Trabajo final Fundamentos de la teoria de la computación

Extraer conocimiento de los datos del clima mediante analisis de componentes independientes


En el presente trabajo realizaremos una investigación de los conceptos teóricos citados en el artículo elegido: “Weather Data Mining Using Independent Component Analysis,” (Minería de datos meteorológicos utilizando análisis de componentes independientes), a continuación realizaremos un resumen delartículo, luego profundizaremos en los fundamentos teóricos sobre los que se basa el artículo para una compresión más sólida del mismo y finalmente citaremos otros ejemplos prácticos donde se utilizaron los mismos fundamentos.
Resumen articulo seleccionado
Como enunciamos previamente, el artículo seleccionado para la monografía es “Weather Data Mining Using Independent Component Analysis,”. Parauna mejor interpretación se realizó una traducción del mismo, resaltando aquellos puntos de interés (en negrita) que se mostrará a continuación:
Resumen
El articulo trata sobre la aplicación de técnicas de análisis de componentes independientes para minería de datos de espacio temporal. Las tecinas se aplicaron para extraer patrones de datos del clima usando como ejemplo especifico el NAO(oscilación del atlántico norte). Se encontró que los componentes independientes más fuertes concuerdan con los patrones del tiempo observados correspondientes al NAO. También se validaron estos resultados haciendo coincidir las actividades de los componentes independientes con el índice NAO.
1. Introducción:
Las leyes clásicas del movimiento fluido gobernar los estados de la atmósfera. Los estadosatmosféricos muestran una gran cantidad de correlaciones a distintas escalas espaciales y temporales. Los modelos numéricos de predicción meteorológica intentan capturar la dinámica de diversas variables atmosféricas (como la temperatura, presión, etc) y cómo los procesos físicos (como la convección, radiación, etc) influyen en la situación futura de estas variables. Por lo tanto, el sistema detiempo puede ser pensado como un sistema complejo cuyos componentes diversos interactúan en diferentes escalas espaciales y temporales. También se sabe que el sistema atmosférico es caótico y hay límites a la previsibilidad de su estado futuro (Lorenz, 1963, 1965). Sin embargo, a pesar de que el tiempo diario puede, bajo ciertas condiciones, presentan síntomas de caos, a largo plazo las tendenciasclimáticas siguen siendo significativas y su estudio puede proporcionar información importante acerca de los cambios climáticos.
Los enfoques estadísticos para la predicción del tiempo y el clima tienen una larga y distinguida historia que precede modelado basado en la física y la dinámica (Wilks, 1995; Santhanam y Patra, 2001). Esta tendencia continúa hoy en día con los nuevos enfoques basados enalgoritmos de aprendizaje automático (Hsieh y Tang, 1998; Monahan, 2000). El problema central en el tiempo y en el modelado climático es predecir los estados futuros del sistema atmosférico. Dado que los datos meteorológicos son generalmente voluminosos, estos pueden ser extraídos para la detección de patrones particulares que distinguen a los fenómenos meteorológicos específicos. Por ejemplo,los campos de viento de los ciclones tropicales y ciertos sistemas de baja presión se caracterizan por el patrón de circulación en sentido anti horario en el hemisferio norte. La fuerza de estos patrones proporciona información sobre el fenómeno climático en particular.
Por tanto, es posible visualizar las variables del tiempo como fuentes de señales espacio-temporales. La información de estasseñales espacio-temporales pueden ser extraídos utilizando técnicas de minería de datos. La variación en las variables de tiempo puede ser visto como una mezcla de varias señales espacio-temporales que ocurren independientemente con diferentes puntos fuertes. El análisis de componentes independientes (ICA) ha sido ampliamente estudiado en el dominio de la señal y el procesamiento de imágenes en...