Métodos de interpolación de datos con el modelo basado en UNet para pronóstico del tiempo

Resumen: El aprendizaje profundo mejora las predicciones del tiempo, y la mayoría de las aplicaciones de aprendizaje automático necesitan preparación de datos, incluida la interpolación. Dado que los datos recopilados por satélites meteorológicos tienen varios valores faltantes, vale la pena estudiar la interpolación en el pronóstico del tiempo. Este artículo utilizó un modelo basado en UNet para evaluar 10 métodos de interpolación con diferentes parámetros en una tarea de predicción del tiempo a corto plazo de la Competencia de Big Data de IEEE 2021. Cada estrategia fue evaluada utilizando 3 grupos de aspectos de evaluación, sumando un total de 7 métricas. Uno de los problemas específicos explorados en esta investigación fue reducir la influencia de un posible desplazamiento en las imágenes de satélite, lo cual a menudo se enfatiza por estándares de evaluación emocionantes. Después de la interpolación, algunas soluciones mostraron que podían aumentar el rendimiento del modelo hasta cierto punto. Aunque no hubo un método óptimo universal, la interpolación utilizando relaciones lineales funcionó bastante bien en la mayoría de los casos y produjo los mejores resultados cuando se tuvieron en cuenta todas las métricas de evaluación. Sin embargo, el método más efectivo consume mucho tiempo y requiere una gran cantidad de cálculos. Además de la interpolación con relación lineal, calcular el valor medio de una región limitada es beneficioso y eficiente. Este estudio espera que la conclusión mejore la predicción del tiempo futura o el procesamiento de datos meteorológicos y se amplíe con otras métricas de evaluación para evaluar mejor la efectividad de un modelo de aprendizaje profundo.