Detección de fenómenos meteorológicos adversos en las Islas Canarias vía Autoencoder

Abstract

Los fenómenos meteorológicos extremos son un factor de riesgo que han incrementado en intensidad, frecuencia y gravedad. Algunos de estos eventos, como los incendios e inundaciones repentinas, pueden afectar de forma negativa a la salud y a la economía de la población en una región, país o continente. En muchas ocasiones los fenómenos no pueden ser predichos dado que, si analizamos grandes regiones o secciones, los pequeños cambios que generan valores atípicos suelen ser menos notorios. No obstante, estas anomalías podrían ser muy importantes para comprender cambios futuros en el patrón climático. Por ello, mediante este trabajo se propone la construcción de modelos de aprendizaje profundo para la detección de valores atípicos en diversos conjuntos de datos meteorológicos de las Islas Canarias empleando la técnica no supervisada denominada Autoencoder.

Exteme weather phenomenas are a risk factor that has increased in intensity, frequency and severity. Some of these events, such as fires and flash floods, can negatively affect the health and economy of the population in a region, country or continent. On many occasions, the phenomena cannot be predictable since, if we analyze vast regions or sections, the small changes that generate outliers tend to be less noticeable. However, these anomalies could be very significant in understanding future changes in the weather pattern. Therefore, this project proposes the development of deep learning models for detecting outliers in various sets of meteorological data from the Canary Islands using the unsupervised technique called Autoencoder