Incorporación de información temporal de precipitación en un método de downscaling basado en datos
No Thumbnail Available
Date
2026-09-01
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca. Facultad de Ingeniería
Abstract
This study evaluates the impact of incorporating temporal information into deep learning models for the downscaling of daily precipitation in regions with complex topography, using satellite data as the primary information source. The objective is to compare the performance of purely spatial U-Net architectures with spatiotemporal architectures in terms of statistical agreement and their ability to represent hydrometeorological variability. To this end, three architectures were implemented: a two-dimensional convolutional U-Net (Conv2D) without temporal information, and two U-Net models that incorporate temporal information, one based on three-dimensional convolution (Conv3D) and the other combining two-dimensional convolution with Long Short-Term Memory (LSTM) operators along the temporal dimension. All models were trained under homogeneous configurations, and their performance was evaluated through spatial analyses of the mean, standard deviation, and error metrics. The results indicate that the inclusion of temporal information improves overall performance by reducing errors and increasing correlation with the reference data. The ConvLSTM2D architecture exhibited the best overall performance, particularly in the representation of extreme values. Nevertheless, the analysis suggests that performance gains do not depend solely on the inclusion of the temporal dimension, but also on how temporal information is integrated into the model architecture. In summary, spatiotemporal deep learning models show strong potential for satellite precipitation downscaling in mountainous regions and highlight the need to further explore strategies that optimize the use of temporal information.
Resumen
Este estudio evalúa el impacto de la incorporación de información temporal en modelos de aprendizaje profundo para el downscaling de precipitación diaria en regiones de topografía compleja, utilizando datos satelitales como fuente principal. El objetivo es comparar el desempeño de arquitecturas U-Net, puramente espacial con arquitecturas espacio temporales, en términos de ajuste estadístico y representación de la variabilidad hidrometeorológica. Para realizar la comparación se implementaron tres arquitecturas: una U-Net convolucional 2D (Conv2D) sin información temporal, y dos U-Net que incorporan información temporal, una emplea convolución 3D (Conv3D) y la otra aplica convolución 2D combinada con operadores Long Short Term Memory (LSTM) en la dimensión temporal. Los modelos se entrenaron bajo configuraciones homogéneas, junto con análisis espaciales de la media, la desviación estándar y los errores. Los resultados indican que la inclusión de información temporal mejora el desempeño general, al reducir los errores y aumentar la correlación con los datos de referencia. La arquitectura ConvLSTM2D presentó el mejor desempeño global y de los valores extremos. No obstante, el análisis sugiere que la mejora no depende únicamente de la dimensión temporal, sino también de cómo esta se integra en la arquitectura. En resumen, los modelos espaciotemporales basados en aprendizaje profundo muestran un alto potencial para el downscaling de precipitación satelital en regiones montañosas y resaltan la necesidad de continur explorando estrategias que optimicen el aprovechamiento de la información temporal.
Keywords
Ingeniería Civil, Datos satelitales, U-Net espaciotemporal
Citation
Código de tesis
TI; 1403
Código de tesis
Grado Académico
Ingeniero Civil