Please use this identifier to cite or link to this item:
http://hdl.handle.net/20.500.11765/10074
Posproceso estadístico
| Title: | Posproceso estadístico |
| Authors: | Quintero Plaza, David
|
| Keywords: | Sistemas de predicción por conjuntos; Posproceso estadístico; Métodos de posproceso BMA y ELR; Aprendizaje automático; Machine learning |
| Issue Date: | 2018 |
| Publisher: | Agencia Estatal de Meteorología |
| Citation: | Santos Burguete, Carlos (ed.). Física del caos en la predicción meteorológica. Madrid: Agencia Estatal de Meteorología, 2018, p. 193-205 |
| Publisher version: | https://dx.doi.org/10.31978/014-18-009-X.14 |
| Abstract: | En este capítulo damos una introducción a las técnicas estadísticas que permiten calibrar (y por tanto mejorar) las salidas directas de un modelo meteorológico o un sistema de predicción por conjuntos. Primero hablaremos de las técnicas clásicas Perfect Prog y MOS, así como las más recientes BMA y ELR y después reservaremos una parte importante para hablar sobre las novedosas técnicas basadas en Aprendizaje Automático (Machine Learning), que parecen muy prometedoras. |
| URI: | http://hdl.handle.net/20.500.11765/10074 |
| Appears in Collections: | Física del caos en la predicción meteorológica |
Files in This Item:
| File | Description | Size | Format | ||
|---|---|---|---|---|---|
 | 14_Posproceso_estadis... | 2,05 MB | Adobe PDF |  View/Open |
Items in Arcimis are protected by Creative Commons License, unless otherwise indicated.
