Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias

Identifying patterns of climate variability from Principal Component Analysis – PCA, Fourier y k-means clustering

  • Juan Gabriel Rueda Bayona Universidad del Norte
  • Cindy Judith Elles-Pérez Universidad del Norte
  • Edgar Humberto Sánchez Cotte Universidad Distrital Francisco José de Caldas
  • Ángel León López Ariza Universidad del Norte
  • Germán Rivillas Universidad del Norte
Palabras clave: Climate, Temperature, Wind speed, Principal Components, Fourier, Cluster. (en_US)
Palabras clave: Clima, Temperatura, Velocidad del viento, Componentes Principales, Fourier, Clúster. (es_ES)

Resumen (es_ES)

Contexto: Una investigación mediante el Análisis de Componentes Principales (APC) se llevó a cabo para identificar la variabilidad y los patrones climáticos de dos importantes ciudades del Caribe Colombiano.

Método: Para el desarrollo de este trabajo se empleó información satelital de resolución temporal trihoraria de 35 años (1980-2014) y se efectuó escalamiento espacial mediante información in situ para dos ciudades en Colombia (Cartagena y Barraquilla).

Resultados: Los resultados de correlación superiores al 80% permitieron efectuar un adecuado ajuste para el análisis de información de velocidad de viento y temperatura ambiente. Para cada una de las 4 series de tiempo se construyó una matriz de empotramiento y de desfase con el objetivo de aplicar análisis de componentes principales o conocido también como análisis espectral singular. Fueron identificados los componentes principales cuya representatividad es inmediatamente superior al 70% para la temperatura y para el viento en ambas ciudades. Se efectuó un análisis de Fourier a la velocidad del viento y la temperatura y se detectaron modos de oscilación similares a los modos de oscilación (componentes principales) detectados mediante el APC.

Conclusiones: Se encontró una variabilidad diurna para temperatura, y variabilidad diurna del viento para la ciudad de Cartagena, explicada por las brisas de mar y de tierra. Adicionalmente se encontró variabilidad trimestral asociada a las oscilaciones Maden Julian, variabilidades semestrales, anuales, y variabilidad de 6 años relacionada con el fenómeno del Niño. Finalmente mediante análisis de clúster se identificaron dos patrones climáticos en las zonas de estudio.

Resumen (en_US)

Context: Is achieved a research through Principal Component Analysis (PCA) for determining the variability and climate patterns of two important cities in the Colombia Caribbean.

Method: This research used satellite data with three hourly resolution contained in a 35 year data set (1980 to 2014), and a spatial scaling was performed using information related to Cartagena and Barranquilla cities, located in the north of Colombia.

Results:  The correlation results, above 80 %, show an appropriate adjustment for the information analysis of wind speed and temperature. Time lag matrixes were built for the time series with the aim of applying the Principal Component Analysis (PCA), known as Singular Spectrum Analysis. The main components were identified, which represent more than 70% of the temperature and the wind data in both cities.  A  Fourier analysis for the wind speed and the temperature allowed identifying similar oscillation modes (main components) detected by the PCA.

Conclusions: Sea and land breezes explain the identified diurnal temperature and wind speed variability in Cartagena. Additionally were observe a quarterly variability associated with fluctuations Maden Julian, semiannual, annual, and 6-year variability associated with ENSO. Finally, the cluster analysis allowed the identification of two-climate pattern in the study area.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Juan Gabriel Rueda Bayona, Universidad del Norte

Ingeniero civil, magíster en Ingeniería – Recursos Hidráulicos, tecnólogo en Oceanografía, candidato a doctor en Ingeniería Civil, Universidad del Norte

Cindy Judith Elles-Pérez, Universidad del Norte

Ingeniera Química, estudiante de Doctorado en Ingeniería Civil, Universidad del Norte

Edgar Humberto Sánchez Cotte, Universidad Distrital Francisco José de Caldas

Ingeniero Civil, Magíster en Ingeniería Civil, Estudiante de Doctorado en Ingeniería Civil en la Universidad del Norte, Barranquilla, Docente de planta, Universidad Distrital Francisco José de Caldas

Ángel León López Ariza, Universidad del Norte
Ingeniero industrial, Doctor en ingeniería Industrial, Docente investigador, Universidad del Norte
Germán Rivillas, Universidad del Norte

Ingeniero Civil, Master en Ingeniería, Doctor en Ingeniería. Profesor, Asistente Departamento de Ingeniería Civil y Ambiental. Universidad del Norte

Referencias

Carvajal Y, Marco J. B. (2004). Análisis de Variabilidad de datos medioambientales aplicando Funciones Ortogonales Empíricas o componentes principales. Ingeniería de Recursos Naturales y del Ambiente, 1(2), 4-12.

IDEAM. (2016). Instituto de Hidrología, Meteorología y Estudios Ambientales. Recuperado el 05 de 02 de 2016, de http://www.ideam.gov.co

Kumar A, Sinha R, Bhattacherjee V, Verma D, Singh S. (2012). Modeling using K-means clustering algorithm. Recent Advances in Information Technology (RAIT), 1st International Conference.

Kumar, V., Steinbach M, Tan P, Klooster S, Potter C, Torregrosa A. (2001). Mining scientific data: Discovery of patterns in the global climate system. . Joint Statistical Meeting.

Miao C, Chen J, Liu J, Su H. (2015). An improved Markov chain model for hour-ahead wind speed prediction. Control Conference (CCC), 2015 34th Chinese.

Mo K, Ghil M. (1988). Cluster analysis of multiple planetary flow regimes. Journal of Geophysical Research: Atmospheres , 93, 10927-10952.

NOAA. (10 de 10 de 2015). Earth System Research Laboratory. Recuperado el 11 de 05 de 2016, de http://www.esrl.noaa.gov/psd/data/gridded/data.narr.html

Rojo-Hernández J. D, Carvajal-Serna L. F. (2010). Predicción no lineal de caudales utilizando variables macroclimáticas y análisis espectral singular. Tecnología y ciencias del agua, 1(4), 59-73.

Skapa J, Dvorsky M, Michalek L, Sebesta R, Blaha P. (2012). K-mean clustering and correlation analysis in recognition of weather impact on radio signal. Telecommunications and Signal Processing (TSP), 35th International conference.

Skittides C, Früh W. (2014). Wind forecasting using principal component analysis. Renewable Energy, 69, 365-374.

Cómo citar
Rueda Bayona, J. G., Elles-Pérez, C. J., Sánchez Cotte, E. H., López Ariza, Ángel L., & Rivillas, G. (2017). Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias. Tecnura, 20(50), 55-68. https://doi.org/10.14483/22487638.11561
Publicado: 2017-02-01
Sección
Investigación

Artículos más leídos del mismo autor/a