DSpace Collection: http://repositorio.usfq.edu.ec/handle/23000/13317 2026-04-15T17:45:59Z Clasificación geográfica de la ETo mediante la utilización del modelo de predicción meteorológico WRF y el método de aprendizaje no supervisado SOM http://repositorio.usfq.edu.ec/handle/23000/15155 Title: Clasificación geográfica de la ETo mediante la utilización del modelo de predicción meteorológico WRF y el método de aprendizaje no supervisado SOM Authors: Flores Cadena, Carlos Alberto Abstract: La evapotranspiración de referencia (ETo) es un parámetro fundamental para la planificación agrícola y la gestión eficiente del agua. Uno de los modelos más utilizados para estimar la ETo es el Weather Research and Forecasting (WRF), ampliamente empleado en estudios climáticos y simulaciones atmosféricas de alta resolución... Description: Reference evapotranspiration (ETo) is a fundamental parameter for agricultural planning and efficient water management. One of the most widely used models for estimating ETo is the Weather Research and Forecasting (WRF) model, extensively employed in climate studies and high-resolution atmospheric simulations... 2025-05-12T00:00:00Z Unsupervised Anomaly Detection with OC-SVM for Predictive Maintenance in Rotating Machinery http://repositorio.usfq.edu.ec/handle/23000/15151 Title: Unsupervised Anomaly Detection with OC-SVM for Predictive Maintenance in Rotating Machinery Authors: Salinas Tamayo, Lenin Fernando Abstract: Este trabajo propone un enfoque basado en un aprendizaje no supervisado para la detección de anomalías en maquinaria rotativa industrial, utilizando Máquinas (OC-SVM). El estudio se basa en datos reales recopilados por un dispositivo de monitoreo Dynamox instalado en un motor que cuenta con una unidad reductora... Description: This paper approaches an unsupervised anomaly detection framework for industrial rotating machinery, One-Class Support Vector Machines (OC- SVM). this study is supported on real sensor data col- lected from a Dynamox monitoring device installed on a motor with a gear-reducing unit, the dataset includes temperature, velocity, and acceleration measurements collected across three axes... 2025-05-12T00:00:00Z A deep learning approach to biodiversity: clustering wildlife images in Yasuní using CNNs http://repositorio.usfq.edu.ec/handle/23000/14702 Title: A deep learning approach to biodiversity: clustering wildlife images in Yasuní using CNNs Authors: Baquero Morales, Jenner Francois Abstract: El Parque Nacional Yasuní, un punto global de biodiversidad en Ecuador, enfrenta desafíos ecológicos significativos debido a las actividades humanas, lo que resalta la urgente necesidad de técnicas efectivas para el monitoreo de la vida silvestre. Este estudio explora la aplicación de Redes Neuronales Convolucionales (CNNs), específicamente ResNet-152, para procesar y agrupar un extenso conjunto de datos de 100,000 imágenes captadas por cámaras trampa recolectadas en Yasuní durante 15 años. Al aprovechar técnicas avanzadas de aprendizaje profundo, incluyendo la extracción de características y la visualización mediante t-Distributed Stochastic Neighbor Embedding (t-SNE), organizamos exitosamente el conjunto de datos en 11 clústeres distintos... Description: Yasuní National Park, a global biodiver- sity hotspot in Ecuador, faces significant ecological challenges due to human activities, highlighting the urgent need for effective wildlife monitoring techniques. This study explores the application of Convolutional Neural Networks (CNNs), specifically ResNet-152, to process and cluster a vast dataset of 100,000 camera-trap images collected in Yasuní over 15 years. By leveraging advanced deep learning techniques, including feature ex- traction and t-Distributed Stochastic Neighbor Embed- ding (t-SNE) visualization, we successfully organized the dataset into 11 distinct clusters... 2024-12-01T00:00:00Z Súper Resolución de Series de Tiempo basada en Transformers http://repositorio.usfq.edu.ec/handle/23000/14638 Title: Súper Resolución de Series de Tiempo basada en Transformers Authors: Cárdenas Anchatipán, Andrés Abstract: Nuestra arquitectura incluye una codificación de entrada con información posicional, una pila de bloques de codificadores Transformer con mecanismos de atención multi-cabezal y una capa de proyección lineal final para la reconstrucción de la salida. El modelo fue entrenado con 1000 series temporales de 5000 puntos cada una, utilizando un enfoque de aprendizaje autorregresivo enmascarado, y evaluado mediante la reconstrucción de versiones subsampleadas con 250 puntos... Description: Our architecture includes input encoding with positional information, a stack of Transformer encoder blocks with multi-head self-attention mechanisms, and a final linear projection layer for output reconstruction. The model was trained on 1000 time series of 5000 points each, using masked autoregressive learning, and evaluated by reconstructing their downsampled versions containing 250 points... 2024-12-01T00:00:00Z