Clasificación automática de imágenes de cielo mediante Inteligencia Artificial

Abstract

Debido a los desafíos que ha supuesto a lo largo de la historia la predicción de la nubosidad, el desarrollo de la tecnología de inteligencia artificial es cada día más necesario para los meteorólogos. El objetivo de este trabajo es la clasificación de imágenes de cielo mediante inteligencia artificial. Para ello se ha realizado el etiquetado de imágenes procedentes de una cámara de cielo según el número de octas que se observan. El número de octas nos proporcionará la nubosidad de la imagen. A continuación utilizaremos dichas imágenes para el entrenamiento de una red neuronal que nos permita predecir el estado del cielo. En el presente trabajo se han realizado 18 modelos diferentes en el entrenamiento de la red neuronal para que aprenda a clasificar imágenes. Tras esto se procede a la validación del conjunto de imágenes, denominado ``conjunto de validación'', para analizar diferentes métricas de estudio y realizar las correspondientes valoraciones de los resultados y su viabilidad. Hemos obtenido buenos resultados para diferentes métricas alcanzando tasas de acierto, al permitir errores de una octa, del 92 \%.

Due to the challenges that cloud prediction has posed throughout history, the development of artificial intelligence technology is increasingly necessary for meteorologists. The goal of this work is the classification of sky images using artificial intelligence. To achieve this, images from a sky camera have been labeled according to the number of oktas observed, which provides the cloudiness of the image. We will then use these images to train a neural network to predict the state of the sky. In this study, 18 different models were used to train the neural network to classify images. After training, a set of validation images, called the ”validation set,”was used to analyze different study metrics and evaluate the results and their feasibility. We have achieved good results for different metrics, with accuracy rates of 92 %, allowing errors of one okta