Título: «Un Enfoque Top-Down de Variedad de Contexto: Caso de estudio en la ocurrencia y detección de heladas en el Alto Valle de Río Negro y Neuquén”
Tesista: Federico Saurín
Director: Dra. Agustina Buccella
Carrera: Licenciatura en Sistemas de Información
Día: 20 de septiembre de 2024
Resumen
La agrometeorología, que estudia la interacción entre los factores meteorológicos y las actividades agrícolas, enfrenta el desafío de manejar y analizar grandes volúmenes de datos (Big Data) para mejorar la toma de decisiones. Esta tesis se motiva por la necesidad de aprovechar los avances en los Sistemas de Big Data para optimizar las predicciones meteorológicas.
El objetivo principal de esta investigación es evaluar y demostrar cómo los sistemas de Big Data pueden integrarse y aplicarse eficazmente en el dominio de la agrometeorología. Para lograr esto, se investigan los componentes clave de los sistemas de big data, su ciclo de vida y las mejores prácticas en el manejo de estos datos. El trabajo se centra en casos de dominio específicos basados en información de estaciones meteorológicas para ilustrar la aplicación práctica de estas tecnologías.
La metodología utilizada se basa en un enfoque top-down propuesto en trabajos previos del grupo de investigación en la cual se enmarca esta tesis. Esta metodología permite una visión integral de cómo los datos pueden ser recolectados, preparados, analizados y visualizados para obtener información útil. Se emplean herramientas especializadas para la gestión de datos, asegurando un tratamiento eficiente y efectivo. Se desarrollan dos casos de dominio mediante una variedad de contexto basada en dos zonas: Villa Regina y Guerrico.
Los resultados de este trabajo indican que la implementación de sistemas de big data puede colaborar efectivamente en la búsqueda de patrones y causas que ayuden a la identificación y predicción de heladas. En los casos de domino de Villa Regina y Guerrico, el análisis de grandes volúmenes de datos ha demostrado ser beneficioso permitiendo comprender mejor las relaciones entre las variables y la construcción de modelos predictivos (redes neuronales artificiales) altamente eficientes incluso en periodos de hasta 24 horas. Esto fue acompañado por la utilización de la herramienta CoVaMaT (Context-based Variety Management Tool) para crear y almacenar la variedad hallada en estos casos de dominio. Los activos almacenados en CoVaMaT pueden ser luego reusados en la construcción de nuevos casos mejorando la calidad y rapidez en la construcción de los mismos.