Reconocimiento de patrones climatológicos en imágenes satelitales mediante técnica de Machine Learning. Potenciales usos industriales.

El estudio de sistemas nubosos y su potencial clasificación se debe principalmente por su importancia en el balance radiativo del planeta, lo que posibilita comprender cuál es el rol de las nubes en el cambio climático (o viceversa). El uso de imágenes satelitales y su análisis mediante técnicas que aprovechan el uso de las computadoras provocó un cambio rotundo en todo el análisis climatológico. Machine Learning (aprendizaje automático) como disciplina de la inteligencia artificial comprende distintas técnicas que tienen como fin utilizar todo el potencial computacional para identificar patrones (Pattern Recognition) en grandes volúmenes de datos (Big Data) y realizar predicciones de comportamiento.

En esta presentación, se identificará la diferencia esencial entre algoritmos de Aprendizaje No Supervisado (de reconocimiento) y Algoritmos Supervisados (de regresión y de clasificación). Mediante la aplicación de la técnica de clustering para identificar distintos sistemas nubosos utilizando imágenes del satélite GOES de la NASA, se mostrará en particular la importancia del preprocesamiento de datos.

Para finalizar, se visualizarán usos potenciales a nivel industrial, tanto en el uso de imágenes para asegurar la calidad de un insumo/ producto, como de técnicas de Aprendizaje Supervisado como son las Redes Neuronales para modelar por ejemplo, líneas de producción o control de stock en depósitos.

Agustín Caferri es docente investigador FRLP - FRBA.