Resumen de Past climate studies with optimized networks using artificial intelligence
- español
La disponibilidad de datos climáticos decrece exponencialmente a medida que retrocedemos en el tiempo, siendo muchas veces necesario el uso de fuentes complementarias de información (como las simulaciones de modelos de circulación general) para comprender la física subyacente del sistema climático, así como sus cambios pasados y futuros. En esta tesis doctoral evaluamos el potencial de la Inteligencia Artificial como una herramienta eficiente que se puede usar para resolver problemas complejos en la ciencia del clima. Mostramos como estas técnicas pueden maximizar la información proveniente de diferentes conjuntos de redes climáticas, como estaciones meteorológicas, registros históricos y proxies paleoclimáticos. Todos ellos comparten un problema similar: son datos incompletos que proporcionan información por un periodo de tiempo limitado. Por lo tanto, hemos abordado diferentes problemas cuyo objetivo común es maximizar la extracción de información de conjuntos de datos incompletos.
Recientes avances en metaheurística han demostrado la eficiencia de los algoritmos evolutivos para resolver diferentes problemas de optimización. En esta tesis, combinamos el Coral Reef Optimization con diferentes métodos de reconstrucción climática para minimizar el sesgo espacial inducido por la distribución no homogénea de datos paleoclimáticos. Los resultados indican que subconjuntos de series situadas en zonas claves pueden mejorar la reconstrucción obtenida con la red completa de datos en paleo-reconstrucciones del último milenio. Se ha evidenciado la importancia de las altas latitudes y áreas de teleconexión para reconstruir campos de temperatura global anual y sus respuestas a los forzamientos externos y variabilidad interna del sistema. Sin embargo, las variaciones de temperatura a largo plazo, como la transición entre la Anomalía Climática Medieval y la Pequeña Edad de Hielo, se resuelven mejor con registros situados en latitudes más bajas.
Siguiendo con la misma metodología, también hemos obtenido una nueva reconstrucción en alta resolución de campos mensuales de Presión a Nivel del Mar sobre el Atlántico Norte desde 1750. Estos campos han sido generados a partir de una red optimizada de observaciones terrestres. Se ha comprobado como la técnica de optimización maximiza la robustez de la reconstrucción de los campos de presión en toda la región de estudio, incluso cuando solo hay unas pocas observaciones disponibles. Esta reconstrucción optimizada muestra una tendencia positiva en la intensidad del Anticiclón de las Azores en invierno, siendo la tendencia decenal más alta de los últimos 250 años. Esta reconstrucción también muestra que los desplazamientos de este anticiclón hacia el noreste provocaron eventos de calentamiento extremo en Europa Occidental recogidos por fuentes de temperatura independientes. Por tanto, los resultados sugieren que se podría mejorar sustancialmente la caracterización y estudio de la variabilidad atmosférica del Atlántico Norte en el pasado, reduciendo las incertidumbres a la hora de reconstruir el Anticiclón de las Azores.
Finalmente, hemos desarrollado una nueva técnica de conglomerados (denominada k-gaps) con el objetivo de mejorar los analisis de climas regionales utilizando conjuntos incompletos de datos climáticos. Este método proporciona un nuevo enfoque para agrupar series de tiempo de diferentes longitudes temporales, utilizando la mayor parte de la información recogida en conjuntos de series climáticas, que muchas veces se elimina durante los procesos de homogeneización de datos. Los resultados muestran que k-gaps es ideal para el agrupamiento de pequeños conjuntos de datos climáticos y con huecos en las series temporales. El algoritmo puede generar una regionalización climáticamente consistente similar a las obtenidas con series de tiempo completas, superando a otras técnicas similares desarrolladas para trabajar con falta de información.
- English
The availability of high-quality climate records decreases backwards in time, and the associated increase in uncertainty supports the use of complementary sources of climate information (such as model simulations) to understand the underlying physics of the climate system, as well as its past and futurechanges. In this Ph.D. thesis we assess the potential of Artificial Intelligence as an additional efficient tool to solve complex problems in the field of climate sciences. We show that these techniques can optimize the informationcoming from different sets of climate networks such as meteorological stations, historical records, and paleoclimate archives. Being employed to address a plethora of questions, they share issues in terms of incompleteness. Within this framework, we address different problems that are common in the climate community by developing tailored methodologies with the same goal of maximizing the extraction of information from incomplete climate datasets. The developed approaches include metaheuristic algorithms and cluster analyses and will be applied to incomplete datasets that are typically employed for paleo-climate reconstructions and regional climate assessments, respectively...
