Algoritmos de aprendizaje automático basados en fusión de sensores para la predicción meteorológica a corto plazo en...

Área de la Ciencia:

• Operaciones marítimas y monitorización ambiental
• Aplicaciones de aprendizaje automático en logística
• Internet de las cosas (IoT) para la gestión portuaria

Sus antecedentes:

• Las operaciones portuarias se ven cada vez más afectadas por cambios impredecibles en el clima y el medio ambiente.
• La previsión precisa a corto plazo es esencial para la seguridad y la eficiencia marítimas.
• Los sistemas existentes requieren una mayor conciencia situacional para operaciones críticas.

Objetivo del estudio:

• Desarrollar un marco de predicción multiobjetivo en tiempo real para las condiciones del viento.
• Integrar fuentes de datos heterogéneas utilizando fusión de sensores y arquitectura IoT.
• Evaluar modelos de aprendizaje automático para predecir la velocidad de las ráfagas de viento, la velocidad sostenida del viento y la dirección.

Principales métodos:

• Se utilizó una arquitectura IoT (estándar oneM2M) en el Puerto de Livorno.
• Se integraron datos de estaciones meteorológicas, anemómetros y LiDAR montado en embarcaciones.
• Se empleó fusión de sensores a nivel de características y se compararon los modelos Random Forest, XGBoost, LSTM, TCN, Ensemble Neural Network, Transformer y Kalman filter.

Principales resultados:

• XGBoost demostró la mayor precisión para todos los objetivos de viento (R² ≈ 0.999 en división única, R² media = 0.9976 en validación cruzada).
• Los modelos de conjunto mostraron una mayor robustez en comparación con los métodos de aprendizaje profundo.
• El marco de fusión de sensores mejoró eficazmente la conciencia situacional para variables críticas como la velocidad de las ráfagas.

Conclusiones:

• El marco propuesto de aprendizaje automático basado en fusión de sensores es muy eficaz para la predicción del viento en tiempo real.
• XGBoost es un modelo de alto rendimiento para esta tarea de predicción multiobjetivo.
• El marco tiene un potencial significativo para su implementación en sistemas de Buques de Superficie Autónomos Marítimos (MASS) y plataformas de apoyo a la toma de decisiones portuarias para mejorar la seguridad y la continuidad operativa.