Please use this identifier to cite or link to this item: http://hdl.handle.net/20.500.11765/12382
Métodos predictivos de precipitación utilizando datos de la cubierta vegetal mediante teledetección
Full metadata record
DC FieldValueLanguage
dc.contributor.authorMoreno, Anaes_ES
dc.contributor.authorSoria, E.es_ES
dc.contributor.authorGarcía, J.es_ES
dc.contributor.authorMartín, J. D.es_ES
dc.contributor.authorBelda, Fernandoes_ES
dc.date.accessioned2020-08-31T10:46:47Z-
dc.date.available2020-08-31T10:46:47Z-
dc.date.issued2009-
dc.identifier.citationMontesinos Aranda, Salomón, Fernández Fornos, Lara (eds.). Teledetección: Agua y desarrollo sostenible. Madrid: Geosys, 2009, p. 373-736es_ES
dc.identifier.isbn978-84-613-4257-0-
dc.identifier.urihttp://hdl.handle.net/20.500.11765/12382-
dc.descriptionPonencia presentada en: XIII Congreso de la Asociación Española de Teledetección celebrado en Calatayud del 23 al 26 septiembre 2009.es_ES
dc.description.abstract[ES]Este estudio se enmarca en el proyecto DULCINEA, que tiene entre sus objetivos el análisis del cambio climático y su incidencia en la vegetación de la Península Ibérica. El principal objetivo consiste en evaluar el potencial predictivo de variables que recogen la evolución de la cubierta vegetal sobre la precipitación, empleando para ello modelos temporales lineales y no lineales. Como variables adicionales se consideran la temperatura y la precipitación correspondientes a los periodos previos. Para realizar este estudio se dispone de series largas de las variables climáticas así como datos de NDVI correspondientes a un periodo de 22 años (1981- 2003). La utilización de técnicas de predicción no lineales, en concreto redes neuronales artificiales, ha mostrado ser una herramienta matemática predictiva adecuada para este problema, debido a la existencia de fenómenos marcadamente no lineales. Estos modelos permiten capturar, a un mes vista, la dinámica general de las precipitaciones, con errores medios en la predicción (RMSE) del orden de 44 mm para una serie de validación de 4 años. El análisis de sensibilidad de los diferentes modelos demuestra que las observaciones del estado de la cubierta en los meses anteriores tienen un poder predictivo superior que precipitación y temperatura.es_ES
dc.description.abstract[EN]This study has been focused on the development of rainfall prediction using data obtained by Remote Sensing techniques in the context of the DULCINEA Project. The first approach for prediction models was based on classical Auto-Regressive Moving-Average (ARMA) models, being the temperature and the NVDI external inputs. Non-linear prediction models, based on an artificial neural network with same input variables, were also used. The use of these models may be justifiable by the fact that the nature of the environmental phenomena is non-linear. The use of the neural network also allowed carrying out a sensitivity analysis of the inputs, thus rating the relevance of the different inputs in the prediction model. The obtained models have captured the overall dynamic of the annual rainfall at a number of representative sites. Results suggest that temporal signatures of satellite based vegetation observations may be valuable explanatory variables for rainfall forecasting systems.es_ES
dc.description.sponsorshipEste trabajo se enmarca en el proyecto DULCINEA (CGL2005-04202) y ha contado además con el soporte del proyecto ÁRTEMIS (CGL2008-00381).es_ES
dc.language.isospaes_ES
dc.publisherGeosyses_ES
dc.subjectTeledetecciónes_ES
dc.subjectVegetaciónes_ES
dc.subjectPredicciónes_ES
dc.subjectPrecipitaciónes_ES
dc.subjectRedes neuronaleses_ES
dc.subjectMétodos linealeses_ES
dc.titleMétodos predictivos de precipitación utilizando datos de la cubierta vegetal mediante teledetecciónes_ES
dc.typeinfo:eu-repo/semantics/conferenceObjectes_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
Appears in Collections:Otras actas-congresos


Files in This Item:
  File Description SizeFormat 
Metodos_predictivos_M...
243,39 kBAdobe PDFThumbnail
View/Open
Show simple item record



Items in Arcimís are protected by Creative Commons License, unless otherwise indicated.

Arcimís Repository
Nota Legal Contacto y sugerencias