Análisis de series temporales climáticas mediante técnicas de agrupamiento. Implementación y aplicaciones.

Abstract

RESUMEN: La cantidad de datos climáticos aumenta continuamente en volumen y complejidad a la vez que lo hace el número de usuarios dentro de la comunidad científica y su público. En este contexto, las técnicas de procesamiento de señales permiten resumir el contenido y facilitan su utilización en múltiples aplicaciones. El objetivo de este trabajo está orientado al tratamiento de señales (en concreto series temporales de situaciones atmosféricas a escala sinóptica) y su clasificación y agrupamiento en conjuntos más sencillos que facilitan su análisis e interpretación. Para ello se implementarán una serie de métodos estadísticos de tratamiento de datos relacionados con las técnicas de segmentación o clustering, las cuales se aplicarán a señales correspondientes a Modelos Climáticos Globales (GCMs) con el fin de crear patrones de tiempo (clusters), agrupando las señales más similares entre sí. La comparación de los clusters extraídos de los modelos con los de productos de reanálisis (pseudo-observaciones) permite evaluar la capacidad de los GCMs para representar de manera fidedigna la circulación atmosférica de larga escala. Esta validación resulta de gran interés para las aplicaciones del ámbito de las técnicas de regionalización del clima y de estudios de cambio climático, donde la elección de un GCM u otro tiene un gran impacto en los resultados finales.

ABSTRACT: The amount of climate data is constantly expanding in volume and complexity as the number of users within the scientific community and its public increase. In this context, signal processing allows summarizing the data and facilitate its use in multiple applications. The aim of this work is oriented to the signal processing (in particular, climate time series of atmospheric situations at a synoptic scale) and their classification into simpler sets that facilitate their analysis and interpretation. A series of statistical data processing methods related to clustering techniques will be implemented for this purpose. Clustering analysis will be applied to signals from Global Climate Models (GCMs) in order to create climate types, grouping the most similar signals among them. The comparison between the clusters extracted from the models with those from reanalysis products (pseudo-observations) allows to perform an evaluation of the capacity of GCMs to accurately represent large-scale atmospheric circulation patterns. This validation exercise is of paramount importance in climate science applications, such as the application of downscaling techniques in climate change studies, where the choice of the driving GCM has a great impact on the final results.