Title: | Causality and climate networks approaches for evaluating climate models, tracing flows, and selecting physically meaningful predictors |
Authors: | Vázquez Patiño, Angel Oswaldo |
metadata.dc.contributor.advisor: | Samaniego Alvarado, Esteban Patricio |
metadata.dc.contributor.tutor: | Campozano Parra, Lenin Vladimir |
metadata.dc.ucuenca.correspondencia: | angelvazquezp@gmail.com |
metadata.dc.subject.other: | Climatología |
Keywords: | Ingeniería Civil Sudamérica Redes climáticas Control virtual |
metadata.dc.audience.educationLevel: | Tesis de Doctorado en Filosofía (PhD) en Recursos Hídricos |
metadata.dc.ucuenca.areaconocimientounescoamplio: | 25 Ciencias de la Tierra y del Espacio |
metadata.dc.ucuenca.areaconocimientounescodetallado: | 2502.03 Bioclimatología |
metadata.dc.ucuenca.areaconocimientounescoespecifico: | 2502 Climatología |
Issue Date: | 14-Apr-2022 |
metadata.dc.format.extent: | 138 páginas |
Publisher: | Universidad de Cuenca |
metadata.dc.description.city: | Cuenca |
Series/Report no.: | TPHD;14 |
metadata.dc.type: | doctoralThesis |
Abstract: | Climate consists of many components, for example, atmosphere, hydrosphere,
cryosphere, and biosphere. All the components act under mechanisms that
relate them in a highly non-linear way, making the climate a complex system.
This complexity is a challenge to study the climate and its implications at
various spatiotemporal scales. However, the dependence of anthropogenic
activities on the climate has encouraged its study in order, for example, to
anticipate its periodic changes and, as far as possible, extreme events that may
have adverse effects. As climate study is an intricate task, several approaches
have been used to unravel the underlying processes that dominate its behavior.
Those approaches range from linear correlation analysis to complex machine
learning-based knowledge discovery analysis. This last approach has become
more relevant after the introduction of sophisticated climate simulation models
and high-tech equipment (e.g., satellite) that allow a climate record of greater
coverage (spatial and temporal) and that, together, have generated ubiquitous
large databases. One of the knowledge discovery approaches based on this big
data is based on climate networks. Nevertheless, causal reasoning methods
have also been used recently to infer and characterize these networks, which
are called causal climate networks. Several studies have been carried out with
climate networks; however, the recent introduction of causality methods makes
the study of climate with causal climate networks an opportunity to explore and
exploit them more widely. In addition, the particularities of the climate make it
necessary to understand specific operational issues that must be taken into
account when applying networks. This thesis aims to propose new
methodologies and applications of causal climate networks following as a
common thread the characterization of physical phenomena that manifest
themselves at different spatial scales. For this, different case studies have been
taken. They are the climate in South America and a large part of the Pacific and
Atlantic oceans, then, reducing the scale, the surrounding factors that influence
the rainfall of Ecuador, and, finally, the selection of predictors for downscaling
models in an Andean basin. Among the main results are the following three.
First, a methodology for evaluating global climate models based on what is
called here as causal flows. Second, an approach that studies causal flows and
helps trace influence paths in flow fields. Third, the presentation of evidence
that shows the effectiveness of methods based on causality in selecting
predictors for downscaling models. The thesis contributes to efforts to bridge the
gap between the climate science and causal inference communities. This through the study and application of causal reasoning and taking advantage of the enormous amounts of climate data available today |
Description: | El clima está conformado por muchos componentes, por ejemplo, atmósfera,
hidrósfera, criósfera y biósfera. Todos los componentes actúan bajo
mecanismos que los relacionan de manera altamente no lineal lo que hace del
clima un sistema complejo. Esta complejidad es un reto para estudiar el clima y
sus implicaciones a varias escalas espacio temporales. No obstante, la
dependencia de las actividades antropogénicas al clima, ha fomentado su
estudio con el fin de, por ejemplo, anticiparse a sus cambios periódicos y, en lo
sumo de lo posible, a eventos atípicos que puedan tener efectos negativos. Al
ser el estudio del clima una tarea complicada, varios enfoques han sido
utilizados con el fin de desentrañar los procesos subyacentes que dominan su
comportamiento. Esos enfoques van desde el análisis de correlaciones lineales
hasta complejos análisis de descubrimiento de conocimiento basados en
aprendizaje automático. Este último enfoque ha tomado mayor relevancia luego
de la introducción de sofisticados modelos de simulación climática y equipos de
alta tecnología (e.g., satelitales) que permiten un registro climático de mayor
cobertura y que, en conjunto, han generado la presencia ubicua de grandes
bases de datos. Una de las aproximaciones de descubrimiento de conocimiento
en base a estos grandes datos es la que se basa en redes climáticas. Pero
últimamente se han aprovechado también métodos de razonamiento causal
para la inferencia y caracterización de dichas redes, lo que se llama aquí como
redes climáticas causales. Varios estudios se han llevado a cabo con redes
climáticas, sin embargo, la reciente introducción de métodos de causalidad,
hace del estudio del clima con redes climáticas causales una oportunidad para
explorarlas y explotarlas de manera más amplia. Además, las particularidades
del clima hacen que sea necesario entender cuestiones operativas puntuales
que hay que tomar en cuenta al momento de aplicar redes. El objetivo entonces
de esta tesis es proponer nuevas metodologías y aplicaciones de redes
causales climáticas siguiendo como hilo conductor la caracterización de
fenómenos físicos que se manifiestan a diferentes escalas espaciales. Para
esto se tomaron como casos de estudio el clima en Sudamérica y gran parte de
los océanos Pacífico y Atlántico, luego, reduciendo la escala, se analizaron
factores circundantes que influyen en la lluvia del Ecuador y, finalmente, se
estudió la selección de predictores para modelos de downscaling en una
cuenca hidrográfica andina. Entre los principales resultados están los
siguientes tres. Primero, una metodología de evaluación de modelos climáticos
globales basada en lo que se denomina aquí como flujos causales. Segundo,
un enfoque que estudia flujos causales y ayuda en el trazo de caminos de influencia en campos de flujos. Tercero, la presentación de evidencia que
muestra la efectividad de métodos basados en causalidad en la selección de
predictores para modelos de downscaling. La tesis contribuye a los esfuerzos
para disminuir la brecha entre la comunidad climatológica y la que estudia el
razonamiento causal mediante su aplicación y tomando ventaja de las masivas
cantidades de datos climáticos disponibles hoy en día. |
metadata.dc.description.degree: | Doctor (PhD) en Recursos Hídricos |
URI: | http://dspace.ucuenca.edu.ec/handle/123456789/38781 |
Appears in Collections: | Tesis Doctoral/PHD
|