Machine learning regression and classification methods for fog events prediction
Los eventos atmosféricos de baja visibilidad suelen estar asociados con la formación de niebla. De hecho, los eventos de baja visibilidad extrema afectan profundamente el transporte aéreo y terrestre, los aeropuertos y las carreteras y autovías, causando accidentes y problemas de tráfico cada año. L...
| Autores: | , , , , , , |
|---|---|
| Formato: | artículo |
| Fecha de publicación: | 2022 |
| País: | España |
| Recursos: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | inglés |
| OAI Identifier: | oai:ebuah.uah.es:10017/63098 |
| Acesso em linha: | http://hdl.handle.net/10017/63098 https://dx.doi.org/10.1016/j.atmosres.2022.106157 |
| Access Level: | acceso abierto |
| Palavra-chave: | Low-visibility events Orographic and hill-fogs Classification problems Regression problems Machine Learning algorithms Informática Computer science |
| Resumo: | Los eventos atmosféricos de baja visibilidad suelen estar asociados con la formación de niebla. De hecho, los eventos de baja visibilidad extrema afectan profundamente el transporte aéreo y terrestre, los aeropuertos y las carreteras y autovías, causando accidentes y problemas de tráfico cada año. Los algoritmos de aprendizaje automático (ML) se han aplicado con éxito a muchos problemas de predicción de formación de niebla y baja visibilidad. El problema asociado a la predicción de este tipo de eventos se puede formular como una regresión o como una tarea de clasificación, lo que tiene un impacto en el tipo de enfoque de ML que se utilizará, así como en la calidad de las predicciones obtenidas. En este artículo, realizamos un análisis completo de los problemas de predicción en eventos de baja visibilidad, formulados como problemas de regresión y clasificación. Discutimos el funcionamiento de una gran cantidad de algoritmos de ML en cada tipo de problema y evaluamos su funcionamiento en término de calidad de las soluciones obtenidas, bajo un marco de comparación común. De acuerdo con los resultados obtenidos, se proporcionan indicaciones sobre cuál es la formulación más eficiente para abordar las predicciones de baja visibilidad, y los enfoques de ML que obtienen mejores soluciones para la predicción de este tipo de eventos. |
|---|