Mostra el registre d'ítem simple
Deep learning for digital typhoon
dc.contributor | Kitamoto, Asanobu |
dc.contributor | Giró Nieto, Xavier |
dc.contributor.author | Rodés Guirao, Lucas |
dc.contributor.other | Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions |
dc.date.accessioned | 2018-10-25T11:00:32Z |
dc.date.available | 2018-10-25T11:00:32Z |
dc.date.issued | 2018-06-29 |
dc.identifier.uri | http://hdl.handle.net/2117/122990 |
dc.description | Exploring Deep Learning techniques to provide Emergency response using Deep Learning Techniques |
dc.description.abstract | Efficient early warning systems can help in the management of natural disaster events, by allowing for adequate evacuations and resources administration. Several different approaches have been used to implement proper early warning systems, such as simulations or statistical models, which rely on the collection of meteorological data. Data-driven techniques have been proven to be effective to build statistical models, being able to generalise to unseen data. Motivated by this, in this work, we explore deep learning techniques applied to the typhoon meteorological satellite image dataset "Digital Typhoon". We focus on intensity measurement and categorisation of different natural phenomena. Firstly, we build a classifier to differentiate natural tropical cyclones and extratropical cyclones and, secondly, we implement a regression model to estimate the centre pressure value of a typhoon. In addition, we also explore cleaning methodologies to ensure that the data used is reliable. The results obtained show that deep learning techniques can be effective under certain circumstances, providing reliable classification/regression models and feature extractors. More research to draw more conclusions and validate the obtained results is expected in the future. |
dc.description.abstract | Els sistemes d'alerta ràpida poden ajudar en la gestió dels esdeveniments de desastres naturals, permetent una evacuació i administració dels recursos adequada. En aquest sentit s'han utilitzat diferentes tècniques per implementar sistemes d'alerta, com ara simulacions o models estadístics, tots ells basats en la recollida de dades meteorològiques. S'ha demostrat que les tècniques basades en dades són eficaces a l'hora de construir models estadístics, podent generalitzar-se a a noves dades. Motivat per això, en aquest treball, explorem l'ús de tècniques d'apre-nentatge profund (o \emph{deep learning}) aplicades a les imatges meteorològi-ques per satèl·lit de tifons del projecte "Digital Typhoon". Ens centrem en la mesura i la categorització de la intensitat de diferents fenòmens naturals. En primer lloc, construïm un classificador per diferenciar ciclons tropicals naturals i ciclons extratropicals i, en segon lloc, implementem un model de regressió per estimar el valor de pressió central d'un tifó. A més, també explorem metodologies de neteja per garantir que les dades utilitzades siguin fiables. Els resultats obtinguts mostren que les tècniques d'aprenentatge profundes poden ser efectives en determinades circumstàncies, proporcionant models fiables de classificació/regressió i extractors de característiques. Es preveu que hi hagi més recerques per obtenir més conclusions i validar els resultats obtinguts en el futur. |
dc.language.iso | eng |
dc.publisher | Universitat Politècnica de Catalunya |
dc.rights | S'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada' |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
dc.subject | Àrees temàtiques de la UPC::Enginyeria de la telecomunicació |
dc.subject.lcsh | Neural networks (Computer science) |
dc.subject.lcsh | Machine learning |
dc.subject.other | Deep Learning |
dc.subject.other | Convolutional Neural Networks |
dc.subject.other | Environmental Informatics |
dc.subject.other | Typhoon |
dc.subject.other | Tropical Cyclones |
dc.title | Deep learning for digital typhoon |
dc.title.alternative | Deep learning for Digital Typhoon: Exploring a typhoon satellite image dataset using deep learning |
dc.type | Master thesis |
dc.subject.lemac | Xarxes neuronals (Informàtica) |
dc.subject.lemac | Aprenentatge automàtic |
dc.identifier.slug | ETSETB-230.131137 |
dc.rights.access | Open Access |
dc.date.updated | 2018-07-10T05:50:43Z |
dc.audience.educationlevel | Màster |
dc.audience.mediator | Escola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona |
dc.audience.degree | MÀSTER UNIVERSITARI EN ENGINYERIA DE TELECOMUNICACIÓ (Pla 2013) |