Antes de realizar las pruebas de funcionamiento del algoritmo de corrección alternativo, la tarea se centró en definir las constantes P3, P5 y P7 que resultaran más eficientes. Como se dijo anteriormente estas constantes representan el número mínimo de datos clasificados como biológicos o meteorológicos encontrados para realizar la corrección en cada una de las ventanas, por lo que se procedió estudiar varias zonas de prueba en varios eventos con diferentes áreas donde se cambiarían los datos para generar propagaciones anómalas y obtener una comparación con el filtro de ventana 3x3 y 7x7. Se requirió diseñar una ecuación que pudiera establecer el grado de efectividad de los algoritmos implementados, tomando en cuenta el valor corregido, el valor nominal u original y el valor modificado, de esta manera se llegó a la ecuación 7.1:
𝐸𝑓 =
|𝑜𝑟𝑖𝑔 − 𝑚𝑒𝑑𝑜𝑟𝑖𝑔 | − |𝑜𝑟𝑖𝑔 − (𝑜𝑟𝑖𝑔 + 𝐶)𝑜𝑟𝑖𝑔 | |𝑜𝑟𝑖𝑔 − (𝑜𝑟𝑖𝑔 + 𝐶)𝑜𝑟𝑖𝑔 |
∗ 100 (7.1)
Donde:
Ef. Es el llamado porcentaje de eficacia de correccion. Orig. Es el dato original sin modificaciones
Med. Es el dato resultante después de la corrección.
C. Es la constante que se añade al dato original para ser modificado.
Dada esta ecuación, la cual representa el porcentaje de efectividad de corrección, se puede verificar que, si el dato obtenido es igual al dato original, la efectividad es de 100%, mientras que si el dato medido es igual al valor del dato original más la constante C la efectividad de corrección es de 0%, por lo que es la ecuación que permitirá verificar que algoritmo implementado da mejor resultado y el grado en el que es efectivo. En las figuras 82 y 83se ilustran una de las zonas estudiadas para la tarea de buscar P3, P5 y P7, los cuales se dieron entre los grados 30 y 90 tomando en Norte como el grado 0 y entre los 45,8Km y los 54,96Km de radio representados en 30 casillas (desde 100 hasta 130 casillas radiales).
Página|116
Fig. 82. Mapa de clasificación de datos del evento 1 sin modificaciones (Elaboración propia)
Las zonas de estudio aumentadas para cada una de las variables y el mapa de clasificacion son ilustradas en la figura 83,.
Página|117
Fig. 83. a. Mapa aumentado de clasificación de datos del área de estudio. b. Mapa aumentado para la variable ZdB. c. Mapa aumentado para la variable Zdr. d. Mapa aumentado para la
variable Rhohv. (Elaboración propia).
En la figura 84 se detallan las zonas modificadas para cada una de las variables y el mapa de clasificacion, para la prueba 1, donde se obtine un gran porcentaje de objetivos meteorologicos clasificados.
Página|118
Fig. 84. Áreas modificadas en cada variable, a. Área modificada de clasificación de datos. b. Área modificada para la variable ZdB. c. Área modificada para la variable Zdr. d. Área
modificada para la variable Rhohv. (Elaboración propia).
Se procede a realizar varias pruebas registradas en las tablas 13, 14, 15 y 16 en las cuales se registran los porcentajes de efectividad de las correcciones realizadas para la zona de estudio, usando el filtro de ventana de longitud variable, se realizaron pruebas para varios valores de P3, P5 y P7 esto con el fin de dar una mayor aproximación a los resultados finales.
Página|119
Tabla 13. Resultados obtenidos para diferentes valores de P3, P5 y P7, fase I (Elaboración propia).
A continuación, se hace un nuevo estudio para los valores más cercanos a las constantes obtenidas, en la primera prueba (Tabla 13). En la Tabla 14 se logra encontrar
P3 P5 P7 ZdB Zdr Rhohv 2 3 4 92,86 92,84 98,05 2 3 10 92,704 92,74 98,06 2 3 16 92,706 92,74 98,06 2 3 22 92,706 92,74 98,06 2 8 4 92,806 92,73 98,06 2 8 10 92,505 92,54 98,07 2 8 16 92,506 92,54 98,08 2 8 22 92,506 92,54 98,07 2 14 4 92,808 92,74 98,06 2 14 10 92,508 92,54 98,07 2 14 16 92,508 92,54 98,07 2 14 22 92,508 92,54 98,07 4 3 4 92,84 92,83 98,06 4 3 10 92,66 92,68 98,06 4 3 16 92,66 92,68 98,06 4 3 22 92,66 92,68 98,07 4 8 4 92,77 92,7 98,07 4 8 10 92,43 92,34 98,09 4 8 16 92,33 92,3 98,09 4 8 22 92,33 92,3 98,09 4 14 4 92,77 92,69 98,07 4 14 10 92,43 92,34 98,09 4 14 16 92,34 92,28 98,09 4 14 22 92,34 92,28 98,09 6 3 4 92,83 92,83 98,05 6 3 10 92,66 92,68 98,06 6 3 16 92,66 92,68 98,07 6 3 22 92,66 92,68 98,06 6 8 4 92,76 92,69 98,07 6 8 10 92,43 92,34 98,09 6 8 16 92,33 92,29 98,09 6 8 22 92,33 92,29 98,09 6 14 4 92,77 92,69 98,07 6 14 10 92,44 92,34 98,09 6 14 16 92,34 92,28 98,09 6 14 22 98,34 92,28 98,09
Página|120
para una primera prueba que los P con mayor efectividad de corrección son P3=2, P5=3 y P7=4. Se realiza un barrio de recolección de datos para diferentes valores de P7, para valores fijos de P3 y P5, concerniente a la Fase II de pruebas.
Tabla 14. Mejores resultados para diferentes valores de P7, con P3 y P7 fijos, fase II (Elaboración propia).
Se logra aproximar un valor eficiente de P7, donde el valor de efectividad para todas las variables es más alto. Con la constante de P7 obtenida, se procede a la fase III, registrada en la tabla 15, donde se realiza el estudio para diferentes valores de P5 y así obtener la mejor respuesta posible.
Tabla 15. Mejores resultados para diferentes valores de P5, con P3y P7 fijos, faseIII (Elaboración propia).
Se logra aproximar un valor eficiente de P5, obteniendo un valor aproximado de P3=5. Con la constante de P7 obtenida y la constante P5 también obtenida, se procede a la fase IV, registrada en la tabla 16, donde se realiza el estudio para diferentes valores de P3 y así obtener la mejor respuesta posible.
P3 P5 P7 ZdB Zdr Rhohv 4 3 3 92,84 92,83 98,06 4 3 4 92,86 92,84 98,05 4 3 5 92,84 92,83 98,05 4 3 6 92,84 92,83 98,06 4 3 7 92,84 92,83 98,06 4 3 8 92,66 92,68 98,07 4 3 9 92,66 92,68 98,07 4 3 10 92,66 92,68 98,06 P3 P5 P7 ZdB Zdr Rhohv 4 3 6 92,84 92,83 98,06 4 4 6 92,84 92,83 98,05 4 5 6 92,84 92,83 98,06 4 6 6 92,78 92,72 98,07 4 7 6 92,77 92,72 98,07
Página|121
Tabla 16. Mejores resultados para diferentes valores de P3, con P5 y P7 fijos, fase IV (Elaboracion propia).
De lo observado en la tabla 16, se logró concertar que los P que mostraban resultados más eficientes para diferentes áreas de propagaciones anómalas simuladas, eran los siguientes:
𝑃3 = 3 𝑃5 = 5 𝑃7 = 7
Dadas las anteriores constantes se procedió a verificar los porcentajes de efectividad y compararlos con los obtenidos para el filtro de ventana 7x7 con ayuda de la ecuación 7 los cuales son registrados en la Tabla 17. Como se puede observar, los resultados obtenidos para el filtro de ventana 3x3 no son consistentes, esto debido a que se implementó el algoritmo sugerido en el trabajo Modelo para la detección y corrección de propagaciones anómalas en radares meteorológicos para zonas ecuatoriales [12], en el cual se daba un valor en la ecuación de ponderación de corrección al mismo dato registrado como “AP”, esto genera un importante error en la corrección, además que la variable rhohv, es un factor. Por lo que no se validan los datos obtenidos por este método. Para el filtro de ventana 7x7 se realizó la modificación necesaria, y no se tuvo en cuenta el valor del mismo dato ”AP” para su eventual corrección, registrando un importante mejoramiento en la efectividad de corrección.
Tabla 17. Resultados obtenidos por los filtros de ventana 3x3, 7x7 y de longitud variable para diferentes eventos (Elaboración propia).
P3 P5 P7 ZdB Zdr Rhohv 1 5 6 92,86 92,84 98,05 2 5 6 92,86 92,84 98,05 3 5 6 92,86 92,84 98,05 4 5 6 92,84 92,83 98,06 5 5 6 92,84 92,83 98,05 6 5 6 92,83 92,83 98,05 porcentaje de Propagaciones anomalas Tipo de
correccion usado ZdB Zdr Rhohv
3x3 88,46 65,25 45,56 7x7 94,11 93,78 98,08 variable 95,28 94,02 98,006 3x3 90,122 74,97 40,36 7x7 94,84 94,25 98,15 variable 95,49 94,26 98,02 70% 40%
Página|122
Como se observa en la Tabla 17, se obtiene un importante mejoramiento en todas las correcciones de la variable ZdB con respecto al filtro de ventana 7x7, en la medida que el área de propagaciones anómalas disminuye, de igual manera para las variables Zdr y rhohv, se logra superar el porcentaje de efectividad para varias pruebas realizadas, en mayor medida para un área no tan extensa nuevamente de propagaciones anómalas. En la figura 85se ilustra la corrección de propagaciones anómalas con cada uno de los filtros, en el área modificada con un 100% de propagaciones anómalas en el área definida (30° a 90°, 45,8Km a 54,96Km).
Fig. 85. Correcciones de propagaciones anómalas, 100% del área modificada, clasificación. a. Filtro 3x3. b. Filtro 7x7. c. Filtro de longitud variable (Elaboración propia).
De igual manera se ilustra las correcciones realizadas para cada una de las variables utilizando los filtros de ventana 3x3, 7x7 y de longitud variable en la figura 86 con un 100% de datos modificados dentro del área mencionada se ilustra las correcciones realizadas para la variable ZdB, donde se logra visualizar un importante mejoramiento de corrección por el filtro de longitud variable, donde las correcciones realizadas por cada filtro son:
𝐸𝑓(3𝑥3)𝑍𝑑𝐵 = 83.604%
𝐸𝑓(7𝑥7)𝑍𝑑𝐵 = 87.902%
𝐸𝑓(𝑙𝑜𝑛𝑔. 𝑣𝑎𝑟. )𝑍𝑑𝐵 = 92.86%
Página|123
Fig. 86. Correcciones de propagaciones anómalas, 100% del área modificada, Variable ZdB. a. Filtro 3x3. b. Filtro 7x7. c. Filtro de longitud variable (Elaboración propia).
En la figura 87 se ilustran las correcciones realizadas para la variable Zdr, con un 100% de datos modificados dentro del área mencionada, donde también se logra visualizar un importante mejoramiento de corrección con el filtro de longitud variable, donde las correcciones realizadas por cada filtro son:
𝐸𝑓(3𝑥3)𝑍𝑑𝑟 = 53.18%
𝐸𝑓(7𝑥7)𝑍𝑑𝑟 = 91.68%
𝐸𝑓(𝑙𝑜𝑛𝑔. 𝑣𝑎𝑟. )𝑍𝑑𝑟 = 92.84%
Fig. 87. Correcciones de propagaciones anómalas, 100% del área modificada, Variable Zdr. a. Filtro 3x3. b. Filtro 7x7. c. Filtro de longitud variable (Elaboración propia).
De igual manera se ilustran los resultados obtenidos para la variable Rhohv en el área estudiada con 100% de datos modificados en el área mencionada, mostrando en la figura 88, con un importante mejoramiento de corrección con el filtro de longitud variable. La efectividad de corrección por cada uno de los filtros en la variable Rhohv son:
Página|124
𝐸𝑓(7𝑥7)𝑅ℎ𝑜ℎ𝑣= 98,1%
𝐸𝑓(𝑙𝑜𝑛𝑔. 𝑣𝑎𝑟. )𝑅ℎ𝑜ℎ𝑣= 98,05%
Fig. 88 Correcciones de propagaciones anómalas, 100% del área modificada, Variable Rhohv. a. Filtro 3x3. b. Filtro 7x7. c. Filtro de longitud variable (Elaboración propia).
Posteriormente se redujo la cantidad de datos modificados en la misma área de estudio, con el fin de verificar resultados con datos de apoyo dentro del área. Se procedió a restarle el 30% de propagaciones anómalas en el área, como se ilustra en la figura 89, para cada una de las variables y el mapa de clasificación de datos.
Página|125
Fig. 89. Áreas modificadas en cada variable, 70% del área modificada. a. Área modificada de clasificación de datos. b. Área modificada para la variable ZdB. c. Área modificada para la variable Zdr. d. Área modificada para la variable Rhohv. (Elaboración propia).
En las figuras 90 y 91, se ilustran los mapas obtenidos posterior a la corrección con los filtros de ventana 3x3, 7x7 y de longitud variable, para las variables ZdB y Zdr. Donde se ve para todos los filtros un mejoramiento de los resultados acercándose más al valor real los métodos de filtro de ventana 7x7 y de longitud variable. Sin embargo, el filtro de ventana de longitud variable muestra resultados más eficientes, obteniéndose un porcentaje de efectividad de 95,28% para ZdB y 94,02% para Zdr, en comparación con 94,11% y 93, 78% respectivamente obtenidos por el filtro 7x7.
Página|126
Fig. 90. Correcciones de propagaciones anómalas, 70% del área modificada, Variable ZdB. a. Filtro 3x3. b. Filtro 7x7. c. Filtro de longitud variable (Elaboración propia).
Fig. 91. Correcciones de propagaciones anómalas, 70% del área modificada, Variable Zdr. a. Filtro 3x3. b. Filtro 7x7. c. Filtro de longitud variable (Elaboración propia).
Para la corrección de propagaciones anómalas, se puede observar en la figura 92, como para el filtro de ventana 3x3, después de la corrección se obtienen todavía ciertos puntos clasificados como propagación anómala, para el área modificada. Sin embargo, pare los filtros 7x7 y de longitud variable, se muestra cómo se han corregido todos los datos modificados.
Página|127
Fig. 92. Correcciones de propagaciones anómalas,70% del área modificada, Clasificación. a. Filtro 3x3. b. Filtro 7x7. c. Filtro de longitud variable (Elaboración propia).
Posteriormente se redujo la cantidad de datos modificados dentro de la misma arrea de estudio proporcionando solo el 40% de datos modificados. Se ilustra en la figura 93 las zonas modificadas para cada una de las variables y el mapa de clasificación de datos obtenido.
Página|128
Fig. 93. Áreas modificadas en cada variable, 40% del área modificada. a. Área modificada de clasificación de datos. b. Área modificada para la variable ZdB. c. Área modificada para la
variable Zdr. d. Área modificada para la variable Rhohv. (Elaboración propia)
En las figuras 94, 95 y 96, se ilustran los mapas obtenidos posterior a la corrección con los filtros de ventana 7x7 y de longitud variable, para las variables ZdB, Zdr y Rhohv respectivamente. Donde se ve como el filtro de ventana de longitud variable muestra resultados más eficientes, obteniéndose un porcentaje de efectividad de 95,49% para ZdB y 94,26% para Zdr, en comparación con 94,84% y 94,25% respectivamente obtenidos por el filtro 7x7. Para la variable Rhohv los resultados obtenidos son muy similares, ambos resultados por encima del 98%.
Página|129
Fig. 94. Correcciones de propagaciones anómalas, 40% del área modificada, Variable ZdB. a. Filtro 7x7. b. Filtro de longitud variable (Elaboración propia).
Fig. 95. Correcciones de propagaciones anómalas, 40% del área modificada, Variable Zdr. a. Filtro 7x7. b. Filtro de longitud variable (Elaboración propia).
Página|130
Fig. 96. Correcciones de propagaciones anómalas, 40% del área modificada, Variable Rho. a. Filtro 7x7. b. Filtro de longitud variable (Elaboración propia).
Finalmente se ilustra en la figura 97, como nuevamente los filtros 7x7 y de longitud variable logran eliminar todas las propagaciones anómalas generadas en el área de estudio, validando nuevamente el funcionamiento del algoritmo del filtro de ventana de longitud variable.
Fig. 97. Correcciones de propagaciones anómalas, 40% del área modificada, Clasificación. a. Filtro 7x7. b. Filtro de longitud variable (Elaboración propia).
Página|131
Se hicieron pruebas de funcionamiento del simulador implementado en la interfaz gráfica de usuario, la cual permite modificar los datos en rangos determinados para un archivo importado, desde los 2 grados hasta los 358 grados, y desde los 2 hasta 662 casillas radiales. Se integró un sistema por el cual el usuario puede determinar el porcentaje de datos modificados dentro del área seleccionada y así realizar la simulación de corrección de errores debidos a propagaciones anómalas.
Fig. 98. datos originales para el evento importado. (Elaboración propia).
En la figura 98. Se ilustran los datos originales importados por el archivo, la zona de estudio será todo el mapa con datos no clasificados como AP. Se evalúa con un 90% de datos modificados, esto con el fin de probar en todos los rangos posibles en todas las variables el funcionamiento del algoritmo de corrección en un caso extremo. En la figura 99 (izquierda), se logra apreciar cómo es modificada con el 90% de datos la totalidad del mapa para la variable dBZ, y en esta misma figura el mapa obtenido con correcciones realizadas de igual modo para la variable dBZ.
Página|132
Fig. 99. Para la variable dBZ, a la izquierda los datos modificados en todo el mapa con un 90% de datos modificados, a la derecha el resultado de corrección de propagaciones anómalas
(Elaboración propia).
Lo que se aprecia en los mapas de corrección realizada, en comparación con los mapas originales es sin duda una muy buena aproximación al original, esto teniendo en cuenta que el algoritmo se pone a prueba con tan solo 10% de información útil para el corrector y aun así se logran visualizar las formas más importantes con zonas en los rangos aproximados, no solo para la variable Dbz, si no para las demás variables (Zdr, Rhohv.) como se puede apreciar en las figuras 100 y 101.
Fig. 100. Para la variable Zdr, a la izquierda los datos modificados en todo el mapa con un 90% de datos modificados, a la derecha el resultado de corrección de propagaciones anómalas
Página|133
Fig. 101. Para la variable Rhohv, a la izquierda los datos modificados en todo el mapa con un 90% de datos modificados, a la derecha el resultado de corrección de propagaciones anómalas
(Elaboración propia).
Finalmente se evalúa el comportamiento en general del algoritmo de corrección con los mapas de clasificación generados. En la figura 102 (izquierda), se ilustra cómo se clasifica casi la totalidad del mapa como propagaciones anómalas (90% de datos modificados), y como resultado (Fig. 102 derecha) se obtiene un mapa con la mayoría de datos clasificados como objetivos meteorológicos y biológicos.
Fig. 102. Para el mapa de clasificación de datos, a la izquierda los datos modificados en todo el mapa con un 90% de datos modificados, a la derecha el resultado de corrección de
Página|134
8. CONCLUSIONES
El algoritmo de corrección desarrollado en este trabajo (Filtro de ventana de longitud variable), incremento el llamado porcentaje de efectividad de corrección en las variables ZdB y Zdr, pasando del 89% al obtenido en el filtro de ventana 7x7 al 95% en los mejores casos. Para la variable Rhohv el porcentaje de efectividad de corrección, en la mayoría de pruebas realizadas no se obtuvo más de 1% de diferencia entre la utilización del filtro de ventana 7x7 y el algoritmo de filtro de ventana de longitud variable.
El filtro de ventana 3x3, aunque en todas las pruebas realizadas obtuvo siempre los peores porcentajes de efectividad de corrección, requiere un muy bajo costo computacional, viéndose esto reflejado en tiempos de ejecución importantes para los filtros de ventana 7x7 y de longitud variable.
La utilización de algoritmos de procesamiento de imágenes suplidas por las diferentes librerías proporcionadas para Python, no mostraron resultados de mayor favorabilidad, por lo que se despreciaron y se diseñó el filtro de ventana de longitud variable, el cual es una versión mejorada de los filtros de ventana propuestos en el trabajo Modelo para la detección y corrección de propagaciones anómalas en radares meteorológicos para zonas ecuatoriales [12], basado en aumentar las restricciones en el momento de tomar datos vecinos a una eventual propagación anómala, y un doble barrido de corrección por cada cuadrante.
La implementación del aplicativo en el lenguaje de programación Python, fue favorable en el desarrollo de este trabajo, debido a que es un lenguaje totalmente orientado a objetos, con facilidad para trabajar con listas iterables, además de poseer una gran variedad de documentación y librerías open source de tipo científico, incluyendo opciones para desarrollo de interfaces graficas de usuario.
TRABAJOS FUTUROS
En el presente trabajo se diseñó un software que permitiera al usuario interactuar en tres modos de uso diferentes, Generar mapas extraídos, corregir Propagaciones anómalas y simular Eventos de propagaciones anómalas. Se vería enriquecido el software con la implementación de un sistema de visualización de mapas en tiempo real o la generación de otras funciones específicas con fines de tratamiento de datos provenientes de los sistemas de radar.
Página|135
9. BIBLIOGRAFÍA
[1] Michael Rosengaus Moshinsky (2015) “Fundamentos de radares meteorológicos: aspectos clásicos (primera de dos partes)”, Instituto Mexicano de Tecnología del Agua, Ingeniería Hidráulica en México. Vol X.
[2] S. Fattorelli; R. Casale, M. Borga; D. Da Ros (2015) “Integración de técnicas radar y
sensores remotos para la estimación de lluvias en aplicaciones hidrológicas y mitigación de riesgos de inundación”, Comisión Europea Dirección General XII Ciencia, Investigación y Desarrollo. Bruselas.
[3] Rafael Sánchez-Diezma Guijarro (2001). Tesis Doctoral Optimización de la medida de lluvia por radar meteorológico para su aplicación hidrológica. España.
[4] Ernesto Gómez Vargas (2015) Modelo para la estimación cuantitativa de precipitación a partir de datos de radares polarimétricos. Bogotá.
[5] Bringi, V.N. Thurai, M. Hannesen, R. (2007) Dual Polarization Weather Radar Handbook. Segunda Edicion. Selex –Gematronik.
[6] Liu, H. Chandrasekar, V. (1999). Classification of Hydrometeors Based on Polarimetric Radar Measurements: Development of Fuzzy Logic and Neuro-Fuzzy Systems, and in Situ Verification. Journal of atmospheric and oceanic technology.
Volume 27. Fort Collins.
[7]
Madows, Gloria G. (2011),
Análisis comparativo a las técnicas para modelar el funcionamiento de los sistemas de información, Atlanta.[8]Popkin Software and Systems, (2001) Modelado de Sistemas con UML, New York. [9]” Modelos de desarrollo de software” (2007) [en línea] disponible en:
https://pdfs.semanticscholar.org/presentation/2403/7678f5cfd0d23d1a7d59b9b9ff2bab c31d99.pdf recuperado: 30 de octubre de 2018.
[10] “El tutorial de PYTHON, por Guido van Rossum”. (2017), [en línea] disponible en: http://docs.python.org.ar/tutorial/pdfs/TutorialPython3.pdf. Rrecuperado: 16 de enero de 2019.
[11] “Interfaces Graficas (Phyton)”, [en línea] disponible en:
http://www.python.org.ar/wiki/InterfacesGraficas.
Recuperado: 5 de febrero de 2019.[12] MSc. Camargo López, Julián Rolando. Tesis de Maestría (2018). Modelo para la detección y corrección de propagaciones anómalas en radares meteorológicos para zonas ecuatoriales, Bogotá.
Página|136
[13] “Professional service weather”, [en línea] disponible en:
https://www.metgis.com/es Recuperado: 8 de febrero de 2019.
[14] “MULTI-RADAR/MULTI-SENSOR SYSTEM (MRMS)” [en línea] disponible en:
https://www.nssl.noaa.gov/projects/mrms/ Recuperado: 15 de febrero de 2019.
[15] “netCDF4 1.5.1.2” librería para tratamiento de archivos CDF [en línea] disponible en: https://pypi.org/project/netCDF4/ Recuperado: 16 de febrero de 2019.
[16] “netCDF4 module” Documentación uso de los módulos de librería netCDF4 para Python [en línea] disponible en: http://unidata.github.io/netcdf4- python/netCDF4/index.html#netCDF4.Dataset Recuperado: 20 de febrero de 2019.