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

Simple item page JFLF
dc.creatorRueda Bayona, Juan Gabriel
dc.creatorElles-Pérez, Cindy Judith
dc.creatorSánchez Cotte, Edgar Humberto
dc.creatorLópez Ariza, Ángel León
dc.creatorRivillas, Germán
dc.date2017-02-01
dc.date.accessioned2024-08-22T00:05:42Z
dc.date.available2024-08-22T00:05:42Z
dc.descriptionContext: 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.en-US
dc.descriptionContexto: 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.es-ES
dc.formatapplication/pdf
dc.formattext/html
dc.identifierhttps://revistas.udistrital.edu.co/index.php/Tecnura/article/view/11561
dc.identifier.urihttps://ciencianacional.co/handle/123456789/202251
dc.journalTecnura
dc.languagespa
dc.publisherUniversidad Distrital Francisco José de Caldas. Colombiaes-ES
dc.relationhttps://revistas.udistrital.edu.co/index.php/Tecnura/article/view/11561/12309
dc.relationhttps://revistas.udistrital.edu.co/index.php/Tecnura/article/view/11561/12388
dc.relation/*ref*/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.
dc.relation/*ref*/IDEAM. (2016). Instituto de Hidrología, Meteorología y Estudios Ambientales. Recuperado el 05 de 02 de 2016, de http://www.ideam.gov.co
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/Mo K, Ghil M. (1988). Cluster analysis of multiple planetary flow regimes. Journal of Geophysical Research: Atmospheres , 93, 10927-10952.
dc.relation/*ref*/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
dc.relation/*ref*/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.
dc.relation/*ref*/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.
dc.relation/*ref*/Skittides C, Früh W. (2014). Wind forecasting using principal component analysis. Renewable Energy, 69, 365-374.
dc.relation.institutionUniversidad Distrital Francisco José de Caldas
dc.rightsDerechos de autor 2017 Revista Tecnuraes-ES
dc.sourceTecnura; Vol. 20 No. 50 (2016): October - December; 55-68en-US
dc.sourceTecnura; Vol. 20 Núm. 50 (2016): Octubre - Diciembre; 55-68es-ES
dc.source2248-7638
dc.source0123-921X
dc.subjectClimaes-ES
dc.subjectTemperaturaes-ES
dc.subjectVelocidad del vientoes-ES
dc.subjectComponentes Principaleses-ES
dc.subjectFourieres-ES
dc.subjectClúster.es-ES
dc.subjectClimateen-US
dc.subjectTemperatureen-US
dc.subjectWind speeden-US
dc.subjectPrincipal Componentsen-US
dc.subjectFourieren-US
dc.subjectCluster.en-US
dc.titleIdentifying patterns of climate variability from Principal Component Analysis – PCA, Fourier y k-means clusteringen-US
dc.titleIdentificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-mediases-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion

Files

Collections

vol. 20 núm. 50 (2016): octubre - diciembre