDEAM asume que existe una relación directa entre la concentración
de nubes y la probabilidad de lluvia, por ello, los pronósticos terminan siendo imprecisos e
insuficientes. Bajo este escenario se quiere responder a la pregunta:
Dada las condiciones geográficas y meteorológicas de Colombia ¿es posible detectar y
clasificar nubes precipitables mediante sensores remotos?
1.1. Objetivos
Objetivo General
Desarrollar una herramienta para identificar y clasificar nubes precipitables en imágenes
satelitales meteorológicas que abarquen la región de Colombia.
Objetivos Especı́ficos
1. Caracterizar los tipos de nubes a través de sus componentes fı́sicos y su distribución
espacial.
2. Analizar los métodos de clasificación en imágenes satelitales meteorológicas.
3. Evaluar los métodos de clasificación empleados para la detección de nubes precipita-
bles.
3
1.2 Solución propuesta
1.2. Solución propuesta
Con los avances en el procesamiento de imágenes a través de Machine Learning (ML),
este trabajo plantea una solución capaz de cargar la información multi-espectral de imágenes
del Geostationary Operational Environmental Satellite - 16 (GOES-16) a través de una Inter-
faz Gráfica donde, a partir de la información espectral, se determine la probabilidad de que
el tipo de nube observable sea precipitable. La interfaz cuenta con módulos para la carga de
imágenes de la zona de estudio, los clasificadores diseñados con técnicas de ML, la visuali-
zación y por último, un módulo para almacenar el resultado obtenido.
Este trabajo toma como fuente de verificación de los resultados los datos reportados por
diversas estaciones meteorológicas distribuidas en el espacio geográfico de Colombia. A par-
tir de los registros en el tiempo entre el GOES-16 y las estaciones meteorológicas, se constru-
yen los patrones con caracterı́sticas que definen nubes precipitables, nubes no-precipitables
y cielo despejado. Este insumo junto con los algoritmos de ML como Random Forest (RF),
Support Vector Machine (SVM) y las Redes Neuronales Artificiales (RNA) tipo Feedforward,
lograron obtener resultados de 99.87 %, 99.97 % y 100 % respectivamente para los datos
utilizados en pruebas (es decir, aquellos no incluidos en el entrenamiento).
1.3. Organización del documento
A continuación se presenta el orden en el que esta estructurado el documento: En el
capı́tulo 2 se presenta la revisión bibliográfica realizada sobre los métodos de clasificación
empleados en imágenes satelitales, seguido del marco teórico que permite desarrollar es-
te trabajo. En el capitulo 3 se presenta la metodologı́a empleada para el desarrollo de este
proyecto, En el capitulo 4 se muestran los resultados obtenidos aplicando las técnicas men-
cionadas y en el 5 se encuentran las conclusiones.
4
Capı́tulo 2
Antecedentes y marco teórico
En este capı́tulo se presenta una revisión bibliográfica (Sección 2.1) de los métodos más
relevantes para la detección de nubes precipitables y las diferentes técnicas utilizadas en
percepción remota en los procesos de clasificación. Posteriormente, la Sección 2.2 presen-
ta, las definiciones de nubes, su clasificación y las especificaciones de la plataforma satelital
GOES-16 como las diferentes resoluciones que ésta posee, su proceso de adquisición de da-
tos y la forma de acceder a dichos datos. En las Sección 2.3 se explica los conceptos básicos
necesarios para el desarrollo de las técnicas de clasificación empleadas en esta investigación.
Posteriormente, se hace una presentación general de los mecanismos para la optimización de
hiper-parámetros para los diferentes algoritmos de clasificación (Sección 2.4). Para la defini-
ción del vector de caracterı́sticas que finalmente se convierte en el patrón de entrada se hace
uso de la Gray-Level Co-Occurrence Matrix (GLCM), la cual es presentada en la Sección 2.5.
Finalmente, en la Sección 2.6 se muestra el uso del Proceso Unificado Racional (RUP) como
elemento para la construcción de la interfaz de usuario.
5
2.1 Antecedentes
2.1. Antecedentes
Una nube es un hidrometeoro en suspensión en la atmósfera de partı́culas de agua lı́quida
y/o de hielo de diferentes dimensiones, que puede contener partı́culas no acuosas o partı́cu-
las sólidas como gases industriales, humo, polvo o cenizas volcánicas (Rochas, 1996). La
clasificación de éstas es esencial para realizar modelos numéricos de predicción del tiempo,
el cálculo de vientos, la estimación de precipitación, entre otros fenómenos meteorológicos
(Orun, 2000; Menzel, 2001; Szantai y cols., 2002; Manoj y cols., 2010) que se han venido
desarrollando desde el boom de la era de los satélites con el fin de comprender la dinámica
del clima de nuestro planeta.
Conforme avanzan las nuevas tecnologı́as y a medida que aumenta la capacidad de los
sistemas de observación planetaria, también aumentan las capacidades para monitorear y
pronosticar fenómenos meteorológicos a diferentes escalas. El procesamiento de datos sa-
telitales geoestacionarios, en tiempo casi real, es una forma óptima para evaluar el proceso
de Convective Initiation (CI) (Mecikalski y Bedka, 2006) generando una máscara de nubes ti-
po Cumulonimbus que, aparte de causar fuertes precipitaciones, son las causantes de las
tormentas eléctricas; para ello, se han utilizado técnicas de nefoanálisis (Rodrı́guez y cols.,
2014; Pyszczek y Snaider, 2017) que consisten en la interpretación visual de imágenes por
parte de un experto distinguiendo entre diferentes tonalidades de grises, hasta el uso de técni-
cas más avanzadas como aquellas basadas en aprendizaje automático (Cai y Wang, 2017;
Wohlfarth y cols., 2018; Jin y cols., 2019). Para la separación de coberturas se han imple-
mentado clasificadores paramétricos, como la Maximum Likelihood Classification (MLC), los
cuales brindan excelentes resultados cuando se trata de datos unidimensionales; sin embar-
go, tienen limitaciones al tratar con conjuntos de datos de entrada multidimensionales,como
se presenta en los estudios de percepción remota, porque asumen una distribución de datos
normal (Liu y cols., 2011).
6
2.1 Antecedentes
Las propiedades ópticas de las gotas de agua y las partı́culas de hielo que conforman
mayormente las nubes, generan una alta reflectividad en las imágenes en la región del es-
pectro visible, mientras que la reflectancia espectral empieza a disminuir a medida que au-
menta la longitud de onda (Bai, Li, Sun, Chen, y Li, 2016). Para una identificación correcta
de nubes precipitables es necesario utilizar otros tipos de información además de la espec-
tral y por ello se ha empleado información de texturas a partir de la GLCM (Arab y cols.,
2014; Taravat, Frate, y cols., 2015; Cheng y Yu, 2015; Bai y cols., 2016; Wang y cols., 2018;
Wu y Li, 2018) usando métodos de clasificación como: Decision Tree (DT), SVM, RF, y ar-
quitecturas de RNA como Convolutional Neural Network (CNN) y Multilayer Perceptron (MLP)
principalmente (Ramı́rez y Lizarazo, 2014; Taravat, Proud, y cols., 2015; Cai y Wang, 2017;
Wohlfarth y cols., 2018).
Bai y cols. (2016) emplean la información espectral de las bandas azul, verde, roja e
Infrarrojo Cercano (NIR) acompañado de caracterı́sticas de textura GLCM, seleccionando el
tamaño de la ventana a partir del Coeficiente de Variación (VC) y calculando el promedio
de la media, la varianza, la uniformidad, el contraste, la correlación y la entropı́a para las
direcciones 0◦ , 45◦, 90◦ , 135◦ con el fin de evitar la varianza rotacional. Además, emplean
el Índice de Vegetación de Diferencia Normalizada (NDVI) y un clasificador SVM en imáge-
nes de los satélites GF − 1 y GF − 2 con una detección de nubes superior al 91.45 %.
Wu y Li (2018) clasifican 3 clases de nubes en imágenes del Satelite Fengyun (FY-2) me-
diante SVM. Las entradas a este modelo corresponden al GLCM (contraste, correlación,
energı́a, homogeneidad y desviación estándar) y la transformada de Gabor. El modelo es
entrenado con 60 imágenes, además de 20 imágenes para la validación, la evaluación se
realizó mediante la matriz de confusión obteniendo una precisión del 93.33 %. Por otro lado,
Taravat, Proud, y cols. (2015) evalúan la detección de nubes en imágenes en tierra de vista
de cielo a partir de los métodos de clasificación SVM y MLP. Los hiper-parámetros fueron
optimizados por el método de búsqueda de cuadrı́cula (ver Sección 2.4). Este trabajo obtuvo
una precisión de 95.07 % y 93.66 % para MLP y SVM, respectivamente.
7
2.2 Marco teórico
2.2. Marco teórico
2.2.1. Nubes
Según la Organización Meteorológica Mundial (OMM) las nubes son hidrometeoros en
suspensión en la atmósfera de partı́culas de agua lı́quida y/o de hielo de diferentes dimen-
siones, (OMM, 2011, s.f.). Éstas se crean por la interacción de masas de aire cálido y frı́o
desplazadas por las corrientes de vientos, que contienen vapor de agua y cuando llegan
a la atmósfera alcanzan un punto de saturación, a partir de allı́, el nuevo vapor entrante a
la atmósfera forma gotas y cristales de hielo que posteriormente se unen formando nubes.
Las nubes tienen un papel decisivo en las predicciones y los avisos meteorológicos, ya que
contribuyen al ciclo del agua y a todo el sistema climático.
2.2.1.1. Clasificación
Las nubes se clasifican en 10 clases denominadas géneros, estas describen las carac-
terı́sticas principales de sus formas, además estas se subdividen en especies, que dependen
de la singularidad de su forma y de su estructura interna (Tapakis y Charalambides, 2013).
Hay variedades que definen las caracterı́sticas especiales de una nube como se observa en
la figura 2.1
Por otro lado, se distinguen regiones, divididas en tres niveles: nubes bajas, medias o
altas. Cada nivel está definido por un rango de altura que varı́a según la región del planeta
en la que se encuentren. Las regiones consideradas para la clasificación se observan en la
tabla 2.5
Los géneros de las nubes se suelen acomodar de acuerdo a la altura, en la que con mayor
frecuencia se encuentran sus bases en:
8
2.2 Marco teórico
Tabla 2.1: Géneros y especies de nubes
Género Especie Variedades

Cirrus (Ci) uncinus, fibratus, spissatus, intortus, radiatus, vertebratus
castellanus
Cirrocumulus (Cc) castellanus, floccus, lenticularis undulatus
Cirrostratus (Cs) nebulosus, fibratus -
Altostratus (As) - translucidus, opacus
. Altocumulus (Ac) castellanus, floccus, lenticularis translucidus, opacus, undulatus,
perlucidus
Stratus (St) fractus, nebulosus -
Stratocumulus (Sc) castellanus, lenticularis translucidus opacus
Nimbostratus (Ns) - -
Cumulus (Cu) fractus, humilis, mediocris, congestus -
Cumulonimbus (Cb) calvus, capillatus -
Fuente: adaptado de (Tapakis y Charalambides, 2013).
Tabla 2.2: Nivel de nubes
Nivel Región Polar Región Templada Región Tropical

Nubes altas 3 a 8 km 5 a 13 km 6 a 18 km
.
Nubes medias 2 a 4 km 2 a 7 km 2 a 8 km
Nubes bajas superficie a 2 km superficie a 2 km superficie a 2 km
Fuente: adaptado de (Tapakis y Charalambides, 2013).
Nubes bajas: cumulus, stratus, stratocumulus, cumulunimbus.
Nubes medias: altocumulus, altostratus y nimbostratus.
Nubes altas: cirrus, cirrustratus y cirrucumulus.
Nubes de desarrollo vertical : cumulunimbus.
2.2.2. Plataforma satelital
El GOES-16 tiene como principal objetivo estudiar las condiciones meteorológicas desde
la órbita geoestacionaria. El satélite posee seis instrumentos de medición entre ellos se en-
cuentra el Advanced Baseline Imager (ABI), que observa una porción del planeta en 16 ban-
das espectrales comprendidas entre el Visible (VIS) e Infrarrojo (IR). Además, para el estudio
9
2.2 Marco teórico
de las tormentas solares y el sol cuenta con el Space Environmental In - Situ Suite (SEISS),
el Extreme Ultraviolet X - Ray Irradiance Sensors (EXIS), el Solar Ultraviolet Imager (SUVI) y
un magnetómetro. Por último, para la observación de relámpagos en el planeta posee un
Geostationary Lightning Mapper (GLM) (ver Tabla 2.3).
Tabla 2.3: Bandas espectrales de GOES-16.
N. de Res. Longitud de onda Nombre

banda Espacial (µm)
(km)
01 1 0.47 Banda azul
02 0.5 0.64 Banda roja
03 1 0.86 Banda Veggie
04 2 1.37 Banda cirrus
05 1 1.60 Banda nieve/hielo
06 2 2.24 Banda tamaño de particulas de nube
07 2 3.90 Banda de ventana de onda corta
08 2 6.20 Banda Vapor de Agua (WV) de la
troposfera superior
09 2 6.90 Banda WV de la troposfera nivel medio
10 2 7.30 Banda WV de la troposfera de bajo nivel
11 2 8.40 Banda de fase de la cima de la nube
12 2 9.60 Banda de ozono
13 2 10.3 Banda de onda larga de IR limpio
14 2 11.2 Banda de onda larga de IR
15 2 12.3 Banda de onda larga de IR sucio
16 2 13.3 Banda de onda larga de CO2
Fuente: adaptado de (HARRIS, 2018).
GOES-16 observa continuamente los Estados Unidos, los océanos Pacı́fico y Atlántico,
Centro y Sudamérica y el sur de Canadá. Esta ubicado en la meridiano 75.2◦ W, orbitando
a 35.800 km sobre el ecuador terrestre a una velocidad igual a la rotación del planeta, es
por ello que conserva una posición fija de observación (geoestacionario). La disponibilidad
de datos depende de la escala que se requiere. En la Tabla 2.4 se presentan las escalas
disponibles de los productos y su resolución temporal.
El instrumento a utilizar de GOES-16 es el sensor ABI que incluye dos canales VIS, cuatro
canales NIR y diez canales de IR comprendidas entre los 0.45 − 13.3 µm.
10
2.2 Marco teórico
Tabla 2.4: Modos de operación ABI
Escala Extensión espacial Res. temporal

Disco completo Cobertura hemisférica de 83◦ del ángulo 10min
cenital local
Mesoescala Cobertura en un cuadro de 1000x1000 km 30s
CONUS Cobertura del rectángulo de 5000km (este 5min
/ oeste) y 3000km (norte / sur) sobre los
Estados Unidos continentales o el océano
Pacı́fico
Fuente: adaptado de (HARRIS, 2018).
ABI es un radiómetro de imágenes pasivas multicanal diseñado para observar el hemis-
ferio occidental y proporcionar imágenes de área variable e información radiométrica de la
superficie de la Tierra, la atmósfera y la cubierta de nubes. En la figura 2-1 se presenta la for-
ma en que el sensor escanea la superficie del planeta y obtiene las respuestas espectrales.
Figura 2-1: Forma de escanear la superficie del sensor

Fuente: adaptado de (NOAA y GOES-R, 2019).
Los datos del sensor ABI están disponibles en tres tipos de procesamiento diferente que
se presentan en la tabla 2.5, además es posible descargar el compilado completo a una
resolución espacial de 2 km o descargar cada banda en su resolución de origen1 .

1
Disponible en: https://noaa-goes16.s3.amazonaws.com o https://osdc.rcc.uchicago.edu
11
2.3 Métodos de clasificación
Tabla 2.5: Niveles de datos sensor ABI
Nivel Descripción
0 Datos del instrumento sin procesar a resolución completa.
1b Datos de nivel 0 con corrección radiométrica y geométrica
aplicada para producir parámetros en unidades fı́sicas.
2+ Variables ambientales derivadas con resolución espacial y
temporal comparable a nivel 1.
Fuente: adaptado de (NOAA y NASA, 2018).
2.3. Métodos de clasificación
2.3.1. Support Vector Machine - SVM
Es una técnica aplicada fundamentalmente al procesamiento de grandes cantidades de
información y consiste en encontrar un hiperplano en el espacio N-dimensional que clasifique
correctamente los conjuntos de datos. Para separar estos datos existen diferentes hiperpla-
nos, por lo que el objetivo es encontrar un plano que tenga un margen máximo, es decir, la dis-
tancia máxima entre los puntos de datos de cada clase, al maximizar la distancia del margen
se proporciona un nivel de confianza mayor para los datos futuros (Hastie, Tibshirani, y Friedman,
2009).
2.3.1.1. Hiperplanos
Los hiperplanos son lı́mites de decisión que ayudan a clasificar los datos que corres-
ponden a las diferentes clases. La dimensión del hiperplano depende del número de carac-
terı́sticas, por lo que, si la dimensión de los datos de entrada es 2, entonces el hiperplano
es solo una lı́nea; si es 3, entonces el hiperplano se convierte en un plano. En general si la
dimensión es n el hiperplano es n − 1. Ası́, los datos de entrenamiento consisten en N pares
(x1 , y1 ), (x2 , y2 ), ..., (xN , yN ), con xi ∈ Rn y yi ∈ { −1, 1}.
12
2.3.1.2. Función de costo y actualizaciones de degradado
Con esta función se busca maximizar el margen de separación entre los puntos que re-
presentan los datos y el hiperplano. Esta función de costo o pérdida esta dada por la ecuación
2.1.

 0 si y · f (x) ≥ 1
c(x, y, f (x)) = (2.1)
 1 − y · f (x) en otro caso
El costo es 0 si el valor predicho y el valor real son del mismo signo. Si no lo son, entonces
se calcula el valor de la pérdida. También se agrega un parámetro de orden a la función
de costo. El objetivo del parámetro de orden es equilibrar la maximización del margen y la
pérdida. Después de agregar el parámetro de orden, las funciones de costo serı́an:
minw λ|w|2 + ∑ 1 − yi (xi , w) (2.2)

i=1
Ahora que se tiene la función de pérdida, se toman derivadas parciales con respecto a los
pesos para encontrar los gradientes. Usando los gradientes, se puede actualizar los pesos.
δ
λ|w|2 = 2λwk (2.3)
δwk
Cuando no hay errores de clasificación, es decir, el modelo predice correctamente la clase
de punto de datos, basta con actualizar el gradiente desde el parámetro de orden:
w = w − α(2λw) (2.4)
Cuando hay una clasificación errónea, es decir, el modelo comete un error en la predicción
13
de la clase de punto de datos, se incluye la pérdida junto con el parámetro de orden para
realizar la actualización del gradiente.
w = w + α(yi ∗ xi − 2λw) (2.5)
2.3.2. Random Forest - RF
Un RF se expresa como un conjunto de clasificadores en forma de árbol o DT, donde
θk es el vector aleatorio del k-ésimo árbol, independiente de los últimos vectores aleatorios
θ1 , . . . , θk−1 . En la etapa de entrenamiento, el algoritmo intenta optimizar los parámetros de
las funciones de split a partir de las muestras de entrenamiento:
θ∗k = arg máx I j (2.6)

θ j∈τ j
Para ello se utiliza la siguiente función de ganancia de información:
|Sij |
∑ H Sij

I j = H ( j) − (2.7)
i∈1,2 |S j |
Donde S representa el conjunto de muestras que hay en el nodo por dividir, Si son los dos
conjuntos que se crean de la división, la función mide la entropı́a del conjunto donde su
respuesta se obtiene a partir del resultado de una votación no ponderada de los distintos
árboles (Breiman, 2001).
2.3.2.1. Criterio de convergencia
Dado un conjunto de clasificadores h1 (x), h2 (x), ..., hk (x) y con el conjunto de entrena-
miento extraı́do al azar de la distribución del vector aleatorio X ,Y . Se define la función de
14
margen como:
∑K
K
k=1 I(hk (X ) = Y ) ∑k=1 I(hk (X ) = j)
mg(X ,Y ) = − max j6=Y (2.8)
K K
Donde, I es la función indicador.
Nota:
Si mg(X ,Y ) > 0, entonces el conjunto de clasificadores vota por la clasificación correcta.
Si mg(X ,Y ) < 0, entonces entonces el conjunto de clasificadores vota por la clasificación
incorrecta
El margen mide la seguridad con la que el conjunto acierta o se equivoca en su predicción
ya que es la diferencia entre la proporción de árboles que aciertan y los que se equivocan.
Cuanto mayor sea el margen, mayor será el grado de confianza en la clasificación. El error de
generalización esta dado por:
PE ∗ = PX,Y (mg(X ,Y ) < 0) (2.9)
Donde los subı́ndices X ,Y indican que probabilidad está sobre el espacio X ,Y . En RF,
hk (X ) = h(X , θk ) A medida que el número de árboles aumenta, PE ∗ tiende a converger a:

PX,Y Pθ (h(X , θ) = Y ) − máx (Pθ (h(X , θ) = j < 0)) (2.10)
j6=Y
Estimaciones internas supervisan el error, la fuerza y la correlación. Estos se utilizan para
mostrar la respuesta al aumento del número de caracterı́sticas utilizadas en la división y
estimar la importancia de cada variable que alimenta el modelo.
15
2.3.2.2. Fuerza y correlación
Para evitar que muchos árboles tengan los mismos criterios de clasificación se inyecta
aleatoriedad esperando maximizar la independencia de los árboles con una precisión razo-
nable (Hidalgo, 2014). Ası́, la fuerza del conjunto se define como:
s = EX,Y mg(X ,Y ) (2.11)
Donde mr(X ,Y ) es la función de margen; en el caso de dos clases que se expresa como:
mr(X ,Y ) = Eθ [c(X , θ) = Y ] − Eθ [c(X , θ) 6= Y ] = 2 ∗ Eθ [c(X , θ) = Y ] − 1 (2.12)
Donde Eθ [c(X , θ) = Y ] es el lı́mite de la proporción de árboles ct que, dado un patrón x, lo
clasifican correctamente (al aumentar T ):
1 T
∑ I(ct (x, θt ) = y) −→ Eθ[c(x, θ) = y]
T t=1
(2.13)
De esta forma, tal como lo presenta Medina y Ñique (2017), el margen es un valor definido
en el intervalo [−1, +1], siendo positivo cuando el ejemplo se ha clasificado correctamente y
negativo en caso contrario. La razón de un clasificador se define como:
c ρ̄
2
= 2 (2.14)
s s
Donde c es la correlación del conjunto, entre menor sea c y mayor sea s la independencia
entre los distintos árboles del conjunto será mayor. La correlación de los árboles dentro del
conjunto se mide de la siguiente forma:
ρ̄ = Eθ,θ′ [ρ(c(·, θ), c(·, θ′))] (2.15)
16
ρ corresponde al coeficiente de correlación entre dos variables aleatorias y (θ, θ′ ) son inde-
pendientes con la misma distribución. En la figura 2-2 se presenta una representación gráfica
del entrenamiento y clasificación del un RF.
Figura 2-2: Proceso de entrenamiento y clasificación de RF: a) fase de entrenamiento, b) fase de

clasificación.
Fuente: adaptado de (Belgiu y Drăguţ, 2016).
2.3.3. Redes Neuronales Artificiales - RNA
Según (Caicedo y López, 2009) las redes neuronales artificiales son un modelo matemáti-
co que simula el funcionamiento de una neurona biológica que depende de unos datos ini-
ciales para generar un proceso de aprendizaje adaptativo. El aprendizaje podrı́a en una RNA
17
tener la capacidad de resolver problemas complejos como procesamiento de señales, reco-
nocimiento de patrones, reconocimiento facial, clasificación de imágenes, entre otros.
Las redes neuronales tipo Feed-Foward han sido utilizadas para resolver problemas de
identificación o clasificación (Olabe, 2008; Taravat, Frate, y cols., 2015). Este tipo de RNA esta
compuesta principalmente de 3 secciones o capas: una capa de entrada, una capa oculta y
otra de salida. Estas capas se componen de neuronas que están interconectadas en una
relación 1 : n con la capa siguiente, donde la información fluye en un único sentido desde la
entrada hasta llegar a la salida. Toda red neuronal inicia usando sus pesos sinápticos w y
umbrales θ (bias) de manera aleatoria, donde se presenta un vector de entrada x p :
x p = [x p1 , x p2 , ..., x pi, ..., x pN , ]T (2.16)
Ası́ se calcula la salida lineal de la red neuronal para la capa oculta, dando como resultado la
salida:
N
zhpk = ∑ whji xopi + θhj (2.17)
i
Posteriormente, se calcula la salida de la capa oculta, resultado de las funciones de activación
f (·), las cuales podrı́an ser tangente hiperbólica, sigmoide, u otras variaciones.
ahp j = f jh (zhp j ) (2.18)
Después de calcular las salidas de la capa oculta, se debe calcular los valores netos de la
entrada para la capa de salida:

L
zopk = ∑ wok aop j + θok (2.19)
j=1
Posteriormente se calcula las salidas de la red:
aopk = fko (zopk ) (2.20)
18
2.4 Optimización de hiperparámetros
Con ello se calcula los términos de error para las unidades de salida.
′
δopk = (d pk − yopk ) fko (aopk ) (2.21)
La ecuación se utiliza para actualizar los pesos sinápticos de las redes neuronales en
un procedimiento conocido como propagación hacia atrás. Los algoritmos de optimización
son diversos, pero su gran mayorı́a buscan encontrar un buen factor de aprendizaje tal que
garanticen una rápida convergencia que minimice la función de costo, que para este caso en
particular serı́a el error cuadrático medio:
1 P M
Ep = ∑ ∑ (d pk − y pk )2
2 p=1
(2.22)
k=1
2.4. Optimización de hiperparámetros
El rendimiento de un algoritmo puede depender en gran medida de la elección de los hi-
perparámetros,estos son parámetros ajustables que se eligen para entrenar un modelo y que
rigen el propio proceso de entrenamiento. Por ejemplo, para entrenar un RF se debe decidir
el número de variables muestreadas aleatoriamente como candidatos en cada división (mtry)
y el número de árboles que componen el RF (ntree). El objetivo de la optimización del hiper-
parámetro en el aprendizaje automático es encontrar los hiperparámetros de un determinado
algoritmo de aprendizaje automático que permita el mejor rendimiento medido en un conjunto
de validación (Koehrsen, 2018b).
La optimización de los hiperparámetros se representa en forma de ecuación como:
x∗ = argmin f (x) (2.23)
19
2.4 Optimización de hiperparámetros
Donde, f (x) representa una puntuación objetiva para minimizar, como una tasa de error o la
Raı́z del Error Cuadrátrico Medio (RMSE), evaluada sobre el conjunto de validación; x∗ es el
conjunto de hiperparámetros que produce el valor más bajo de la puntuación y x puede tomar
cualquier valor del dominio X (x ∈ X ). Dentro de las técnicas de optimización se encuentran:
Búsqueda de cuadricula: Consiste en una búsqueda exhaustiva a través de un subconjunto
de hiperparámetros especificados manualmente, que comienza a iterar en el espacio
definido y evalua alguna métrica para conocer el rendimiento del modelo; este método
no tiene en cuenta el resultado de validación anterior.
Búsqueda aleatoria:Similar al anterior se define un conjunto de hiperparámetros a opti-
mizar, de este se selecciona un subconjunto de ellos aleatoriamente y se evalúa el
rendimiento, luego se realiza una nueva selección aleatoria y se evalúa.
Optimización bayesiana: El concepto es limitar las evaluaciones de la función objetivo me-
diante la selección de los siguientes valores de entrada en función de los que han
funcionado bien en el pasado. En el caso de la optimización del hiperparámetro, la
función objetivo es el error de validación de un modelo de aprendizaje automático
utilizando un conjunto de hiperparámetros. El objetivo es encontrar los hiperparáme-
tros que producen el error más bajo en el conjunto de validación con la esperanza
de que estos resultados se generalicen al conjunto de prueba. Idealmente, el método
busca explorar el espacio de los hiperparámetros y al mismo tiempo, limitar las eva-
luaciones de las opciones deficientes; es decir, el ajuste bayesiano del hiperparáme-
tro utiliza un modelo de probabilidad actualizado continuamente para “concentrarse”
en los hiperparámetros prometedores al tener en cuenta los resultados anteriores.
(Dewancker, McCourt, y Clark, 2015). Las cinco partes del problema son:
Un dominio de hiperpárametros para buscar la mejor configuración posible.
Una función objetivo que entrega los hiperpárametros que la minimizan.
20
2.5 Gray-Level Co-Occurrence Matrix - GLCM
El modelo sustituto de la función objetivo.
Una función de selección para evaluar los hiperpámetros para el modelo sustituto.
Historial de resultados que almacena las evaluaciones para actualizar el modelo
sustituto.
2.5. Gray-Level Co-Occurrence Matrix - GLCM
Haralick, Shanmugam, y Dinstein (1973) publicaron un trabajo que ha tenido un gran im-
pacto en el análisis de imágenes, porque permite cuantificar las caracterı́sticas texturales
presentes en una imagen. Al método lo denominaron GLCM, lo aplicaron con el objetivo de
discriminar distintos tipos de terreno en imágenes satelitales. Esta es una matriz de frecuen-
cias con la que un pı́xel con un nivel de gris (i) aparece en una relación de espacio especı́fica
con otro pı́xel de nivel de gris (j). Las matrices de concurrencia son medidas de segundo
orden porque consideran parejas de pı́xeles vecinos, separados una distancia d y en un de-
terminado ángulo. Por tanto, las matrices de coocurrencia pueden revelar ciertas propiedades
sobre la distribución espacial de los grises en la textura de la imagen.
Matemáticamente, se puede definir el GLCM como:

n m 1, if I(p, q) = i and I(p + dx, q + dy) = j

P(dx,dy) P(i, j) = ∑ ∑ (2.24)
p=1 q=1 0, otherwise
Donde, P(dx,dy) P(i, j) es una matriz cuadrada, que representa la frecuencias relativas con las
que dos pixeles están separados por una distancia d = (dx, dy) en la imagen I, el primero
con tono gris i y el segundo pı́xel con tono gris j (Salhi y cols., 2018). Las caracterı́sticas
texturales para este trabajo son:
21
2.6 Rational Unified Process - RUP
Contraste
N−1 N−1
Contrast = ∑ ∑ (i − j)2G(i, j) (2.25)
i=0 j=0
Correlación
N−1 N−1
(G(i, j)(i × j) − (µx × µy ))
Correlation = ∑ ∑ σx σy
(2.26)
i=0 j=0
Energı́a
N−1 N−1
Energy = ∑ ∑ G(i, j)2 (2.27)
i=0 j=0
Entropı́a
N−1 N−1
Entropy = − ∑ ∑ G(i, j) loge(G(i, j)) (2.28)
i=0 j=0
Homogeneidad
N−1 N−1
G(i, j)
Homogeneity = ∑ ∑ 1+| i− j |
(2.29)
i=0 j=0
Media
Media = µi = ∑ i j = 0N−1 (Pi j )µ j = sumi j = 0N−1 (Pi j) (2.30)
Varianza
N−1 N−1 q q
Varianza = σ2 = ∑ Pi j (i − µi )2 ; σ2 = ∑ Pi j ( j − µ j )2 σi = σ2i ; σ j = σ2j (2.31)
i j=0 i j=0
2.6. Rational Unified Process - RUP
RUP es un marco de procesos integrales que proporciona prácticas probadas en la in-
dustria para la implementación de software y sistemas, y para la gestión eficaz de proyectos
(Reyes-Delgado y cols., 2016). Además, proporciona un enfoque disciplinado para asignar
tareas y responsabilidades dentro de una organización de desarrollo. Su objetivo es garanti-
22
2.7 Sı́ntesis
zar la producción de software de alta calidad que satisfaga las necesidades de sus usuarios
finales (Kruchten, 2004).
2.6.1. Fases del RUP
La metodologı́a RUP divide el proceso de desarrollo en 4 fases (figura 2-3). En la fase de
iniciación se encamina hacia el planteamiento del problema, la delimitación del alcance de
proyecto y al establecimiento del punto de partida. El propósito de la fase de elaboración es
seleccionar los casos de usos que definen la arquitectura base del sistema y dan una solución
preliminar. En fase de construcción se completa la funcionalidad del sistema para que en la
fase de transición se asegure que el proyecto está libre de errores y listo para usuario final.
Figura 2-3: Fases de RUP.
2.7. Sı́ntesis
Este capı́tulo aborda los principales conceptos que definen los componentes de la meto-
dologı́a. Cada uno de los conceptos presentados, serán un insumo importante en la obtención
23
2.7 Sı́ntesis
tanto de los clasificadores, de la forma de seleccionarlos, ası́ como la manera de seleccionar
el conjunto de caracterı́sticas que representarán cada patrón. Finalmente, se especı́fica la
construcción de la Interfaz de Usuario a través del marco RUP.
24
Capı́tulo 3
Determinación de nubes precipitables en
Colombia
En este capı́tulo se describe la zona de estudio y la metodologı́a propuesta para llevar a
cabo el desarrollo de una herramienta para la identificación y clasificación de nubes precipita-
bles, orientado a cumplir los objetivos propuestos en este trabajo. En el diagrama de la figura
3-1 se observa la metodologı́a propuesta.
25
Determinación de nubes precipitables en Colombia
Figura 3-1: Metodologı́a propuesta
26
3.1 Zona de estudio
La metodologı́a se desarrolla en dos partes principales: la primera consiste en el entrena-
miento de los modelos ML (3.2.1) en esta se obtienen las dos datos tanto de entrenamiento
como de validación que serán usado en las diferentes técnicas de ML, La segunda parte con-
siste en la implementación de la herramienta para poder visualizar y elegir los métodos de
clasificación, esta consiste en la explicación detallada de cada módulo presente en la interfaz
gráfica de usuario para la que se utilizó el programa Qt5 y un lenguaje de programación en
Python (3.3)
3.1. Zona de estudio
Colombia (ver Fig. 3-2) se localiza al noroeste del continente de América del Sur, este
recibe la influencia de la circulación atmosférica de la cuenca Amazónica, además del Mar
Caribe y Óceano Pacı́fico (Guzmán, Ruiz, y Cadena, 2014). Debido a sus diferentes relieves,
ecosistemas y biodiversidad, cuenta con un comportamiento climático variable dependiendo
de la región en la que se encuentre. Sus cadenas montañosas son producto de la actividad
sı́smica en la zona de convergencia de las placas tectónicas, perteneciendo ası́ al cinturón
de fuego del Pacı́fico.
27
3.1 Zona de estudio
Figura 3-2: Zona de estudio.
El clima del paı́s es generado a partir de aspectos geográficos y atmosféricos como la
cantidad de radiación solar, la orografı́a, la humedad atmosférica, entre otros, con temperatu-
ras desde bajo cero en las cumbres de las montañas de las diferetenes coordilleras y climas
calidos desde 35◦ en las costa, además de microclimas, como por ejemplo la Sierra Nevada
de Santa Marta (Pabón y cols., 2001).
28
3.2 Metodológia para la identificación de nubes precipitables y no precipitables
3.2. Metodológia para la identificación de nubes precipita-
bles y no precipitables
3.2.1. Entrenamiento de técnicas de detección
El proceso de entrenamiento se realizó en 3 fases: la primera (3.2.2) consta de la obten-
ción de una base de registros de eventos de precipitación que posteriormente son usados
para descargar las imágenes. En la fase 2 (3.2.3), se procesaron las imágenes obtenidas
anteriormente, este procesamiento consistió en la obtención de las caracterı́sticas de textu-
ras que son usados para crear una base de datos de entrenamiento. En la fase final (3.2.4)
se entrenan los modelos y se emplea la optimización de hiperparámetros para obtener los
mejores resultados de clasificación.
3.2.2. Fuentes de información
Para el desarrollo del proyecto es necesario contar con algunas fuentes de información
como lo es una base de registros de eventos de precipitación obtenidos a partir de estaciones
meteorológicas del IDEAM 1 . Se seleccionaron 52 estaciones que permiten representar las
17 regiones de precipitación descritas en (Guzmán y cols., 2014). Se eligieron 2 tipos de es-

taciones, climatológica ordinaria: que poseen un pluviómetro, pluviógrafo y psicrómetro para
medir precipitación y humedad relativa; estaciones climatológicas principales: que son aque-
llas en la cual se hacen observaciones de visibilidad, tiempo atmosférico presente, cantidad,
tipo y altura de las nubes, estado del suelo, precipitación, temperatura del aire, humedad,
viento, radiación, solar, brillo solar, evaporación y fenómenos espaciales.
El segundo insumo son las imágenes satelitales del GOES-16 que se encuentran alma-
1
Información encontrada en http://dhime.ideam.gov.co/atencionciudadano/
29
cenadas en AWS 1 , estas son de acceso público.
3.2.3. Obtención de imágenes
Debido al volumen de información y los diferentes requerimientos del proyecto, todo se
hizo con métodos automatizados en los lenguajes de programación Python y R, además,
para la visualización de datos espaciales se empleó Qgis.
Para la extracción de las caracterı́sticas inicialmente se procede a recolectar una base
de registros de precipitación. Las estaciones automáticas poseen un producto con reportes
cada 10 min, donde se tomaron registros entre el periodo comprendido del 3 de abril de 2019
hasta el 19 de diciembre del mismo año; esta fecha de inicio fue escogida conforme al satélite
GOES-16, ya que cambió su modo de escaneo de modo 3 a modo 6, permitiendo obtener
imágenes del disco completo cada 10 minutos (NOAA y GOES-R, 2019). Por lo tanto, se ob-
tuvieron los registros de precipitación de las 52 estaciones seleccionadas con una resolución
temporal de 10 minutos durante el periodo de tiempo descrito anteriormente. Teniendo estos
datos a disposición se filtraron los registros inferiores a 1mm con el fin de eliminar posibles
registros con ruido o anomalı́as de las estaciones. La base de datos de los registros me-
teorológicos de las estaciones cuentan con nombre de la estación, su ubicación geográfica
(latitud, longitud) y la cantidad medida.
Para la descarga de imágenes se emplea la biblioteca boto3 de Python que permite
crear, configurar y acceder a servicios de AWS. Conociendo las fechas y horas de los regis-
tros recolectados anteriormente, se descargan las imágenes correspondientes. Para ello el
nombre de los productos del GOES-16 están estandarizados como se explica a continuación:
OR ABI-Lxx-CMIPF-MxCxx G16
1
Información obtenida de: http://home.chpc.utah.edu/˜u0553130/Brian Blaylock/cgi-bin/gene
ric AWS download.cgi?DATASET=noaa-goes16
30
sYYYYJJJHHMMSSs eYYYYJJJHHMMSSs cYYYYJJJHHMMSSs.nc
El nombre de los archivos esta dado bajo este formato donde todos los productos inician
con OR que significa Sistema operativo de datos en tiempo Real, además:
ABI: es el nombre del sensor

Lxx: es el nivel de procesamiento de los datos, datos L1b o L2
CMIP: nombre del producto
F: cobertura de la imagen
Mx: modo escaneo (ejemplo: M3, M4).
Cxx: número de la banda espectral (ejemplo: 02, 13).
G16: identificación del satélite
s: es el inicio del tiempo de escaneo
e: final de la observación
c: tiempo de creación del archivo netCDF4
formato de fecha especificado ası́:
YYYY - Año de 4 dı́gitos
JJJ - Dı́a del año de 3 dı́gitos
YYYYJJJHHMMSSs: HH - Hora de 2 dı́gitos
MM - Minuto de 2 dı́gitos
SS - Segundo de 2 dı́gitos
s - 1 dı́gito décimo de segundo
.nc: formato de la imagen
El tiempo está dado en U TC − 0; sin embargo, para nuestro caso el nombre se configura
de la siguiente manera:
OR ABI-L2-MCMIPF-M6 G16 s20192681700237 e20192681709545 c20192681710062.nc
Se usa el sensor ABI, con datos de procesamiento L2, además se emplea el producto
MCMIP que consiste en un compilado de las 16 bandas a una resolución espacial de 2 km,
este producto consiste de datos procesados a nivel de parámetros fı́sicos. Las bandas ABI
1 a 6, indican la cantidad de factor de reflectancia adimensional que es normalizada por el

ángulo cenital solar. Estas bandas apoyan la caracterización de nubes, vegetación, nieve/hielo
y aerosoles. El valor de las imágenes para las bandas emisivas, bandas ABI 7 a 16, es la
31
temperatura de brillo en la parte superior de la atmósfera (TOA) en Kelvin. Estas bandas
apoyan la caracterización de la superficie, las nubes, el vapor de agua, el ozono, las cenizas
volcánicas y el polvo en función de las propiedades emisivas. Además, el modo de escaneo
6 con resolución temporal de 10 minutos, del satélite G16, donde, a partir de los registros de
precipitación, se configura el inicio de escaneo en el que se transforma del formato mes/año
a dı́a del año. Esto requiere que se configure el tiempo a U TC − 5 para que coincida con
los registros. Con todas estas rutinas desarrolladas se realizan las peticiones al servidor y se
procede a descargar las imágenes para un total de 2.916.
3.2.4. Cálculo de texturas
Teniendo las imágenes ya disponibles de forma local se procederá a extraer las bandas
necesarias y almacenarlas en formato tif con un sistema de referencia EPSG : 4326, para
manipular los datos de manera sencilla. De las 16 bandas que nos proporciona este sensor
se seleccionaron 7 bandas espectrales que se describen en la tabla 3.1. La selección de
éstas se basó en las consultas bibliográficas como (Chen y cols., 1989; Tian y cols., 1999;
Berendes y cols., 2008; Taravat, Proud, y cols., 2015; Nurtanio y cols., 2019). Estas imáge-
nes son recortadas al cuadro de coordenada (−81.72W, −66.87W, −4.24S, 12.59N ) que co-
rresponde a la zona de estudio (Sección 3.1).
Con las imágenes ya depuradas se procede a calcular las texturas. Se aplica una conexión
Python-R donde se envı́an las imágenes desde Python para que se realice el respectivo
cálculo de las texturas en R. Las ecuaciones de las texturas se presentan en la tabla 3.2.
32
Tabla 3.1: Bandas seleccionadas para el procesamiento
Banda Longitud de onda Principal uso

Azul 0.47 Aerosol diurno sobre tierrra, mapeo de aguas
costeras
Rojo 0.86 vegetación diurna, cicatriz de quemaduras, aerosol
sobre agua y vientos
Infrarrojo cercano 3.9 superficie y nube, niebla en la noche, fuego, vientos
WV Low 7.30 nivel inferior de vapor de agua, vientos y SO2
WV Medium 6.90 vapor de agua atmosférico de nivel medio, vientos,
lluvia
WV high 6.20 vapor de agua atmosférico de alto nivel, vientos, lluvia
Banda de onda larga 10.3 superficie y nube
de IR limpio
Tabla 3.2: Medidas de texturas, abreviaturas y ecuaciones
Abrev. Nombre Fórmula Abrev. Nombre Fórmula
Hom Homogeneidad Ent Entropia
N−1 N−1
∑ Pi j /1 + (i − j)2 ∑ Pi j (−lnPi j )
i j=0 i j=0
Con Contraste Asm Segundo

N−1 N−1
2
∑ Pi j (i − j) momento ∑ Pi2j
i j=0 i j=0
angular
Mean GLCM media Dis Disimilitud
N−1 N−1 N−1

µi = ∑ (Pi j )µ j = ∑ (Pi j ) ∑ Pi j |i − j|
i j=0 i j=0 i j=0
Abrev. Nombre Fórmula
Var Variación de
N−1 N−1 q q
GLCM σ2 = ∑ Pi j (i − µi)2 ; σ2 = ∑ Pi j ( j − µ j )2 σi = σ2i ; σ j = σ2j
i j=0 i j=0
Cor Correlacion " #

N−1
r
∑ Pi j σ2i σ2j

GLCM (i − µi) (i − µ j ) /
i j=0
33
En el análisis de información espacial, los patrones de textura de las coberturas pueden
ser usados para técnicas de clasificación. La GLCM y los cálculos de caracterı́sticas de textura
asociados son técnicas de análisis de imágenes. Dada una imagen compuesta de pı́xeles
cada uno con una intensidad (un nivel de gris especı́fico), la GLCM tabula la frecuencia con la
que coexisten diferentes combinaciones de niveles de gris en a una distancia en pı́xeles y una
dirección en una imagen. Los cálculos de las caracterı́sticas de textura usan el contenido del
GLCM para medir la variación en la intensidad (también conocida como textura de la imagen)
en el pı́xel de interés.
Las caracterı́sticas usadas para este estudio fueron: la homogeneidad, la media y varian-
za. Estas texturas fueron seleccionadas basados en las propuestas de diferentes autores ya
mencionados, en la observación manual que se hizo de cada patrón de textura y en la re-
presentatividad que tenı́a en el fenómeno estudiado, que para este caso es la detección de
nubes precipitables. Debido a la resolución espacial de las imágenes se decidió calcular las
texturas a una distancia de una vecindad, es decir para conformar una ventana de cálculo de
3 × 3 y rotación invariante obtenida a partir de la combinación de calcular las texturas para 8

direcciones (0◦ , 45◦ , 90◦ , 135◦, 180◦ , 225◦ , 270◦, 315◦ ).
Una vez calculada las texturas para todas las imágenes se extraen los datos de entre-
namiento, para ello se cuenta con los registros de precipitación y las coordenadas de cada
estación, además con la resolución temporal de ambas fuentes de información, ellas se su-
perponen para determinar si hubo o no precipitación en caso que el pı́xel muestre la presencia
de nube. Con lo anterior, se cuenta con una base de datos de entrenamiento que cuenta con
21 caracterı́sticas y 52 registros de precipitación, con ello se tienen los datos de entrenamien-

to para la clase nube precipitable. Para la clase nube no-precipitable y cielo despejado o suelo
desnudo, se realiza una selección manual como se observa en las figuras 3-3 y 3-4 en las
que se enmascaran pequeñas regiones que permiten representar las diferentes clases.
Finalmente la base de datos de entrenamiento cuenta con 42.000 registros, cada clase
34
Figura 3-3: Muestras de clase nubes no-precipitables
Figura 3-4: Ausencia de nubes desde la imagen satelital
35
de 14.000 con el fin de tener una base de entrenamiento balanceada.
3.2.5. Entrenamiento de los clasificadores
El proceso de entrenamiento de cada uno de los modelos de aprendizaje seleccionados,
consistió en la sintonización de los hiperparámetros. Scikit-Learn implementa un conjunto de
hiperparámetros predeterminados razonables para todos los modelos, pero no se garantiza
que sean óptimos para un problema. El ajuste del hiperparámetro depende tanto de la teorı́a
como de los resultados experimentales, por lo tanto, el mejor método para determinar la
configuración óptima es probar muchas combinaciones diferentes para evaluar el rendimiento
de cada modelo. Con el fin de obtener modelos con buenos desempeños y una capacidad de
generalización evitando el sobre-ajuste se emplea una optimización de hiperparámetros con
validación cruzada.
La validación cruzada consiste en dividir los datos de entrenamiento en un número de
subconjuntos denominados pliegues, Luego se ajusta iterativamente el modelo K veces. Cada
vez se entrena con K − 1 de los pliegues y se evalua un pliegue en la validación. Como
ejemplo, considere ajustar un modelo con K = 5. La primera iteración que entrenamos en los
primeros cuatro pliegues y evaluamos en el quinto. La segunda vez se entrena en el primero,
segundo, tercero y quinto y se evalua en el cuarto. Se repite este procedimiento 3 veces más,
evaluando cada vez en un pliegue diferente. Al final, se promedia el rendimiento en cada uno
de los pliegues para obtener métricas de validación del modelo de la figura 3-5.
Para el ajuste de hiperparámetros, se realizan varias iteraciones, cada vez que se agrega
alguna configuración especı́fica del modelo. Estos modelos son comparados para seleccionar
el mejor. Ası́, identificando un modelo, se realiza el proceso de validación cruzada (Koehrsen,
2018a); es decir, para cada modelo de aprendizaje primero se realiza una optimización alea-
toria con el fin de explorar un mayor rango de combinaciones del espacio de hiperparámetros.
36
Figura 3-5: Validación cruzada.

Fuente: adaptado de (Koehrsen, 2018a)
Basado en los mejores resultados de esta optimización se procede a realizar un refinamiento
de espacios por cuadrı́cula, con el fin de encontrar las regiones más efectivas.
3.2.5.1. Random Forest (RF)
Este método se entiende por un grupo de clasificadores basados en arboles de decisión,
el cual se construye a partir de un vector aleatorio y el resultado se obtiene mediante votación
no ponderada (Breiman, 2001). Los hiperparámetros más importantes son la cantidad de
árboles (nestimators ) y la cantidad de caracterı́sticas consideradas para la división en cada
nodo (max f eatures).
Para este método en la optimización aleatoria se configuran los hiperparámetros:
nestimadores= número de árboles en el bosque, este se define en un rango desde 50

a 2000 cada 50 arboles.
max f eatures= número máximo de caracterı́sticas consideradas para dividir un nodo,

hay dos opciones que se puede definirse ya sea automático o sqrt 1 .
maxdepth= número máximo de niveles en cada árbol de decisión, rango (10, 110, 10)
1
https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestCla
ssifier.html
37
minsamples split = número mı́nimo de puntos de datos colocados en un nodo antes de

que el nodo se divida [2, 5, 10]
minsamples lea f = número mı́nimo de puntos de datos permitidos en un nodo [1, 2, 4]
bootstrap= método para muestrear puntos de datos (con o sin reemplazo) [True, False]
Posteriormente se realiza la optimización bayesiana usando los resultados obtenidos de
la optimización aleatoria.
3.2.5.2. Máquinas de soporte Vectorial (SVM)
Las SVM es una técnica que caracteriza la superficie de dos clases de distintos puntos de
entrada, esta está dada por los vectores de soporte que son capaces de crear una frontera
de decisión alrededor de los datos de aprendizaje, estos datos son mapeados por medio
de diferentes kernels. Este método busca la máxima separación entre las clases mediante
la creación de hiperplanos. Para el entrenamiento de este algoritmo se tuvo en cuenta los
diferentes tipos de kernelsestos fueron:
I Lineal
II Polinomial
III Sigmoide
IV RBF
Los parámetros que se configuran en la optimización aleatoria son:
C = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1, 10, 100, 1000]
38
kernel = [′ linear′ ,′ rb f ′ ,′ poly′ ,′ sigmoid ′]
gamma = [1, 0.1, 0.01, 0.001, 0.0001]
poly degree = [3, 4, 5, 6]
3.2.5.3. Redes Neuronales Artificiales (RNA)
Las RNA son un modelo que simula el funcionamiento de la neurona biológica que de-
pende de datos iniciales para generar un proceso adaptativo que posteriormente se emplea
en la capacidad de resolver problemas complejos como el reconocimiento de patrones y la
clasificación de imágenes (Caicedo y López, 2009). En este proceso de utilizó una MLP de
una capa con 48 entradas, de 10 a 50 neuronas en la capa oculta, y se utilizaron algoritmos
de optimización: Adam y Adamdelta con un dropout que variaba de (0, 0.1 y 0.2). La función
de costo de la red es la de entropı́a cruzada categórica (categorical-crossentrop) dada la na-
turaleza del problema, y se usaron funciones de activación relu en la capa oculta y so f tmax
en la conexión de salida.
Los parámetros que se configuran en la optimización aleatoria son:
Hidden neurons = [10, 15, 20, 25, 30, 35, 40]
batch size = [30, 60, 128]
epochs = [10, 20, 30, 40, 50, 60]
dropout = [0, 0.1, 0.2]
Kernel inicial = [′ uni f orm′ ,′ normal ′]
Optimizadores = [′ Nadam′ ,′ Adam′ ,′ adadelta′]
39
3.3 Desarrollo de la interfaz
Loss Function = [′ categorical crossentropy′,′ mean squared error′ ]
Activation Function = [′ relu′ ,′ elu′ ]
Out put Function = [′ so f tmax′ ]
3.3. Desarrollo de la interfaz
El desarrollo de la herramienta para la detección de nubes precipitables se llevó a cabo a
través de una metodologı́a RUP, donde se presentan las diferentes etapas que tiene la herra-
mienta, teniendo como fase de inicio el reconocimiento de los requerimientos funcionales y
no funcionales, el diagrama conceptual, el diagrama de clase y un diagrama entidad-relación.
Cada componente de este proceso y las pruebas de su funcionamiento se describirán de
forma detallada la manera para dar cumplimiento a los requerimientos funcionales y no fun-
cionales de los módulos que conforman la interfaz.
Los requerimientos funcionales y no funcionales, ası́ como los diferentes diagramas de
los módulos de la herramienta se explican en las siguientes secciones.
3.3.1. Requerimientos funcionales y no funcionales
Los requerimientos funcionales y no funcionales necesarios para el desarrollo de la herra-
mienta se presentan en la tabla 3.3 y 3.4 respectivamente. En la columna ”Función”describe
el requerimiento brevemente y la columna final corresponde a la categorı́a en la que se en-
cuentra, si es opcional (O) o esencial (E).
40
Tabla 3.3: Requerimientos funcionales
No Función Categoria
1.0 Cargar algoritmo de procesamiento de la imagen GOES E
(preprocesamiento)
2.0 Cargar la imagen GOES en formato .nc E
3.0 Cargar algoritmos de machine learning (SVM, RF, RNA) E
4.0 Ajustar la imagen a lo requerido por el algoritmo E
5.0 Procesar las bandas requeridas para la detección de nubes E
(Rojo, azul, infrarojo WV. . . )
6.0 Cargar la zona de interés en formato .shp O
7.0 Mostrar la zona elegida por el usuario O
8.0 Procesar las imágenes recortadas a la zona de estudio mediante E
el algoritmo elegido por el usuario
9.0 Mostrar el resultado obtenido en la identificación de nubes E
precipitables según las bandas elegidas por el usuario
10.0 Guardas los resultados obtenidos en formato TIF E
Tabla 3.4: Requerimientos no funcionales
No Función Categoria
1.0 Se desarrollará en Python 3.7 E
2.0 Se presentará un documento del funcionamiento del sistema O
3.0 Se utilizarán framework como tensorflow y sklearn E
3.3.2. Diagrama conceptual
La figura 3-6 es un acercamiento a la herramienta, donde se puede observar el papel que
ejerce cada modulo que conforma el sistema y cómo uno depende del otro.
Como se observa, la herramienta consta de varios módulos a saber:
1. Adquisición de la imagen (Imagen): esta diseñado para cargar la imagen desde el
computador y que pueda ser guardada para continuar con el procesamiento.
2. Elección del método (Red): al cargar la imagen, se escoge el método de clasificación
el cual es llamado en la interfaz para posteriormente ser observado.
3. Selección del Clasificador (Clasificación): se visualiza la clasificación obtenida por el
41
Figura 3-6: Diagrama conceptual.
método elegido.
4. Precisión del Método: se observa la precisión del método
5. Resultado: en el último módulo se tiene el resultado de la clasificación para ser guar-
dada en la ruta que elija el usuario.
3.3.3. Diagrama de clase
En el diagrama de clases observado en la figura 3-7, permite ver la forma en que se
encuentra estructurada la herramienta. Se puede apreciar en el diagrama la interfaz gráfica
Launcher GU I Principal , esta se encarga de que el usuario pueda intereactuar con cada
uno de los modulos, cargar imagen, cargar shape, seleccionar clasificador, seleccionar capas,
visualizar y guardar la clasificación, esta se considera la interfaz gráfica prinipal.
Como se observa en la figura 3-7 el usuario interactua con el Launcher GU I Principal
ya que este es el encargado de iniciar la herramienta, posteriormente sigue la lógica de es-
ta, donde cada uno de los procesos se empalman con los códigos observados en la figu-
42
Figura 3-7: Diagrama de clase
ra a la izquierda; los procesos que no tienen código externo, trabajan directamente en el
Launcher GU I Principal como lo es la selección de capas a visualizar y la visualización.
3.3.4. Interfaz gráfica
El módulo de la interfaz gráfica es la ventana que se muestra inmediatamente después de
ejecutar el aplicativo, esta interfaz cuenta con seis módulos, tal como se observa en la figura
3-8. Los modulos se dividen en :
43
Figura 3-8: Ventana principal de la interfaz.
1. Cargar la imagen: trae la imágen satelital.
2. Cargar shape: elemento para recortar la imagen y ser almacenada para uso posterior.
3. Seleccionar clasificador: eelecciona el método de clasificación con el que quiera pro-
cesar su imagen. En éste se usarán las imágenes de acuerdo a los pasos realizados
anteriormente por el usuario.
4. Seleccionar las capas: permite al usuario seleccionar las capas para la visualización; si
omite el paso no se mostrará la imagen.
5. Visualización: En el módulo de visualización en objetivo es presentar el producto del
clasificador. Con ello, verificar la comprensión visual de las diferentes capas en varios
tonos.
44
3.4 Sı́ntesis
6. Guardar la clasificación: el usuario puede guardar la clasificación. Esta clasificación es
guardada en formato .tif; de lo contrario, el archivo se borrará al terminar el proceso o
cerrar la aplicación.
El procedimiento que realiza para hacer la clasificación se puede apreciar en la figura 3-9.
Como primer paso al abrir la interfaz, se debe buscar la imagen GOES-16, la cual debe tener
el nombre original para ser posteriormente cargada; al tenerla cargada esta internamente es
procesada para obtener cada una de las capas y las texturas. El siguiente módulo permite
al usuario, cargar un shape dentro del territorio colombiano; en este módulo la imagen es
recortada a la zona especificada por el shape. Una vez se obtiene la imagen deseada, se
procede a elegir los clasificadores, donde se desplega un menú y el usuario escoge entre ellos
el que desee implementar en la clasificación. Posteriormente, se eligen las capas a visualizar,
entre las que están: nubes no-precipitables, nubes precipitables y sin nubes. Finalmente,
puede guardar la imagen clasificada.
3.4. Sı́ntesis
En este capı́tulo se planteó el diseño y la implementación de la herramienta para la de-
tección de nubes precipitables en Colombia, presentando cada uno de los pasos realizados
para lograr una correcta detección. Se implementaron con software libre (Python, R-Studio,
PyQt) cada uno de los algoritmos de Machine Learning ası́ como los elementos de la interfaz
de usuario.
Se realizaron pruebas exploratorias de sensibilidad de hiper-parámetros utilizando todas
las caracterı́sticas (contraste, correlación, energı́a, entropı́a, homogeneidad, media y varian-
za) obteniendo que los resultados con esta cantidad de caracteristicas son deficientes, por
lo tanto se realiza una reducción de caracteristicas, selecccionando las caracteristicas que
45
3.4 Sı́ntesis
Figura 3-9: Procedimiento para realizar el proceso de clasificar la imagen.
46
3.4 Sı́ntesis
más aportaban en el proceso de clasificación. Con estas caracteristicas se realiza de nuevo
sensibilidad de hiper-parámetros y un proceso de validación cruzada.
Al usar las estaciones meteorológicas, estas no son suficientes dado que la distribución
espacial de ellas no es apropiada para tener una cobertura total de Colombia, adicionamente,
se eligeron las estaciones de acuerdo a la cantidad de precipitaciones reportadas que fueran
mayores a 1mm.
La interfaz gráfica se diseña para facilitar al usuario la comprensión del efecto de los
algoritmos en el proceso de clasificación, donde, mediante diferentes capas, se observan las
nubes no-precipitables y las nubes precipitables. El desarrollo metodológico será verificado
en el siguiente capı́tulo, donde se verificará el efecto de entrenamiento de cada clasificador
luego de un proceso de sintonización de hiper-parámetros. Adicionalmente, la interfaz se
describe en cada uno de sus componentes con el ánimo de facilitar la comprensión de su
funcionamiento.
47
Capı́tulo 4
Resultados y Discusión
En este capı́tulo se describen los resultados obtenidos al implementar la metodologı́a
propuesta en el capı́tulo 3. Como resultado general se tiene un sistema de detección de
nubes precipitables en imagenes GOES-16 del sensor ABI.
4.1. Entrenamiento de los modelos de aprendizaje
4.1.1. Entrenamiento Random Forest
En la figura 4-1 se presenta los resultados obtenidos en el proceso de entrenamiento
para el método RF. En éste se realizó la optimización de los hiper-parámetros por el método
de búsqueda aleatoria y búsqueda por cuadrı́cula. Como se describe en la Sección 3.2.5,
primero se realiza la optimización aleatoria con el fin de explorar un conjunto mayor de hiper-
parámetros, que después se enfoca en un conjunto de hiper-parámetros en una región más
pequeña, la cual se optimiza por una búsqueda en cuadrı́cula.
48
4.1 Entrenamiento de los modelos de aprendizaje
Figura 4-1: N◦ . Árboles vs Precisión.
Del total de combinaciones posibles se seleccionaron aleatoriamente 100 de ellas. Éstas
se presentan en la figura 4-1 en color verde. La figura presenta uno de los hiper-parámetros
más importantes en RF, el cual corresponde al número de árboles de decisión respecto a
la precisión en el test de validación. Tal como se observa, se obtienen excelentes desem-
peños en el espacio de búsqueda, obteniendo el mejor desempeño alrededor de los 1200
árboles con 99.87 % de precisión; además, se puede observar en la figura a la derecha cómo
aumenta el tiempo de entrenamiento a medida que aumenta el número de arboles. Los hiper-
parámetros obtenidos de esta proceso de optimización aleatoria fueron:
n estimators 1200
min samples split 2
min samples leaf 1
max features auto
max depth 90
bootstrap False
Con el espacio de hiper-parámetros identificado, se procede a hacer una búsqueda sobre
49
una pequeña región. Esta región se central alrededor del mejor conjunto de hiperparámetros
obtenidos anteriormente y se procede a realizar una optimización por cuadrı́cula. La figura
4-1 presenta los resultados en azul, obteniendo un buen desempeño en la configuración de
1.300 árboles con una precisión de 99.88 %, esto representa una mejora de 0.1 % en nuestro
modelo final de RF. El mejor conjunto de hiperparámetros resultantes quedarı́a ası́:
bootstrap False
max depth 95
max features auto
min samples leaf 1
min samples split 2
n estimators 1.300
Del mejor modelo RF, la figura 4-2 muestra la importancia de las caracterı́sticas calcu-
ladas a partir de la disminución de la impureza del nodo ponderada por la probabilidad de
llegar a dicho nodo. La probabilidad del nodo se puede calcular por el número de muestras
que llegan a este, dividido por el número total de muestras (Ronaghan, 2018).
Figura 4-2: Importancia de las caracterı́sticas.
Como se observa las bandas espectrales que más aportan a este problema en este caso
ha sido la banda azul y el infrarrojo térmico, junto con las texturas de varianza y media. Por
50
otro lado, se identifica que las texturas de homogeneidad son las que menos aportan. La lı́nea
punteada representa el 95 % de importancia total acumulada ordenada de mayor a menor.
4.1.2. Entrenamiento SVM
Para el entrenamiento de SVM se realiza el mismo procedimiento de RF; es decir, primero
una optimización aleatoria para definir un espacio de hiperparámetros alrededor del mejor
resultado anterior, junto con una optimización por cuadrı́cula buscando obtener el clasificador
SVM con mejor desempeño.
En la figura 4-3 se presenta los resultados de las diferentes combinaciones aleatorias
obtenidas, destacando el parámetro de regularización (C) y el kernel empleado respecto a
la precisión en el test de validación. Dentro de los resultados se omite la presentación del
kernel sigmoidal debido a que su desempeño es muy bajo frente a los demás. Se evidencia
que existe un mejor desempeño en el kernel rbf y polinomial de grado 6. También se hace
evidente que a medida que C aumenta, el desempeño de los modelos tiende a mejorar;
adicionalmente, al aumentar este parámetro el tiempo de entrenamiento disminuye. El mejor
conjunto de hiperparámetros en esta optimización aleatoria se presenta a continuación con
una precisión de 99.97 % en el test de validación:
Kernel rbf
gamma 1
’C’ 100
51
Figura 4-3: Parámetro de regularización vs precisión para diferentes kernels.
De los resultados de la optimización aleatoria, se obtiene que el mejor rendimiento se lo-
gra con el kernel rbf, por lo que en la optimización por cuadrı́cula se trata de ajustar los hiper-
parámetros C y gamma. El resultado de esta optimización se puede apreciar en la Figura 4-4.
El mejor resultado con el modelo de aprendizaje SVM se obtiene con una configuración de
‘C′ : 340, ‘gamma′ : 0.8, ‘kernel ′ : ‘rb f ′ el cual muestra una precisión del 99.98 %, es decir,
una mejora del 0.01 % respecto al mejor modelo de la optimización aleatoria.
4.1.3. Entrenamiento MLP
Del espacio de hiper-parámetros para MLP se obtuvieron 15.500 posibles combinaciones
de hiper-parámetros, de ellos se seleccionó aleatoriamente el 2 % de combinaciones para un
total de 310 modelos de entrenamiento. En la Figura 4-5 se presenta un boxplot en el que
están agrupados los resultados inicialmente por el número de iteraciones y por el optimizador;
de aqui, se puede observar que a medida que aumenta el número de epocas o iteraciones,
52
Figura 4-4: Precisión de validación determinada a partir del parametro de regularización (C) y gamma.
aumenta la precisión de los modelos en los test de validación. Además, el optimizador Nadam
presenta mejores resultados a los demás optimizadores. El optimizador Nadam mantiene una
menor dispersión entre las épocas 20 − 60 respecto a los demás optimizadores, siendo ası́ el
mejor optimizador para este problema.
En el boxplot de la derecha, se presentan los optimizadores junto con las funciones de ac-
tivación, demostrando el activador relu tiene un mejor desempeño sobre elu y se reafirma un
mejor desempeño en el optimizador Nadam. Aunque los resultados muestran mayor nivel de
correspondencia para Nadam, los otros algoritmos también presentaron buenos resultados.
En la Figura 4-6 se presenta un gráfico de barras del número de neuronas en la capa
53
4.2 Comparación de los clasificadores
Figura 4-5: Boxplot optimizadores, función de activación, epocas vs Precisión
oculta, dropout y función de costo respecto a la precisión de validación. Aunque existen pe-
queñas diferencias al verificar la sensibilidad de los modelos, el mejor modelo MLP obtiene
una precisión de 100 % en el test de validación con los siguientes hiperparámetros:
Función de activación Relu

Batch size 128
Dropout 0.1
Epocas 60
Neuronas en la capa oculta 40
Kernel de iniciación Uniform
Last activación Softmax
Función de perdida Error medio cuadratico
Optimizador Nadam
4.2. Comparación de los clasificadores
Los resultados anteriores indican que los clasificadores tienen la capacidad para separar
las diferentes clases de nubes; sin embargo, se verifica su desempeño usando una imagen
54
Figura 4-6: Gráfico de barras número de neuronas capa oculta, dropout, función de pérdida vs preci-
sión de validación.
con nubes para comparar (Ver Fig. 4-7).
En la Fig. 4-7 con fecha del 2019 − 10 − 25 a las 19 : 00 : 00U TC se observa el resulta-
do de la clasificación por los tres métodos empleados. La imagen (a) presenta la imagen en
color verdadero (RGB) del territorio colombiano; la imagen (b) presenta la clasificación rea-
lizada por el método de RNA con una MLP, donde se muestra la clasificación de las nubes
(precipitables/no-precipitables) y la ausencia de nubes. Las nubes no-precipitables se pre-
sentan en color azul claro, las nubes precipitables en azul oscuro y la ausencia no presenta
alguna máscara sobre la imagen original. Para la MLP se observa que el clasificador identifica
parte del territorio como nubes, donde la mayoria corresponden a nubes no-precipitables. El
método destaca la presencia de nubes que son menos densas.
La imagen (c) presenta un resultado con el método SVM, en el se identifican las nubes
más densas en comparación con el resultado obtenido con MLP. Además, se observa que las
nubes precipitables son en proporción similares entre las escenas (b) y (c). Para el método
de RF se muestra que el método clasifica solamente las nubes más densas que se pueden
percibir de la imagen original (a); en comparación con los métodos anteriores, RF es el que
55
(a) Imagen a color verdadero (b) Mascara MLP.
(c) Mascara SVM. (d) Mascara RF.
Figura 4-7: Comparación máscaras de detección de nubes precipitables y no precipitables.
56
tiene una menor clasificación de nubes que sean poco densas, pero, identifica las mismas
nubes precipitables de los dos métodos anteriores, variando sólo en algunos pı́xeles que no
son muy perceptibles a la vista.
En cuanto a los cuerpos de agua observados en cada una de las imágenes, se puede ob-
servar que en la clasificación por el métodos de MLP presenta falencias en esta identificación,
ya que no los diferencian de las nubes. En cuanto a los métodos de RF y SVM diferencian
más estos cuerpos con pequeños errores en pı́xeles. Se considera que el método más pre-
ciso es SVM debido a que identifica las nubes tanto precipitables, como las que no lo son e
identifica de mejor forma los cuerpos de agua.
4.3. Desarrollo de la interfaz
4.3.1. Ventana principal
Al ejecutar el aplicativo, se abre la ventana princial la cual tiene las siguientes funcionali-
dades (explicadas por módulos como se observa en la figura 4-8):
1. En el primer modulo (verde oscuro) se carga la imagen desde el ordenador, donde se
ejecuta la aplicación. La imagen debe ser cargada con el nombre original en formato
.nc. En cuyo caso, donde la imagen no posea su nombre original, saldrá una alerta
y no permitirá procesarla. Este paso solo almacena la ruta o el path de la imagen
a utilizar. El proceso que sigue al cargarse el path es el mencionado en la sección
3.2.1, donde el proceso que realiza intermamente el cual consiste en: seleccionar las
7 bandas a utilizar, las cuales se convierten en formato .TIF ; se recorta a Colombia,

para posteriormente, crea una carpeta temporal que almacena estas imágenes para
ser procesadas en el software R Studio; y se calculan las texturas para determinar el
57
Figura 4-8: Modulos de la interfaz.
vector de caracterı́sticas.
2. En el módulo 2 (verde claro) se determina la zona de interés. En esta parte se busca
en el ordenador el archivo en formato shape o kml, para que la imagen sea recortada
en la zona. Esto acelera el procesamiento llevado a cabo por el clasificador.
3. Posteriormente en el módulo 3 (azul) se encuentran los métodos de clasificación imple-
mentados para detectar las nubes precipitables de sus opuestas. En ella encontramos
la elección del método que se quiere utilizar, para ello, se cargan los archivos de la
carpeta interna “Clasificadores” y dependiendo de los archivos en esta carpeta se des-
pliegan los métodos para la clasificación. Para efectos de este trabajo se encuentran
disponibles los métodos RF, SVM y RNA.
4. En el módulo 4 (morado) se procede a seleccionar las capas de la clasificación que se
quieren visualizar. Aquı́, se puede elegir mostrar las nubes precipitables, las que no lo
58
son y la ausencia de nubes, o todas, si ası́ lo requiere el usuario. El módulo permite
elegir las capas que se quieren visualizar.
5. En el siguiente módulo (amarillo) se visualiza la imagen agregada en sus bandas RGB
para ser observadas en color verdadero, encima de esta imagen, donde existen nubes
no-precipitables y nubes precipitables, el color de ellas se vera alterado mostrando un
falso color: para nubes precipitables (azul oscuro), para nubes no-precipitables (azul
claro) y para ausencia de nubes (sin color), donde solo se verá alterada la capa que el
usuario ha elegido.
6. En el último módulo (naranja) se da la elección de guardar la clasificación. En este,
se puede guardar las nubes precipitables o las nubes no-precipitables en general. El
módulo permite elegir las capas de la clasificación que serán almacenadas. Se encuen-
tra un botón de guardado, el cual guarda en formato .tif la imagen clasificada.
4.3.2. Pruebas de integración
Las pruebas de integración tienen el objetivo de evaluar por conjunto las funcionalidades
del sistema. Estas pruebas se encuentran separadas según lo expuesto en los requerimientos
funcionales. Para la exposición de cada prueba se utiliza una tabla estructurada de acuerdo
a lo exigido por la metodologı́a RUP, de la siguiente manera:
Requerimientos: nombres de los requerimientos funcionales evaluados en la prueba.
Tipo de prueba: tipo de prueba implementada.
Hardware requerido: hardware implementado en la prueba.
Software requerido: software implementado en la prueba.
59
Objetivo del requerimiento: objetivo de los requerimientos implementados.
Objetivo de la prueba: objetivo de la prueba en el sistema.
Datos necesarios para la prueba: datos necesarios para la prueba del sistema.
Procedimiento de la prueba: procedimiento para la realización de la prueba.
Resultado esperado: resultado esperado de la prueba.
Resultado obtenido: resultado obtenido de la prueba.
Comentarios: aspectos a tener en cuenta.
Finalmente, despues de presentarlos se pasará a discutir los resultados obtenidos.
4.3.2.1. Búsqueda y carga de imagen
La prueba de integración correspondiente a la carga de la imagen, está destinada a com-
probar que el usuario pueda buscar y cargar la imagen en el formato .nc. Esta prueba y sus
resultados se evidencian en la tabla 4.1
En la tabla 4.1 se pueden visualizar las capturas de pantalla respectivas al procedimiento
realizado para la búsqueda y carga de imágenes y los resultados obtenidos. En la captura
(1) se evidencia que el usuario pueda iniciar la aplicación y posteriormente, en la captura
(2) pueda buscar la imagen en el formato nc. Al cargar la imagen, la herramienta crea una
carpera temporal donde se irán almacenando todos los procesos de la interfaz. La carpeta
temporal es un contenedor con las bandas utilizadas y una carpeta con el nombre texturas, tal
como se observa en la captura (3). Este proceso evidencia el cumplimiento del requerimiento
planteado en la prueba.
60
Tabla 4.1: Prueba de integración: Busqueda y carga de la imagen
PRUEBA DE INTEGRACIÓN - CARGA DE IMAGEN

Requerimientos:
1. Cargar la imagen GOES-16 en formato .nc
2. Cargar el algoritmo de pre-procesamiento de imágenes
Tipo de prueba Integración
Hardware requerido Computador portátil
Software requerido Python 3.7, Rstudio, PyQt
Objetivo del requerimiento Probar que la carga de la imagen sea exitoso
Verificar que el usuario pueda agregar las imágenes del
Objetivo de la prueba
sensor GOES-16 en formato .nc
Datos de la prueba Imagen GOES-16 en formato .nc
1. Inicio de la herramienta
Procedimiento 2. Buscar la imagen GOES-16
3. Cargar la imagen
1. Buscar la imagen GOES en formato .nc con éxito
Resultado Esperado 2. Realizar el procesamiento interno con éxito
3. Cargar la imagen con éxito
Prueba satisfactoria. Se presenta en forma detallada los resultados
obtenidos en las imagenes:
Resultado obtenido
El usuario al agregar la imagen debe verificar que esta tenga el

Comentarios
nombre en el formato de descarga.
61
4.3.2.2. Búsqueda y carga de shape
La prueba de integración correspondiente a la carga del shape, está destinada a com-
probar que el usuario pueda buscar y cargar el shape en el formato .shp. Esta prueba y sus
resultados se evidencian en la tabla 4.2.
En la tabla 4.2 se pueden visualizar las capturas de pantalla respectivas al procedimiento
realizado para la búsqueda y carga del shape y los resultados obtenidos. En la captura (1) el
usuario busca que el shape se abra en una ventana emergente dentro del equipo en un archi-
vo de extensión .shp. Posteriormente, en la captura (2) se carga la imagen lo cual hará que
se cree una carpeta nueva llamada recorte, donde se almacenan las imágenes recortadas en
bandas y texturas, tal como se muestra en la captura (3).
4.3.2.3. Carga y selección de clasificadores
La prueba de integración correspondiente a la carga y selección de clasificadores, está
orientada a comprobar que el usuario pueda seleccionar y clasificar la imagen. Esta prueba
y sus resultados se evidencian en la tabla 4.3.
En la tabla 4.3 se muestran las capturas de pantalla respectivas al procedimiento realizado
para la carga y selección de los clasificadores y los resultados obtenidos en ella. En la captura
(1) se observa la carpeta “clasificadores” donde esta cada uno de los métodos de clasificación
empleados en este trabajo, los clasificadores en esta carpeta serán los que se visualicen
en el despegable de la captura (2) donde se observa que el usuario pueda seleccionar el
clasificador entre los que se encuentran RF, SVM, y RNA. Posteriormente en la captura (3) se
observa una carpeta donde la clasificación es almacenada para ser mostrada posteriormente
62
Tabla 4.2: Prueba de integración: Busqueda y carga del shape
PRUEBA DE INTEGRACIÓN - CARGA DE IMAGEN

Requerimientos:
1. Cargar el shape del área que quiere observar en Colombia
2. Cargar el algoritmo que recorta las imágenes de acuerdo al área cargada por el usuario
Software requerido Python 3.7, R Studio, PyQt
Cargar la zona de estudio deseada por el usuario dentro de
Objetivo del requerimiento
Colombia
Verificar que el usuario pueda cargar el shape y este sea usado
para recortar el área de estudio
Datos de la prueba Archivo en formato .shp
1. Dirigirse al módulo “Cargar Shape”
Procedimiento 2. Buscar el archivo en formato .shp
3. Cargar el archivo
1. Al buscar el shape se filtre por los formato .shp
2. Cargar el shape
Resultado Esperado
3. Que el archivo recorte la imagen
Se presenta en forma detallada los resultados
Resultado obtenido
Si el usuario no desea agregar un shape, puede pasar al siguiente

Comentarios
paso sin ningun problema.
63
Tabla 4.3: Prueba de integración: Carga y seleccion de los clasificadores
PRUEBA DE INTEGRACIÓN - CARGA Y SELECCIÓN DEL MÉTODO DE CLASIFICACIÓN

Requerimientos:
1. Cargar los algoritmos
2. Procesar los algoritmos de acuerdo a las condiciones dadas por el usuario.
Cargar los
Objetivo del requerimiento
algoritmos de machine learning
Verificar que los algoritmos carguen y procesen
correctamente
Datos de la prueba Algoritmos de machine learning RF, SVM y RNA
1. Cargar los algoritmos que se encuentran almacenados
en la carpeta “clasificadores”
Procedimiento 2. Seleccionar el algoritmo que se requiera para hacer la
clasificación
3. Cargar la clasificación
1. Que el usuario pueda seleccionar los métodos de
clasificación
Resultado Esperado
2. Que al cargar el método elegido sea guardado en
una carpeta temporal
Prueba satisfactoria:
Se presenta en forma detallada los resultados
Resultado obtenido
El proceso se realiza a la imagen completa o recortada por

Comentarios
el usuario, dependiendo de ello, es el tiempo de carga.
64
4.3.2.4. Selección de capas
La tabla 4.4 correspondiente a la selección de capas a visualizar, está destinada a com-
probar que el usuario pueda seleccionar las capas que se verán en la visualización. En este
caso se puede seleccionar las nubes no-precipitables, nubes precipitables o no nube (ausen-
cia de nubes). Es posible seleccionar todas las capas, ası́ como no seleccionarlas.
Como se observa en la tabla 4.4, en la captura (1) se muestra la selección de las ca-
pas para realizar la visualización de ellas y en la caputra (2) se observa la visualización de
acuerdo a las capas seleccionadas.
4.3.2.5. Visualización
La prueba de integración correspondiente a la visualización de la clasificación está des-
tinada a comprobar que el usuario pueda observar la clasificación obtenida por el método
elegido, adicionalmente, que observe las capas elegidas en el paso anterior en este caso
eligiendo entre nube, nube precipitable o no nube, como se muestra en la tabla 4.5
En la tabla 4.5 se evidencia el procedimiento realizado para la visualización de las nubes
en sus diferentes clases. En la captura (1) se ve la clasificación obtenida dentro de la carpeta
temporal, de esta forma en la captura (2) se muestra como se visualiza dependiendo del
clasificador seleccionado.
4.3.2.6. Guardar clasificación
En la tabla 4.6 corresponde a la prueba de integración que permite guardar el archivo
generado en la clasificación de acuerdo a las capas elegidas por el usuario, las pruebas y
resultados se evidencian en ella.
65
Tabla 4.4: Prueba de integración: Selección de capas a visualizar
PRUEBA DE INTEGRACIÓN - SELECCIÓN DE CAPAS

Requerimientos:
1. Seleccionar las capas que el usuario quiera observar
Objetivo del requerimiento Seleccionar las capas que se quieren visualizar
Objetivo de la prueba Que el usuario pueda elegir que capas visualizar
Datos de la prueba Imagenes clasificadas
1. Seleccionar las capas que desee visualizar
Procedimiento
2. Que pueda seleccionar todas o una sola
Resultado Esperado 1. Que al usuario seleccionar las o la capa se visualice la selección
Prueba satisfactoria: Se presenta en forma detallada los
resultados obtenidos en las imagenes:
Resultado obtenido
La visualización sera de acuerdo a lo que el usuario

Comentarios
elija, si es nube precipitable, nube o no nube.
66
Tabla 4.5: Prueba de integración: Visualización de la clasificación
PRUEBA DE INTEGRACIÓN - VISUALIZACIÓN

Requerimientos:
1. Visualizar la clasificación realizada por los diferentes métodos
Mostrar el resultado obtenido en la detección
Objetivo del requerimiento de nubes precipitables de acuerdo al método
elegido.
Que el usuario en el campo de visualización
Objetivo de la prueba pueda observar la clasificación por el método
elegido
Datos de la prueba Imágenes clasificadas
1. Realizar la clasificación de nubes
Procedimiento
2. Seleccionar las capas a visualizar
1. Se espera que el usuario pueda observar la clasificación de
Resultado Esperado
nubes de acuerdo al método de clasificación y las capas seleccionadas
Prueba satisfactoria
Se presenta en forma detallada los resultados obtenidos en las imagenes:
Resultado obtenido
La visualización es posible después de utilizar

Comentarios
alguno de los métodos de clasificación
67
Tabla 4.6: Prueba de integración: Guardar la clasificación
PRUEBA DE INTEGRACIÓN - GUARDAR CLASIFICACIÓN
Requerimientos:
1. Permitir exportar la clasificación en la ruta elegida por el usuario
Objetivo del requerimiento Guardar los resultados en formato .tif
Objetivo de la prueba Comprobar que la herramienta guarde la clasificación en .tif
Datos de la prueba Imágenes clasificadas
1. Oprimir el botón guardar ”Guardar”

Procedimiento
2. Elegir la carpeta y el nombre del archivo.
1. Despliegue ventada para buscar la carpeta y el archivo generado

Resultado Esperado
2. Desbloqueo de pantalla que indique que ocurrio con éxito
Prube satisfactoria: Se presenta en forma detallada los resultados

Resultado obtenido
El usuario puede elegir el nombre y la

Comentarios
ubicación para el archivo generado
En la tabla 4.6 mostrada anteriormente, se puede observar en la captura (1) el usuario
decide la ruta donde desee guardar el archivo, en esta se abre una ventana emergente para
que el localice donde sera guardado el archivo en formato .tif, en la caputra (2) se obser-
va en la carpeta que se elija como queda guardado el archivo. Este proceso evidencia el
funcionamiento de los requerimientos planteados en la prueba.
68
4.4 Sı́ntesis
4.4. Sı́ntesis
En este capı́tulo se mostraron los resultados de cada uno de los procesos realizados.
Estas pruebas y resultados fueron mostrados a través de tablas, imágenes y gráficas, donde
se observó el funcionamiento de cada uno de los clasificadores empleados y las pruebas
de integración de la interfaz que hacen parte de la metodologı́a RUP, donde se visualizó
el cumplimiento de cada uno de los requerimientos funcionales de este trabajo, mostrado
mediante capturas de pantalla cada uno de los módulos de la herramienta.
En el proceso de este trabajo, se encontraron diferentes ventajas y desventajas, entre las
desventajas, se encontró que es complicado conseguir información de forma rápida de las
estaciones con datos de precipitación que contengan una resolución temporal de 10minutos,
dado que las imágenes del satélite GOES − 16 nos proporciona esa temporalidad, además,
aunque el trabajo se realizó de forma local, se presenta un volumen de datos grande, lo que
hace que el procesamiento sea largo, debido a que se deben realizar varios procesos como lo
son, la descargar las imágenes, el filtrado los datos y el cálculo de los diferentes procesos ex-
puestos en el capı́tulo de metodologı́a. Sin embargo, como se trabaja por medido de códigos
y los procesos son repetitivos, estos se automatizan para hacer más fácil el procesamiento
de cada uno de los pasos.
En cuanto a la interfaz, se tuvo en cuenta cada uno de los requerimientos funcionales y
la lógica de la interfaz para su correcto funcionamiento, estas pruebas se presentaron y cum-
plieron satisfactoriamente cada uno de los procesos. Las pruebas de integración realizadas
confirman el cumplimiento de cada uno de los módulos como lo es: la carga de la imagen,
la carga del shape, la clasificación, la selección de capas las a visualizar, la visualización del
proceso de clasificación y el poder guardar la imagen clasificada de acuerdo con las capas
visualizadas.
69
Capı́tulo 5
Conclusiones y trabajos futuros
5.1. Conclusiones
Para la caracterización de las nubes de manera remota es necesario identificar las re-
giones del espectro en donde sus propiedades se destacan, ası́ como estudiar su compor-
tamiento espacial. Respecto a la revisión bibliográfica, se indica que la banda azul(0.47µm),
roja(0.64µm) e infrarrojo cercano (0.86µm) permiten discriminar entre suelo y nubes por su
alta reflectividad; la región del infrarrojo comprendida entre longitudes de onda de 6.2µm has-
ta 7.3µm permiten identificar caracterı́sticas atmosféricas como la temperatura media de una
capa de humedad (lower, mid, upper); y el infrarrojo térmico (10.3µm) determina la temperatu-
ra de brillo en función de la radiación absorbida y emitida por parte de las nubes. Se concluye
entonces que transformar las caracterı́sticas distintivas de los rangos de los espectros ayudan
a detectar, con los patrones de textura como la homogeneidad, la varianza y la media, con
una mayor precisión la clasificación de las nubes no-precipitables, precipitables e incluso la
ausencia de las mismas.
70
5.1 Conclusiones
Dentro de las técnicas de clasificación de nubes se emplearon 3 métodos de aprendizaje
automatizado (Machine Learning), seleccionados a partir de un análisis de trabajos similares
demostrando que este tipo de métodos tiene ventajas en el campo de la meteorologı́a y la
percepción remota, debido a que se presentan procesos complejos en una multidimensionali-
dad tal como fue desarrollado en esta investigación. Los 3 métodos seleccionados requirieron
un proceso de optimización de hiperparámetros con el fin de obtener el mejor desempeño,
destacando un conjunto de hiper-parámetros especı́ficos para cada modelo.
Todos los clasificadores usaron el mismo conjunto de datos, el cual dividió en dos grupos:
el primero, compuesto por el 60 % de las muestras, empleadas en el entrenamiento y el
segundo, compuesto por el 40 % restante, para determinar la precisión en que clasificaban
las 3 clases definidas: nubes precipitables, nubes no-precipitables y suelo. Para cada modelo
se obtuvo un conjunto de hiper-parámetros destacados por su alta precisión en dicho proceso.
En Random Forest su principal hiper-parámetro que perfecciona el rendimiento fue el número
de árboles de decisión, obteniendo un número de 1.300. Ası́ mismo, en las Máquinas de
Soporte Vectorial se destacó el hiper-parámetro kernel, donde se encontró que el tipo rbf
era aquel que perfeccionaba el rendimiento. En MLP la función de optimización Nadam y la
función de activación Relu fueron los hiper-parámetros que se destacaron.
Adicionalmente, basados en el análisis de los resultados se observó que en el método
Random Forest, las bandas azul y tir, en combinación con las texturas media y varianza son
las que más aportan en la distinción de clases.
Finalizando con los clasificadores, para determinar la precisión de cada uno de los méto-
dos, se realiza el proceso de validación con el 40 % de los registros, comparando las salidas
de los modelos con las salidas reales. Los resultados demuestran que los métodos son efica-
ces a la hora de detectar las nubes, pero presenta una capacidad pobre a la hora de clasificar
los cuerpos de agua, además, entre los métodos usados no existen diferencias significativas
ya que sus porcentajes de precisión fueron 99.87 %, 99.97 % y el 100 % para Random Forest,
71
5.2 Trabajos futuros
SVM y MLP respectivamente. Este trabajo se enfocó en la información de textura proveniente
del conjunto de bandas de las imágenes GOES-16 para determinar la precisión de cada uno
de los modelos de clasificación.
El diseño de la herramienta para la clasificación de nubes precipitables usando imágenes
del satélite GOES-16 funciona a través de una interfaz gráfica de fácil uso, donde el usuario
puede elegir entre cada uno de los métodos propuestos. Además, brinda al usuario de forma
rápida una visualización de la detección de nubes de acuerdo a cada capa seleccionada.
Esta herramienta proporciona ciertas ventajas como lo son: el fácil uso, la clasificación de
nubes por tres métodos diferentes los cuales son efectivos y la obtención de resultados de
manera rápida. Las pruebas de integración de la herramienta resultaron exitosas, mostrando
ası́ la correcta ejecución de cada uno de los requerimientos que tiene la herramienta para la
detección de nubes precipitables.
Finalmente, se concluye que esta herramienta demuestra ser de gran utilidad para la
detección de nubes precipitables a partir de imágenes satelitales; además, permite al público
que no tiene conocimientos previos en Machine Learning y manejo de imágenes satelitales,
poder generar de forma eficaz el procesamiento de imágenes mediante diferentes métodos
de clasificación automaticos.
5.2. Trabajos futuros
Con el objetivo de querer mejorar lo realizado en este documento y poderlo integrar en
diferentes trabajos o proyectos futuros, se plantean los siguientes trabajos futuros:
Realizar la herramienta para diferentes partes del mundo, teniendo en cuenta que el
trabajo realizado se hizo solo para el territorio Colombiano, debido a las diferentes
caracteristicas que él presenta por su topografı́a.
72
Generar una herramienta ejecutable en cualquier medio de trabajo, sea computador o
teléfono inteligente.
Debido a la poca capacidad de clasificación de los cuerpos de agua, se podria per-
feccionar a partir de la extracción de caracterı́sticas de estos cuerpos de tal manera
que se mejore la clasificación de las nubes precipitables y no precipitables y poder vi-
sualizar los resultados sin que existan estos errores entre los distintos elementos que
componen la imagen.
73
Anexos
Anexo A
A continuación se presenta el esquema en el que están almacenados los diferentes ar-
chivos y programas citados en el documento, ese material se encuentra almacenado en una
carpeta drive accesible mediante el link: https://drive.google.com/drive/folders/1K
mUpaHO9NgEt-XowKLx eEu2piXoN8eL?usp=sharing. Esta carpeta cuenta con los diferen-

tes diagramas como: conceptual, de clase, secuenciales.
Figura 5-1: Distribución de anexos
Anexo B
Con el fin de poner a disposición de toda la comunidad la herramienta desarrollada en el
presente trabajo, se crea un repositorio GitHub el cual se puede acceder mediante la url: h
ttps://github.com/lapyrodas/Precipitation cloud. En este se encuentra contenido

todos los archivos necesarios para utilizar la herramienta, acompañado de un archivo Read-
me.md en el que se especifica los recursos necesarios para hacer uso de la misma.
74
Referencias
Referencias
Arab, D., Ameur, S., y Ameur, Z. (2014, Nov). Cloud classification using local multiresolu-
tion texture descriptors. En International image processing, applications and systems
conference (p. 1-8). doi: 10.1109/IPAS.2014.7043266
Bai, T., Li, D., Sun, K., Chen, Y., y Li, W. (2016). Cloud detection for high-resolution satellite
imagery using machine learning and multi-feature fusion. Remote Sensing, 8(9). Des-
cargado de https://www.mdpi.com/2072-4292/8/9/715 doi: 10.3390/rs8090715
Belgiu, M., y Drăguţ, L. (2016). Random forest in remote sensing: A review of applications
and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114,
24–31. Descargado de http://www.sciencedirect.com/science/article/pii/
S0924271616000265 doi: https://doi.org/10.1016/j.isprsjprs.2016.01.011

Berendes, T. A., Mecikalski, J. R., MacKenzie Jr., W. M., Bedka, K. M., y Nair, U. S. (2008).
Convective cloud identification and classification in daytime satellite imagery using stan-
dard deviation limited adaptive clustering. Journal of Geophysical Research: Atmosphe-
res, 113(D20). Descargado de https://agupubs.onlinelibrary.wiley.com/doi
/abs/10.1029/2008JD010287 doi: 10.1029/2008JD010287

Breiman, L. (2001). Random forests. Machine learning, 45(1), 5–32.
Cai, K., y Wang, H. (2017, Nov). Cloud classification of satellite image based on convolutional
neural networks. En 2017 8th ieee international conference on software engineering and
service science (icsess) (p. 874-877). doi: 10.1109/ICSESS.2017.8343049
Caicedo, E. F., y López, J. A. (2009). Una aproximación práctica a las redes neuronales
artificiales (U. del Valle, Ed.).
Chen, D. W., Sengupta, S. K., y Welch, R. M. (1989, oct). Cloud field classification based
upon high spatial resolution textural features: 2. simplified vector approaches. Jour-
nal of Geophysical Research: Atmospheres, 94(D12), 14749–14765. doi: 10.1029/
jd094id12p14749
75
Referencias
Cheng, H.-Y., y Yu, C.-C. (2015). Block-based cloud classification with statistical features
and distribution of local texture features. Atmospheric Measurement Techniques, 8(3),
1173–1182.
Dewancker, I., McCourt, M., y Clark, S. (2015). Bayesian optimization primer (Inf. Téc.).
SIGOPT. Descargado 2020-04-08, de https://app.sigopt.com/static/pdf/SigO
pt Bayesian Optimization Primer.pdf

Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., . . . Michaelsen, J.
(2015). The climate hazards infrared precipitation with stations - A new environmental
record for monitoring extremes. Scientific Data, 2, 1–21.
Glickman, T. S., y Zenk, W. (2000). Glossary of meteorology. American Meteorological
Society.
Guzmán, D., Ruiz, J., y Cadena, M. (2014). Regionalización de colombia según la estaciona-
lidad de la precipitación media mensual, a través análisis de componentes principales
(acp). Informe Técnico. IDEAM. Bogotá DC.
Haralick, R. M., Shanmugam, K., y Dinstein, I. (1973). Textural features for image classifica-
tion. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6), 610–621.
HARRIS. (2018). Goes-r series product definition and users’ guide.
Hastie, T., Tibshirani, R., y Friedman, J. (2009). The elements of statistical learning. Springer
New York.
Hidalgo, S. (2014). Random forests para detección de fraude en medios de pago. Departa-
mento de Ingenierı́a Informática, Universidad Autónoma de Madrid, Madrid.
Jin, W., Gong, F., Tang, B., y Wang, S. (2019). Cloud types identification for meteorological
satellite image using multiple sparse representation classifiers via decision fusion. IEEE
Access, 7 , 8675–8688.
Koehrsen, W. (2018a). A conceptual explanation of bayesian hyperparameter optimization for
machine learning. Descargado de https://towardsdatascience.com/a-conceptu
al-explanation-of-bayesian-model-based-hyperparameter-optimization-f
76
Referencias
or-machine-learning-b8172278050f
Koehrsen, W. (2018b). Hyperparameter tuning the random forest in python. Descarga-
do de https://towardsdatascience.com/hyperparameter-tuning-the-random
-forest-in-python-using-scikit-learn-28d2aa77dd74
Kruchten, P. (2004). The rational unified process: an introduction. Addison-Wesley Professio-
nal.
Liu, K., Shi, W., y Zhang, H. (2011). A fuzzy topology-based maximum likelihood classification.
ISPRS Journal of Photogrammetry and Remote Sensing, 66(1), 103–114.
Manoj, S. O., Kavitha, V., y Arul, J. S. (2010). Recognising the cloud type and estimation of
rainfall. En 2010 international conference on communication and computational intelli-
gence (incocci) (pp. 178–183).
Mecikalski, J. R., y Bedka, K. M. (2006). Forecasting convective initiation by monitoring the
evolution of moving cumulus in daytime goes imagery. Monthly Weather Review , 134(1),
49-78.
Medina, R. F., y Ñique, C. I. (2017). Bosques aleatorios como extensión de los árboles de
clasificación con los programas r y python. Interfases(010), 165–189.
Menzel, W. P. (2001). Cloud tracking with satellite imagery: From the pioneering work of ted
fujita to the present. Bulletin of the American Meteorological Society , 82(1), 33–47.
Michaelides, S., Levizzani, V., Anagnostou, E., Bauer, P., Kasparis, T., y Lane, J. (2009, dec).
Precipitation: Measurement, remote sensing, climatology and modeling. Atmospheric
Research, 94(4), 512–533. doi: 10.1016/j.atmosres.2009.08.017
NOAA, y GOES-R. (2019). Advanced baseline imager scan mode information. Descargado
de https://www.goes-r.gov/users/abiScanModeInfo.html#scanMode6A
NOAA, y NASA. (2018). Ground system: Overview. Descargado de https://www.goes-r.
gov/ground/overview.html
Nurtanio, I., Zainuddin, Z., y Setiadi, B. H. (2019, dec). Cloud classification based on ima-
ges texture features. IOP Conference Series: Materials Science and Engineering, 676,
77
Referencias
012015. doi: 10.1088/1757-899x/676/1/012015
Olabe, X. B. (2008). Redes neuronales artificiales y sus aplicaciones (P. de la Escuela de
Ingenieros, Ed.).
OMM. (s.f.). International cloud atlas.
OMM. (2011). Organización meteorológica mundial. Descargado de https://public.wmo
.int/es
OMM. (2017). Dı́a meteorológico mundial 2017 — organización meteorológica mundial. Des-
cargado 2019-01-28, de https://public.wmo.int/es/Dia-Meteorologico-Mundi
al-2017
Orun, A. (2000). A comparative study of meteosat, ECMWF, and radiosonde wind vectors at
istanbul. Remote Sensing of Environment, 72(3), 309–316.
Pabón, J., Zea, J., León, G., Hurtado, G., González, C., y Montealegre, J. (2001). El me-
dio ambiente en colombia: La atmósfera, el tiempo y el clima. Instituto de Hidrologı́a,
Meteorologı́a y Estudios Ambientales de Colombia. Bogotá, Colombia.
Pyszczek, L., y Snaider, P. (2017). Identificación de procesos atmosféricos mediante imáge-
nes de satélite. Geográfica digital, 13(26), 1–59.
Ramı́rez, S. E., y Lizarazo, I. A. (2014). Clasificación digital de masas nubosas a partir
de imágenes meteorológicas usando algoritmos de aprendizaje de máquina. Revista
Facultad de Ingenierı́a Universidad de Antioquia, 73(0120-6230), 43–57.
Reyes-Delgado, P. Y., Mora, M., Duran-Limon, H. A., Rodrı́guez-Martı́nez, L. C., O'Connor,
R. V., y Mendoza-Gonzalez, R. (2016). The strengths and weaknesses of software ar-
chitecture design in the RUP, MSF, MBASE and RUP-SOA methodologies: A conceptual
review. Computer Standards & Interfaces, 47 , 24–41.
Rochas, M. (1996). Látlas international des nuages. La Météorologie.
Rodrı́guez, R. J., Montilla, Y., Méndez, Y., y Palma, W. (2014). Alternativas pedagogicas
de nefoanálisis con imágenes satelitales a través de herramientas manuales y digitales
para la estimación de áreas nubosas en Venezuela. Gaceta Técnica, 12(1), 51–60.
78
Referencias
Ronaghan, S. (2018). The mathematics of decision trees, random forest and feature
importance in scikit-learn and spark. Descargado de https://towardsdatascience
.com/the-mathematics-of-decision-trees-random-forest-and-feature-imp
ortance-in-scikit-learn-and-spark-f2861df67e3
Salhi, K., Jaara, E. M., Alaoui, M. T., y Alaoui, Y. T. (2018). GPU implementation of haralick
texture features extraction algorithm for a neuro-morphological texture image segmen-
tation approach. En 2018 international conference on electronics, control, optimization
and computer science (ICECOCS). IEEE.
Szantai, A., Desalmand, F., y Desbois, M. (2002). A method for the construction of cloud
trajectories from series of satellite images. International Journal of Remote Sensing,
23(8), 1699–1732.
Tapakis, R., y Charalambides, A. G. (2013). Equipment and methodologies for cloud detection
and classification : A review. Solar Energy , 95, 392–430.
Taravat, A., Frate, F. D., Cornaro, C., y Vergari, S. (2015). Neural networks and support
vector machine algorithms for automatic cloud classification of whole-sky ground-based
images. IEEE Geoscience and Remote Sensing Letters, 12(3), 666–670.
Taravat, A., Proud, S., Peronaci, S., Frate, F. D., y Oppelt, N. (2015). Multilayer perceptron
neural networks model for meteosat second generation SEVIRI daytime cloud masking.
Remote Sensing, 7 (2), 1529–1539.
Tian, B., Shaikh, M., Azimi-Sadjadi, M., Haar, T., y Reinke, D. (1999). A study of cloud classi-
fication with neural networks using spectral and textural features. IEEE Transactions on
Neural Networks, 10(1), 138–151. doi: 10.1109/72.737500
Tsonis, A. A. (1988). Single thresholding and rain area delineation from satellite imagery.
Journal of Applied Meteorology , 27 (11), 1302–1306.
Wang, Y., Shi, C., Wang, C., y Xiao, B. (2018). Ground-based cloud classification by learning
stable local binary patterns. Atmospheric Research, 207 , 74 - 89.
Wohlfarth, K., Schroer, C., Klab, M., Hakenes, S., Venhaus, M., Kauffmann, S., . . . Wohler, C.
79
Referencias
(2018). Dense cloud classification on multispectral satellite imagery. En 2018 10th IAPR
workshop on pattern recognition in remote sensing (PRRS). IEEE.
Wu, D., y Li, B. (2018). Cloud feature extraction and classification of meteorological sate-
llite cloud imagery. En 2018 international conference on sensor networks and signal
processing (SNSP). IEEE.
80

Caracterizacion Nubes

Cargado por

Copyright:

Formatos disponibles

Caracterizacion Nubes

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Caracterizacion Nubes

Cargado por

Copyright:

Formatos disponibles

Desarrollo de una herramienta para la detección

de nubes precipitables en imágenes

meteorológicas GOES-16 usando técnicas de

Natalia Lemos Garcı́a

Santiago Rodas Arias

en imágenes meteorológicas GOES-16 usando técnicas de Machine

Natalia Lemos Garcı́a

Santiago Rodas Arias

Prof. Olga Lucia Baquero Montoya, M.Sc.

Prof. Wilfredo Alfonso Morales, Eng.D.

Universidad del Valle

Escuela de Ingenierı́a Civil y Geomática

1.2. Solución propuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2. Antecedentes y marco teórico 5

2.2. Marco teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.2.2. Plataforma satelital . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.3. Métodos de clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.3.1. Support Vector Machine - SVM . . . . . . . . . . . . . . . . . . . . . . 12

2.3.1.2. Función de costo y actualizaciones de degradado . . . . . . . 13

2.3.2. Random Forest - RF . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3.2.1. Criterio de convergencia . . . . . . . . . . . . . . . . . . . . 14

2.3.2.2. Fuerza y correlación . . . . . . . . . . . . . . . . . . . . . . 16

2.3.3. Redes Neuronales Artificiales - RNA . . . . . . . . . . . . . . . . . . . 17

2.4. Optimización de hiperparámetros . . . . . . . . . . . . . . . . . . . . . . . . 19

2.5. Gray-Level Co-Occurrence Matrix - GLCM . . . . . . . . . . . . . . . . . . . . 21

2.6. Rational Unified Process - RUP . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.6.1. Fases del RUP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3. Determinación de nubes precipitables en Colombia 25

3.1. Zona de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.2. Metodológia para la identificación de nubes precipitables y no precipitables . . 29

3.2.1. Entrenamiento de técnicas de detección . . . . . . . . . . . . . . . . . 29

3.2.2. Fuentes de información . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.2.3. Obtención de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.2.4. Cálculo de texturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.2.5. Entrenamiento de los clasificadores . . . . . . . . . . . . . . . . . . . 36

3.2.5.1. Random Forest (RF) . . . . . . . . . . . . . . . . . . . . . . 37

3.2.5.2. Máquinas de soporte Vectorial (SVM) . . . . . . . . . . . . . 38

3.2.5.3. Redes Neuronales Artificiales (RNA) . . . . . . . . . . . . . . 39

3.3. Desarrollo de la interfaz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.3.1. Requerimientos funcionales y no funcionales . . . . . . . . . . . . . . 40

3.3.2. Diagrama conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.3.3. Diagrama de clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.3.4. Interfaz gráfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.1. Entrenamiento de los modelos de aprendizaje . . . . . . . . . . . . . . . . . . 48

4.1.1. Entrenamiento Random Forest . . . . . . . . . . . . . . . . . . . . . . 48

4.1.2. Entrenamiento SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.1.3. Entrenamiento MLP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.2. Comparación de los clasificadores . . . . . . . . . . . . . . . . . . . . . . . . 54

4.3. Desarrollo de la interfaz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4.3.1. Ventana principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4.3.2. Pruebas de integración . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.3.2.1. Búsqueda y carga de imagen . . . . . . . . . . . . . . . . . . 60

4.3.2.2. Búsqueda y carga de shape . . . . . . . . . . . . . . . . . . 62

4.3.2.3. Carga y selección de clasificadores . . . . . . . . . . . . . . 62

4.3.2.4. Selección de capas . . . . . . . . . . . . . . . . . . . . . . . 65

4.3.2.6. Guardar clasificación . . . . . . . . . . . . . . . . . . . . . . 65

5. Conclusiones y trabajos futuros 70