Académique Documents
Professionnel Documents
Culture Documents
Adriana Cristina Atencio Campo (1), Karina Inmaculada Bermdez lvarez (2)
1.
Ingeniera Electrnica, Universidad Popular del Cesar (UPC). Joven investigador e Innovador de
Colciencias 2014. Valledupar, Colombia.
Acac79@hotmail.com
2.
Ingeniera Electrnica, Universidad Popular del Cesar (UPC). Joven investigador e Innovador de
Colciencias 2014. Valledupar, Colombia.
Kiba1208@hotmail.com
RESUMEN
Esta investigacin se basa en el desarrollo de un prototipo electrnico estimador de precipitaciones, implementando aprendizaje
de mquina.
El dispositivo consta de un mdulo de adquisicin de variables meteorolgicas como son: temperatura, humedad, presin
atmosfrica, velocidad y direccin del viento. Asimismo el prototipo incluye una interfaz de usuario desarrollada en Android, la
cual recibe datos por medio de tecnologa bluetooth, para adquirir, visualizar y ajustar dichas variables; llevando un registro de
los ltimos datos obtenidos, por el dispositivo.
Usando un conjunto de posibles eventos de lluvia relacionados con el comportamiento de las variables atmosfricas de la ciudad
de Valledupar, se realiz una evaluacin de las diferentes tipologas de lluvia que se pueden presentar, para as implementar un
algoritmo de redes neuronales artificiales Backpropagation, que pueda estimar en determinado instante cmo ser el
comportamiento de dichas precipitaciones.
ABSTRACT
This investigation is based in the development of an electronic prototype precipitations estimator, implementing earning machine.
The device consists in a module of acquisition meteorological variables such as: Temperature, Humidity, Atmospheric pressure,
wind speed and direction. Also this device includes an user interface for Android devices to get the data through Bluetooth
technology, acquire, visualize and adjust the variables mentioned, taking a record of the last data by the device.
Using a set of possible events related to the atmospheric variables behavior of Valledupar City, an evaluation has been done of the
different kinds of rain that can happen, so it can implement an algorithm of Backpropagation Artificial Neural Networks that can
be estimated in certain time like it will be the behavior of the precipitations.
Keywords: Android, Backpropagation, Bluetooth, Estimator, Meteorology, ANN.
1. INTRODUCCION
Las redes neuronales es una tcnica de modelacin matemtica, que intenta imitar el proceso de
aprendizaje que ocurre en el sistema nervioso. A mediados del siglo XX las primeras redes que
se conocieron fueron las redes Perceptrn y Adaline. La utilizacin de las RN para la prediccin
de fenmenos relacionados con el clima se puede encontrar en investigaciones de Clair y Ehrman
en 1998 y J Zurada en 1992, entre otros. Tambin existen aplicaciones de RN en hidrologa para
la prediccin de los fenmenos de lluvia y escorrenta en cuencas con distintas
caractersticas .Las Redes Neuronales se basan en una estructura de neuronas unidas por enlaces
que transmiten informacin a otras neuronas, las cuales entregan un resultado mediante
funciones matemticas. Las RN aprenden de la informacin histrica a travs de un
entrenamiento, lo cual se ajustan los parmetros de la red, con el objetivo de entregar la respuesta
deseada, adquiriendo la capacidad de predecir respuestas del mismo fenmeno. El
comportamiento de las redes depende entonces de los pesos para los enlaces, de las funciones de
activacin que se especifican para las neuronas, las que pueden ser de tres categoras: lineal, de
umbral y sigmoidea, y de la forma en que propagan el error.
Existen varios algoritmos que permiten ir corrigiendo el error de pronstico; uno de los ms
usados es el denominado "backpropagation".El funcionamiento de dicha red consiste en el
aprendizaje de un conjunto predefinido de pares de entradas-salidas, empleando un ciclo de
propagacin y adaptacin de dos fases: primero, al aplicar un primer patrn como estmulo para
la capa de entrada de la red, ste se va propagando a travs de las capas siguientes para generar la
salida, la cual proporciona el valor del error al compararse con la que se desea obtener. A
continuacin estos errores se transmiten hacia atrs, partiendo de la capa de salida, hacia todas
las neuronas de la capa oculta intermedia que contribuyan directamente a la salida, recibiendo el
porcentaje del error aproximado a la participacin de las mismas en la salida original.
Un mejor conocimiento del comportamiento de los parmetros climticos como radiacin,
temperatura, humedad relativa, precipitaciones, etc., es de importancia para decisiones en el
sistema meteorolgico. Es necesario prevenir problemas y solucionar aquellos factores, tratando
de anticiparse a hechos que indiscutiblemente ocurrirn y que en muchos casos se pueden
prevenir. Especialmente, para sistemas donde la rentabilidad permite realizar previsiones para la
lucha activa frente al fenmeno de heladas y lluvias.
Teniendo en cuenta lo anterior es posible notar que si se tiene un sistema que analizando las
variables del clima desde la superficie terrestre, pueda determinar la proporcin de las lluvias
que caern en determinado lugar, este logre servir como una herramienta para realizar estudios
del comportamiento de stas, planteando soluciones para el mejoramiento de las condiciones de
dichas obras civiles y as disminuir el riesgo para la poblacin, ofreciendo una mejor calidad de
vida.
El estimador de precipitaciones permitir realizar de manera previa, la medicin de la proporcin
de la lluvia que est por caer en un lugar determinado. El proceso se llevar a cabo de la
siguiente forma: se tomar la medida de variables, tales como, temperatura atmosfrica, presin
atmosfrica, humedad y velocidad del viento, que sern tratadas mediante una implementacin
de hardware que usando aprendizaje de maquina arrojara los datos de la prxima precipitacin,
describiendo que tanto ser la proporcin de sta y visualizando dicha informacin en una
Tablet.
El tipo de problema que se pretende resolver con la red construida en esta investigacin es de
Estimacin, siendo el objetivo de este entrenar una red neuronal para procesar la informacin en
un embebido usando aprendizaje de mquina, para estimar la proporcin de las precipitaciones
que estn por caer en un lugar determinado.
Ahora se explicara la metodologa donde se trata acerca del proceso de la realizacin de nuestro
proyecto, adems el planteamiento de los resultados y la discusin donde se presenta el alcance
de los resultados.
2. METODOLOGA
Las redes neuronales son estructuras que pretenden simular el comportamiento del cerebro,
consta de interconexiones de neuronas que son capaces de recibir datos de entrada y entregar
una salida [1]. En este trabajo dichas entradas sern datos atmosfricos de: temperatura,
humedad, presin, velocidad de viento y direccin del viento.
2.1.
salida de la red.
Calcular los trminos de error para todas las neuronas. Comparando las salidas deseadas
con las salidas obtenidas.
El error en las capas ocultas depende del de error de la capa de salida. Lo que significa
f. El proceso se repite hasta que el trmino de error resulta tolerable para cada una de las
salidas deseadas
2.2.
Datos meteorolgicos:
Los datos de entradas de la red neuronal son obtenidos mediante los siguientes sensores:
humedad HIH4000, temperatura LM35DZ, presin atmosfrica MPX4115 velocidad y direccin
del viento con Anemmetro y Veleta Davis.
Para realizar la estimacin de las precipitaciones, se tuvieron en cuenta registros de datos del
cuadro climtico de Valledupar segn el aeropuerto Alfonso Lpez Pumarejo:
climticas, y
probabilidades de lluvia arrojados por la estacin meteorolgica del Aeropuerto Alfonso Lpez
Pumarejo.
2.3.
Estimacin de precipitaciones:
La red neuronal fue diseada en matlab utilizando el Neural Networks Toolbox, donde se inicia
la red con unos pesos aleatorios
red1=newff(p1,t1,[4 3]);
Donde p1: son las entradas, t1: son las salidas esperadas, 4 y 3 son es el tamao de las capas.
Las funciones de activacin por defecto son tansig para las capas ocultas y purelin para la capa
de salida. Luego se simula la red, y es comn que las salidas sean alejadas de los resultados
esperados y se obtiene el error.
Debido a lo anterior se procede a entrenar la red para conseguir el menor error posible con la
funcin trainlm
red1.trainParam.show =70;
-Visualizar iteraciones
red1.trainParam.lr = 0.599;
- Velocidad
red1.trainParam.mc = 0.95;
-Coeficiente de momentum
-Nmero de iteraciones
red1.trainParam.goal = 0.1;
red1.trainParam.lr_inc = 1.05;
- Multiplicador de incremento
red1.trainParam.lr_dec= 0.4;
-Multiplicador de decremento
[red1]= train(red1,p1,t1);
Cuando se consigue el error mnimo; se obtienen los pesos y bias de la red entrenada.
w1=red1.IW{1,1}
b1=red1.b{1}
w2=red1.LW{2,1}
b2=red1.b{2}
3. RESULTADOS
Mediante el desarrollo de este proyecto se obtuvo un estimador de precipitaciones usando
aprendizaje de mquina, donde su sistema de alimentacin es independiente de la corriente
elctrica, los datos adquiridos y calculados son visualizados en una Tablet con tecnologa
Android. En este proceso se hizo Adquisicin de las variables meteorolgicas, Implementacin
del software del software del microcontrolador, Implementacin de la aplicacin en Android,
Diseo e implementacin de la RNA, y etapa de alimentacin del sistema. Y estos procesos son
descritos a continuacin:
3.1. Adquisicin de las variables meteorolgicas
Temperatura:
Para obtener los datos de la temperatura ambiente se utiliz el sensor LM35DZ el cual posee
salida de voltaje anlogo lineal que con un pendiente de 10 mV/C y cuyo rango de medicin de
-55C a 150C , su voltaje de alimentacin puede variar de 4 a 30 Voltios lo que es muy
conveniente cuando se va a trabajar con micontroladores o de conversores anlogo digital de
voltajes ms altos, la salida del sensor posee una impedancia de 0,1 Ohm.
Humedad Relativa
Se utiliz el sensor HIH4000 que es un sensor que tiene aplicaciones en distintos campos
como son: equipos de refrigeracin, equipos de climatizacin, equipo mdico, secado,
meteorologa, sistemas a batera, entre otros. Ofrece una salida de voltaje lineal y
directamente proporcional a la humedad relativa (RH)
30.68mV/%RH y un zero offset de 0.958V lo que indica que cuando la humedad es 0%.
Presin Atmosfrica
Como se observa en la grfica para valores de presin menores a los 15kpa se mantiene en un
voltaje de 0.2 voltios y a partir de los 115KPa se mantiene en 5 voltios o en el voltaje de la
fuente Vs.
Para medir la direccin del viento se utiliz una veleta y Davis como se muestra en la figura 4
Esta veleta posee internamente un potencimetro lineal rotatorio de 20k cuyas caractersticas
son:
CARACTERSTICAS
Ref.
Familia
Resistencia
Tolerancia
TCR
Desplazamiento elctrico
Material resistivo
Rotacin
Vibracin
Vida de carga
Rango de temperatura
Vida rotacional
Peso
En la salida del potencimetro se obtienen valores de 0-5V este rango de voltaje es procesado
por el conversor anlogo digital del microcontrolador, configurado a una resolucin de 12 bytes,
entregando un rango de 0 a 4096, este valor fue procesado de dos maneras, una para obtener las
16 posiciones de la rosa de viento y la segunda para obtener los grados de giro.
Cada vez que el conversor entregue los mltiplos de 256, la direccin del viento estar en una
posicin diferente. Las posiciones son las siguientes:
El instrumento utilizado para medir la velocidad relativa del viento es el anemmetro Davis, el
cual un instrumento muy preciso sus especificaciones tcnicas se muestran en la Tabla.
Rango
Resolucin
Precisin
Seal de salida
Material
Especificaciones Tcnicas
0 a 80m/s
0,1 m/s
5%
Reed switch
Platico ABS resistente a rayos UV
Esta herramienta de medicin usa un interruptor Reed switch, que es activado por el campo
magntico generado por un imn de neodimio montado sobre un eje de giratorio; cuando las
semiesferas giran se generan pulsos que se envan inmediatamente al microcontrolador y este se
encarga de procesarlos de acuerdo a la configuracin. Cuando el viento mueve el anemmetro se
genera un recorrido circular
tambin es capaz de almacenar los ltimos diez valores estimados de las precipitaciones y
mostrarlos en una grfica.
Como antes se mencion desde la aplicacin Android se envan cdigos de configuracin y
calibracin al microcontrolador haciendo uso de la tableta digital, para cambiar el periodo de
muestreo, y ajustar el valor de cada variable.
1.3 Resultados de la RNA
los resultados obtenidos en la red neuronal fueron resultados con un error
promedio de 1.5
logrando obtener salidas favorables segn los datos esperados. La grfica de la regresin de la
RNA se puede observar en la figura 8.
Para disear la red neuronal y poder hacer la prediccin de la lluvia es necesario estudiar el
comportamiento de cada una de las variables del tiempo atmosfrico en la ciudad de Valledupar.
DISCUSION
En diseos futuros, puede considerarse adicionar sensores de nubosidad, UV, radiacin solar,
etc., de acuerdo a los requerimientos que el usuario considere, ya que para estudios rigurosos de
pronsticos climticos de precisin es necesario ampliar a muchas ms variables.
El proyecto fue desarrollado en base a los registros de precipitacin y dems variables climticas
de la ciudad de Valledupar. La poca continuidad temporal de la informacin refleja que por
razones logsticas estos registros no son permanentes. Para el adecuado funcionamiento de
modelo realizado en este proyecto es necesario contar con estudios ms amplios y sensibles. Por
lo tanto, es necesaria la realizacin de redes de prediccin en periodos prolongados, y de esta
manera entrenar las redes en estas condiciones.
Para obtener una adecuada medicin de los sensores de velocidad del viento y direccin del
viento se recomienda que el sensor se encuentre a una altura de 3 metros del suelo en campo
abierto, y en zona urbana estar ms alto que cualquier objeto que lo rodee, con esto se garantiza
que las rfagas de viento sern limpias y se garantizara unos datos ptimos.
REFERENCIAS
[1] M. Valencia, C. Yaez, and L. Pastor Algoritmo Backpropagation para Redes Neuronales:
conceptos y aplicaciones, Instituto Politcnico Nacional
Centro de Investigacin en Computacin, 2006, pp. 6-8.
[2] G. Ovando, M. Bocco and S. Sayago Neural networks for modeling frost prediction
Universidad Nacional de Crdoba, Facultad de Ciencias Agropecuarias Crdoba, Argentina.
Marzo 2005. [Online]. Available: http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S036528072005000100007
[4]
IDEAM Subdireccin de Meteorologa Cartas climatolgicas - medias mensuales
Aeropuerto
alfonso
lopez
(valledupar).
[Online].
Available
http://bart.ideam.gov.co/cliciu/valledu/tabla.htm