stringtranslate.com

El clima como redes complejas

El campo de las redes complejas ha surgido como un área importante de la ciencia para generar nuevos conocimientos sobre la naturaleza de los sistemas complejos [1] La aplicación de la teoría de redes a la ciencia del clima es un campo joven y emergente. [2] [3] [4] Para identificar y analizar patrones en el clima global, los científicos modelan los datos climáticos como redes complejas.

A diferencia de la mayoría de las redes del mundo real, donde los nodos y los bordes están bien definidos, en las redes climáticas, los nodos se identifican como los sitios en una cuadrícula espacial del conjunto de datos climáticos globales subyacentes, que se pueden representar en varias resoluciones. Dos nodos están conectados por un borde dependiendo del grado de similitud estadística (que puede estar relacionado con la dependencia) entre los pares correspondientes de series temporales tomadas de los registros climáticos. [3] [5] El enfoque de la red climática permite obtener nuevos conocimientos sobre la dinámica del sistema climático en diferentes escalas espaciales y temporales. [3]

Construcción de redes climáticas

Dependiendo de la elección de nodos y/o bordes , las redes climáticas pueden adoptar muchas formas, tamaños y complejidades diferentes. Tsonis et al. introdujeron el campo de las redes complejas en el clima. En su modelo, los nodos de la red estaban constituidos por una única variable (500 hPa) de los conjuntos de datos de reanálisis NCEP/NCAR . Para estimar los bordes entre nodos, se estimó el coeficiente de correlación con un desfase temporal cero entre todos los pares de nodos posibles. Se consideró que un par de nodos estaba conectado si su coeficiente de correlación superaba un umbral de 0,5. [1]

Steinhaeuser y su equipo introdujeron la novedosa técnica de redes multivariadas en el clima , mediante la construcción de redes a partir de varias variables climáticas por separado y la captura de su interacción en un modelo predictivo multivariado. En sus estudios se demostró que, en el contexto del clima, la extracción de predictores basados ​​en atributos de grupos produce precursores informativos para mejorar las habilidades predictivas . [5]

Kawale et al. presentaron un enfoque basado en gráficos para encontrar dipolos en datos de presión. Dada la importancia de la teleconexión , esta metodología tiene el potencial de proporcionar información significativa. [6]

Imme et al. introdujeron un nuevo tipo de construcción de redes en el clima basado en un modelo gráfico probabilístico temporal, que proporciona un punto de vista alternativo al centrarse en el flujo de información dentro de la red a lo largo del tiempo. [7]

Agarwal et al. propusieron métodos lineales [8] y no lineales [9] avanzados para construir e investigar redes climáticas en diferentes escalas temporales. Las redes climáticas construidas utilizando conjuntos de datos de temperatura de la superficie del mar en diferentes escalas temporales afirmaron que el análisis multiescalar de los procesos climáticos promete una mejor comprensión de la dinámica del sistema que puede pasarse por alto cuando los procesos se analizan en una sola escala temporal [10].

Aplicaciones de las redes climáticas

Las redes climáticas permiten comprender mejor la dinámica del sistema climático en muchas escalas espaciales. La centralidad de grado local y las medidas relacionadas se han utilizado para identificar supernodos y asociarlos a interrelaciones dinámicas conocidas en la atmósfera, llamadas patrones de teleconexión . Se observó que las redes climáticas poseen propiedades de “mundo pequeño” debido a las conexiones espaciales de largo alcance. [2]

Steinhaeuser et al. aplicaron redes complejas para explorar la dependencia multivariable y multiescalar en los datos climáticos. Los hallazgos del grupo sugirieron una estrecha similitud de los patrones de dependencia observados en múltiples variables a lo largo de múltiples escalas temporales y espaciales. [4]

Tsonis y Roeber investigaron la arquitectura de acoplamiento de la red climática. Se descubrió que la red general surge de subredes entrelazadas. Una subred opera a mayores altitudes y la otra en los trópicos, mientras que la subred ecuatorial actúa como un agente que vincula los dos hemisferios. Aunque ambas redes poseen la propiedad de mundo pequeño , las dos subredes son significativamente diferentes entre sí en términos de propiedades de red como la distribución de grados . [11]

Donges et al. aplicaron redes climáticas para la física y las interpretaciones dinámicas no lineales en el clima. El equipo utilizó la medida de la centralidad de nodos, la centralidad de intermediación (BC) para demostrar las estructuras en forma de onda en los campos BC de las redes climáticas construidas a partir de reanálisis promediados mensuales y datos de temperatura del aire en la superficie (SAT) del modelo de circulación general acoplado atmósfera-océano (AOGCM) . [12]

Ruta de teleconexión

Las teleconexiones son patrones espaciales en la atmósfera que vinculan las anomalías meteorológicas y climáticas a grandes distancias en todo el mundo. Las teleconexiones tienen la característica de ser persistentes, duran de 1 a 2 semanas, y a menudo mucho más, y son recurrentes, ya que patrones similares tienden a ocurrir repetidamente. La presencia de teleconexiones está asociada con cambios en la temperatura, el viento, la precipitación y las variables atmosféricas de mayor interés social. [13]

Problemas y desafíos computacionales

Existen numerosos desafíos computacionales que surgen en varias etapas del proceso de construcción y análisis de redes en el campo de las redes climáticas: [14]

  1. Calcular las correlaciones entre pares de todos los puntos de la cuadrícula no es una tarea trivial.
  2. Demandas computacionales de la construcción de redes, que dependen de la resolución de la cuadrícula espacial .
  3. La generación de modelos predictivos a partir de los datos plantea desafíos adicionales.
  4. La inclusión de efectos de adelanto y de retardo en el espacio y el tiempo no es una tarea trivial.

Véase también

Referencias

  1. ^ ab Albert, Réka; Barabási, Albert-László (2002). "Mecánica estadística de redes complejas". Reseñas de Física Moderna . 74 (1): 47–97. arXiv : cond-mat/0106096 . Código Bib : 2002RvMP...74...47A. doi :10.1103/RevModPhys.74.47. ISSN  0034-6861. S2CID  60545.
  2. ^ ab Tsonis, Anastasios A.; Swanson, Kyle L.; Roebber, Paul J. (2006). "¿Qué tienen que ver las redes con el clima?". Boletín de la Sociedad Meteorológica Estadounidense . 87 (5): 585–595. Bibcode :2006BAMS...87..585T. doi : 10.1175/BAMS-87-5-585 . ISSN  0003-0007.
  3. ^ abc Donges, JF; Zou, Y.; Marwan, N.; Kurths, J. (2009). "Redes complejas en la dinámica climática". The European Physical Journal Special Topics . 174 (1). Springer-Verlag: 157–179. arXiv : 0907.4359 . Código Bibliográfico :2009EPJST.174..157D. doi :10.1140/epjst/e2009-01098-2. S2CID  2375970.
  4. ^ ab Steinhaeuser, Karsten; Ganguly, Auroop R.; Chawla, Nitesh V. (2011). "Dependencia multivariable y multiescalar en el sistema climático global revelada a través de redes complejas". Climate Dynamics . 39 (3–4): 889–895. Bibcode :2012ClDy...39..889S. doi :10.1007/s00382-011-1135-9. ISSN  0930-7575. S2CID  12086088.
  5. ^ ab Steinhaeuser, K.; Chawla, NV; Ganguly, AR (2010). "Redes complejas como marco unificado para el análisis descriptivo y el modelado predictivo en la ciencia del clima". Análisis estadístico y minería de datos . 4 (5). John Wiley & Sons, Inc.: 497–511. doi :10.1002/sam.10100. S2CID  6035317.
  6. ^ Kawale J.; Liess S.; Kumar A.; Steinbach M.; Ganguly AR; Samatova F.; Semazzi F.; Snyder K.; Kumar V. (2011). "Descubrimiento guiado por datos de dipolos climáticos dinámicos" (PDF) . Actas de la Conferencia de 2011 sobre comprensión inteligente de datos, CIDU 2011, 19-21 de octubre de 2011, Mountain View, California : 30-44.
  7. ^ Imme, Ebert-Uphoff; Deng, Yi (2012). "Un nuevo tipo de red climática basada en modelos gráficos probabilísticos: resultados del invierno boreal frente al verano". Geophysical Research Letters . 39 (19). Springer-Verlag: 157–179. Bibcode :2012GeoRL..3919701E. doi : 10.1029/2012GL053269 .
  8. ^ Agarwal, Ankit; Maheswaran, Rathinasamy; Marwan, Norbert; Caesar, Levke; Kurths, Jürgen (noviembre de 2018). "Medida de similitud multiescala basada en wavelets para redes complejas" (PDF) . The European Physical Journal B . 91 (11). doi :10.1140/epjb/e2018-90460-6. eISSN  1434-6036. ISSN  1434-6028. S2CID  254116434.
  9. ^ Agarwal, Ankit; Marwan, Norbert; Rathinasamy, Maheswaran; Merz, Bruno; Kurths, Jürgen (13 de octubre de 2017). "Análisis de sincronización de eventos multiescala para desentrañar los procesos climáticos: un enfoque basado en wavelets". Procesos no lineales en geofísica . 24 (4): 599–611. doi : 10.5194/npg-24-599-2017 . eISSN  1607-7946. S2CID  28114574.
  10. ^ Agarwal, Ankit; Caesar, Levke; Marwan, Norbert; Maheswaran, Rathinasamy; Merz, Bruno; Kurths, Jürgen (19 de junio de 2019). "Identificación y caracterización basada en redes de teleconexiones en diferentes escalas". Scientific Reports . 9 (1): 8808. doi :10.1038/s41598-019-45423-5. eISSN  2045-2322. PMC 6584743 . PMID  31217490. 
  11. ^ Tsonis, AA; Roebber, PJ (2004). "La arquitectura de la red climática". Physica A: Mecánica estadística y sus aplicaciones . 333 : 497–504. Bibcode :2004PhyA..333..497T. doi :10.1016/j.physa.2003.10.045. ISSN  0378-4371.
  12. ^ Donges, JF; Zou, Y.; Marwan, N.; Kurths, J. (2009). "La columna vertebral de la red climática". EPL . 87 (4): 48007. arXiv : 1002.2100 . Bibcode :2009EL.....8748007D. doi :10.1209/0295-5075/87/48007. ISSN  0295-5075. S2CID  11225385.
  13. ^ Feldstein, Steven B.; Franzke, Christian LE (enero de 2017). "Atmospheric Teleconnection Patterns" (Patrones de teleconexión atmosférica). En Franzke, Christian LE; Okane, Terence J. (eds.). Dinámica climática estocástica y no lineal . págs. 54–104. doi :10.1017/9781316339251.004. ISBN . 9781316339251. Recuperado el 7 de diciembre de 2019 .
  14. ^ Steinhaeuser K.; Chawla NV; Ganguly AR (2010). "Red compleja en la ciencia del clima". Conferencia sobre comprensión inteligente de datos : 16-26.