Introducción La clasificación del tiempo juega un papel crucial en aplicaciones como el monitoreo ambiental, la gestión de desastres y la infraestructura de ciudades inteligentes. La clasificación precisa y eficiente de las condiciones climáticas a partir de imágenes sigue siendo una tarea desafiante debido a las variaciones en la iluminación, la textura y las condiciones atmosféricas. Métodos Este estudio propone un marco de aprendizaje profundo eficiente para la clasificación multiclase del tiempo integrando la arquitectura Xception con bloques de Squeeze-and-Excitation (SE) y un mecanismo de atención espacial. Se empleó el aprendizaje por transferencia con pesos preentrenados de ImageNet, y se realizó un análisis comparativo utilizando las arquitecturas EfficientNet-B3, ResNet152V2 y Xception. El modelo Xception mejorado propuesto incorpora recalibración por canal y refinamiento de características espaciales para mejorar la capacidad representacional. El modelo fue entrenado y evaluado en el Conjunto de Datos de Clima Multiclase (MWD), que consiste en 1,125 imágenes categorizadas en cuatro clases: sol, nublado, lluvia y amanecer. Para garantizar la robustez y generalización, se realizó una validación cruzada de 5 pliegues, pruebas de significancia estadística, análisis de calibración y evaluación de robustez bajo perturbaciones de imagen. Resultados El modelo propuesto logró una precisión de clasificación del 99.06% en el conjunto de prueba. Además, alcanzó una precisión macro del 98.3%, un recall macro del 97.7% y un F1-score macro del 98.0%. El modelo demostró una fuerte capacidad de generalización y robustez bajo condiciones de perturbación variables, con solo una sobrecarga computacional moderada. Discusión La integración de bloques SE y atención espacial mejora significativamente la representación de características al enfatizar canales informativos y regiones espaciales. En comparación con arquitecturas base, el marco propuesto muestra un rendimiento superior en términos de precisión y robustez. Estos resultados indican que el modelo es adecuado para aplicaciones de clasificación del tiempo en el mundo real, especialmente en sistemas de monitoreo ambiental inteligente.
Shandilya et al. (Mon,) estudiaron esta cuestión.