RT info:eu-repo/semantics/bachelorThesis T1 Segmentación semántica multicategoría de imágenes todo cielo mediante redes neuronales A1 García Pajares, Sergio A2 Universidad de Valladolid. Facultad de Ciencias K1 Segmentación de nubes K1 Imágenes todo cielo K1 Cobertura nubosa K1 Redes neuronales convolucionales AB Las nubes juegan un papel fundamental en el clima terrestre debido a su importanciaen el balance energético de la tierra. Además, producir predicciones meteorológicas a muycorto plazo es crucial para una red eléctrica que quiere depender más y más de la energíafotovoltaica. Por estos motivos, las propiedades de las nubes deben ser medidas de maneraprecisa y asequible. Un instrumento que cumple estos requisitos son las cámaras todo cielo.Mediciones con suficiente resolución espacial y temporal requieren la automatización delanálisis de las imágenes. Un paso para conseguirlo es la segmentación semántica de lasmismas.Presentamos un modelo ligero basado en Redes Neuronales Convolucionales. Seguimosuna arquitectura encoder–decoder similar a U-Net con la red VGG16 como enconder. Técnicas de transferencia de aprendizaje son usadas para entrenar el modelo en un conjutode datos del grupo de investigación GOA-UVa. El conjunto de datos se construye con seiscámaras en 2 ubicaciones distintas y consiste en imágenes todo cielo con condiciones meteorológicas variadas. Las imágenes se etiquetan en cinco categorías: N/A, cielo despejado,sol, nubes espesa y nube fina. Además, se emplean técnicas de aumentación de datos.El funcionamiento del modelo se explica, proporcionando una aproximación general a lasredes neuronales. Después, se explican las operaciones de convolución, convolución transpuesta y pooling, proporcionando ilustraciones para desarrollar la intuición. Finalmente semuestra como estas operaciones conforman las capas convolucionales.El modelo consigue un ratio de positivos verdaderos (TP) de hasta el 97 % en algunoscasos. Funciona mejor en imágenes diurnas despejadas, pero también se obtienen muybuenas condiciones con cielos totalmente cubiertos. Mejora trabajos previos en este campoen un 10 % en TP. La medida de la cobertura nubosa se puede obtener a partir de lamáscara de segmentación. El modelo consigue una confianza de ±1 octa de hasta el 92 %.Este resultado es similar a los obtenidos por modelos entrenados específicamente en laclasificación de la cobertura nubosa. YR 2024 FD 2024 LK https://uvadoc.uva.es/handle/10324/70951 UL https://uvadoc.uva.es/handle/10324/70951 LA spa NO Departamento de Física Teórica, Atómica y Óptica DS UVaDOC RD 18-dic-2024