Introducción
Cada día se realiza el seguimiento del tiempo y se analiza para ayudar a los aviones a tener vuelos seguros. Se deben supervisar muchas condiciones meteorológicas para garantizar que la probabilidad de que se produzca algo negativo en el avión sea lo más baja posible. Con el lanzamiento de cohetes, el riesgo y los resultados de una lectura equivocada o de un fragmento de datos sin seguimiento pueden resultar devastadores.
A mayor altitud, más potencia y la incapacidad de controlar la dirección del cohete, la precisión de las predicciones de clima seguro es una de las partes más complicadas e importantes de la exploración espacial. Las complejidades aumentan incluso más cuando se tiene en cuenta la escala de tiempo. Las fechas de lanzamiento se deciden con años de antelación para poder dar cabida a enormes esfuerzos de preparación y programación.
No tenemos la experiencia en la materia ni acceso a tantos datos meteorológicos como la NASA. Sin embargo, en este módulo se le ofrecerá información sobre cómo usar datos meteorológicos que se pueden obtener fácilmente para simular el enfoque que toman los científicos de la NASA para abordar el mismo problema. En este módulo se le enseña cómo preparar datos meteorológicos básicos para entrenar un modelo de Machine Learning a fin de predecir cuáles son los días adecuados para el lanzamiento de cohetes.
En este módulo se examinará lo siguiente:
- Condiciones (nubosidad, nubosidad parcial, despejado, lluvia, truenos, tormentas)
- Temperatura
- Humedad
- Velocidad del viento
- Dirección del viento
- Precipitación
- Visibilidad
- Nivel de mar
- Presión
Sugerencia
Este módulo forma parte de una experiencia de aprendizaje multimodal. Siga las instrucciones con un tutorial en vídeo del módulo en una pestaña nueva.
Objetivos de aprendizaje
En este módulo, aprenderá a:
- Explorar datos sobre el tiempo en los días en que se lanzaron cohetes tripulados y no tripulados.
- Explorar datos meteorológicos de los días cercanos a los lanzamientos.
- Limpiar los datos como preparación para entrenar el modelo de Machine Learning.