Presentación hecha en el Seminario sobre Proyecciones de Clima Futuro. El seminario se llevó a cabo en la ciudad de Quito (Ecuador) los días 1 y 2 de diciembre de 2015 y fue organizado por la Subsecretaría de Cambio Climático del MAE y el INAMHI en el marco del Proyecto de la Tercera Comunicación Nacional de Cambio Climático (TCN/IBA).
Caracterización del clima basada en técnicas de descubrimiento causal y redes complejas
1. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Caracterizaci´on del clima basada en
t´ecnicas de descubrimiento causal y
redes complejas
Angel V´azquez-Pati˜no
angel.vazquezp@ucuenca.edu.ec
Departamento de Ciencias de la Computaci´on
Departamento de Recursos H´ıdricos y Ciencias Ambientales
Universidad de Cuenca
1 de diciembre de 2015
1 / 39
2. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Contenido
Antecedentes
Inteligencia artificial
Redes complejas
Derivaci´on de la estructura de la red desde un
experto
Aprendizaje de la estructura de la red con
correlaciones
Aprendizaje de la estructura de la red con
descubrimiento de relaciones causales
Aplicaciones
Pron´ostico de El Ni˜no mejorado mediante deteccci´on
de cooperatividad
Un nuevo tipo de red clim´atica basada en modelos
gr´aficos probabil´ısticos: Resultados del invierno
boreal versus el verano
Exploraci´on
2 / 39
3. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Inteligencia artificial I
Definition (AI)
m´etodos computacionales para extraer informaci´on
de los datos
co-ocurrencia de patrones para mejorar el
entendimiento de los sistemas clim´aticos
AI y ciencias medioambientales
80s informaci´on clim´atica y meteorol´ogica,
tendencia exponencial
m´etodos de an´alisis tradicional no factibles desde un
punto de vista pr´actico
m´etodos de AI m´as robustos y eficientes
3 / 39
4. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Inteligencia artificial II
90s AI inmerso en muchos estudios de ciencias
medioambientales
hoy gracias a sus capacidades de modelado no lineal
son muy usados
- procesamiento de informaci´on satelital
- modelos de circulaci´on global
- predicci´on de tiempo y clima
- an´alisis y modelado de informaci´on
medioambiental
- pron´ostico oceanogr´afico e hidrol´ogico
- modelado ecol´ogico
4 / 39
5. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Redes complejas I
Definition (Tsonis y Roebber, 2004)
Se puede considerar el clima como una red de muchos
sistemas din´amicos y aplicar ideas de teor´ıa de grafos a
un conjunto de informaci´on global para estudiar su
comportamiento colectivo
5 / 39
6. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Redes complejas II
Definition (Red)
conjunto de nodos que interactuan
redes regulares (ordenadas), donde cada nodo tiene
el mismo n´umero de enlaces conect´andolo en una
forma espec´ıfica hacia un n´umero peque˜no de nodos
vecinos
redes aleatorias, donde cada nodo est´a conectado al
azar a unos cuantos nodos que pueden estar en
cualquier lugar en la red
6 / 39
7. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Redes complejas III
Definition (Redes regulares)
altamente agrupados, lo que significa que toma
muchos pasos para ir de un nodo a otro que est´a
fuera de su vecindario inmediato, no eficientes
por el alto grado de agrupamiento local, si algunas
de las conexiones son eliminadas, la red no se
fragmenta en partes desconectadas, estables
7 / 39
8. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Redes complejas IV
Definition (Redes aleatorias)
no exhiben agrupamiento local. Los nodos lejanos
pueden estar conectados f´acilmente al igual que los
nodos cercanos. En este caso la informaci´on puede
ser transportada a trav´es de toda la red mucho m´as
eficientemente que en las redes ordenadas
altamente inestables
As´ı, las redes aleatorias implican una transferencia
eficiente de informaci´on mientras que las redes regulares
implican estabilidad.
Definition (small-world)
Estables y eficientes en la transferencia de informaci´on.
8 / 39
9. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Redes complejas V
De Watts y Strogatz, 1998.
9 / 39
10. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Redes complejas
Enfoques
1. Derivaci´on de la estructura de la red desde un
experto
2. Aprendizaje de la estructura de la red con
correlaciones
3. Aprendizaje de la estructura de la red con
descubrimiento de relaciones causales
10 / 39
11. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Derivaci´on de la estructura de la red desde
un experto I
Pasos
Estructura directamente del conocimiento experto
S´olo las probabilidades se aprenden desde los datos
11 / 39
12. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Derivaci´on de la estructura de la red desde
un experto II
Medici´on de los efectos del cambio clim´atico en
la producci´on de biocombustible (Peter et al.,
2009)
Sistemas socioecon´omicos y ecol´ogicos tienen un
comportamiento complejo e interdependiente Adaptaci´on
del uso de suelo para la producci´on de biocombustible
comida agua y sectores de energ´ıa
”Se utiliz´o la cooperaci´on interdiciplinaria para la
formulaci´on y validaci´on del modelo.”
12 / 39
13. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Derivaci´on de la estructura de la red desde
un experto III
Figura: Estructura del modelo. De Peter et al., 2009.
13 / 39
14. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Derivaci´on de la estructura de la red desde
un experto IV
14 / 39
15. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Aprendizaje de la estructura de la red con
correlaciones
Estructura desde los datos mediante algoritmos de
aprendizaje score-based
Principalmente para prop´ositos de pron´ostico
No se enfoca en descubrir relaciones causales
15 / 39
16. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Aprendizaje de la estructura de la red con
descubrimiento de relaciones causales I
M´etodos de descubrimiento causal para aprender la
estructura
Identificaci´on potenciales relaciones de causa y
efecto desde datos observados
Causal discovery para construir redes que siguen las
interacciones al rededor del globo basado en series
de datos de campos atmosf´ericos, como datos de
altura geopotencial diarios
La clave es interpretar procesos din´amicos
atmosf´ericos a larga escala como flujo de
informaci´on por el globo e identificar la trayectoria
de este flujo de informaci´on usando descubrimiento
causal y modelos gr´aficos
16 / 39
17. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Aprendizaje de la estructura de la red con
descubrimiento de relaciones causales II
Constraint-based structure learning of graphical
models
Conceptos b´asicos de descubrimiento causal
No se preocupa por las probabilidades reales sino se
preocupa m´as en identificar las relaciones m´as
fuertes y mostrarlas en forma de grafo
Un reto importante de cualquier m´etodo de
descubrimiento causal es la potencial existencia de
causas comunes ocultas
Hay pruebas estad´ısticas bien establecidas que
permiten desaprobar conexiones causales desde las
observaciones
17 / 39
18. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Aprendizaje de la estructura de la red con
descubrimiento de relaciones causales III
Procedimiento de eliminaci´on que deja s´olo un
n´umero peque˜no de relaciones causales potenciales
como hip´otesis para ser estudiadas m´as a fondo por
los expertos en el dominio de estudio
18 / 39
19. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Aprendizaje de la estructura de la red con
descubrimiento de relaciones causales IV
Pruebas de independencia condicional y
algoritmo b´asico
La idea principal atr´as del descubrimiento causal es
que se puede determinar para cualquier par de
variables si hay una relaci´on directa entre ellos de
datos de observaci´on usando pruebas de
independencia condicional.
19 / 39
20. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Aprendizaje de la estructura de la red con
descubrimiento de relaciones causales V
P(X|Y , Z) ≈ P(X|Y )
20 / 39
21. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Aprendizaje de la estructura de la red con
descubrimiento de relaciones causales VI
Algoritmo de PC
1. Asumir que cada variable es una causa para todas
las otras variables (fully connected)
2. Podado mediante pruebas de independencia
condicional
3. Los enlaces que quedan son potenciales enlaces
causales
4. Las direcciones son determinadas de pruebas de
independencia o mediante conocimiento de experto
Etapa de evaluaci´on
21 / 39
22. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Asuntos a tener en cuenta
Fronteras
El problema de la inicializaci´on en el an´alisis
temporal
Fronteras espaciales
Espaciado y fuerza de se˜nal
Efecto de la resoluci´on temporal
Efecto del espaciado irregular en la grilla de puntos
(fekete points)
22 / 39
23. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Aplicaciones
1. Pron´ostico de El Ni˜no mejorado mediante detecci´on
de cooperatividad (Ludescher et al., 2013)
2. Un nuevo tipo de red clim´atica basada en modelos
gr´aficos probabil´ısticos: Resultados del invierno
boreal versus el verano (Ebert-Uphoff and Deng,
2012)
23 / 39
24. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad I
Pron´ostico robusto limitado a 6 meses
Predicci´on basada en redes complejas
Inspeccionando teleconexiones
Enfoque: evidencia de que el modo cooperativo a
gran escala hay un a˜no calendario antes del evento
de calentamiento
ENSO: puede ser percibido con patr´on de sube y
baja din´amico auto organizado
NINO3.4: promedio de las anomal´ıas de la
temperatura de la superficie del mar (SST) en
cierta grilla de puntos en el pac´ıfico
24 / 39
25. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad II
NINO: ´ındice por encima de 0.5◦
C para un periodo
de al menos 5 meses
No se considera la dependencia del tiempo de los
registros del clima en un solo punto de grilla i sino
la evoluci´on en el tiempo de las interacciones
(teleconexiones) entre pares de puntos de grilla i y j
que se representa por las fuerzas de las correlaciones
cruzadas entre los registros del clima en estos sitios
25 / 39
26. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad III
Yamasaki et al. (2008) y Gozolchiani et al.
(2011)
En redes de clima a gran escala los enlaces tienden a
debilitarse significativamente durante episodios de El
Ni˜no. El fen´omeno es m´as pronunciado para los enlaces
que conectan El Ni˜no basin con los sitios circundantes en
el oc´eano Pac´ıfico.
Observaci´on
Mucho antes de un episodio de El Ni˜no, la media de la
fuerza tiende a incrementarse. Esto permite pronosticar
un evento con m´as de un a˜no de avance.
26 / 39
27. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad IV
Figura: Incremento y decremento de la fuerza de enlace.
27 / 39
28. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad V
9x23 El Ni˜no basin: 14; fuera del dominio: 193
28 / 39
29. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad VI
Datos
proyecto de la NCEP/NCAR Reanalysis I
anomal´ıas de temperatura atmosf´erica diaria al nivel
del mar: t real menos la media climatol´ogica para
cada d´ıa calendario
29 / 39
30. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad VII
Fuerza de enlace
Time-delayed cross-covariance definida como
C
(t)
i,j (−τ) = Ti (t)Tj (t − τ) − Ti (t) Tj (t − τ)
C
(t)
i,j (τ) = Ti (t − τ)Tj (t) − Ti (t − τ) Tj (t)
f (t) = 1
365
364
m=0 f (t − m)
Cross-correlation (c
(t)
i,j (τ)): cross-variance dividida
para las correspondientes desviaciones est´andar
(SD) de Ti y Tj .
Fuerza de enlace (Sij (t)): (MAX-MEAN)/SD
S(t) promedio Sij (t)
30 / 39
31. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad VIII
|c
(t)
i,j (τ)|
31 / 39
32. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Pron´ostico de El Ni˜no mejorado mediante
detecci´on de cooperatividad IX
32 / 39
33. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Resultados del invierno boreal versus el
verano I
Valores diarios de altura geopotencial 500 mb sobre
todo el globo durante el periodo 1948-2011
(NCEP/NCAR reanalisis).
Caracter´ısticas de la red son comparadas entre
invierno boreal y verano en t´erminos de propiedades
de intra-location que mide la memoria local en un
nodo e inter-location que cuantifica el impacto
remoto de un nodo.
Se desarroll´o un modelo gr´afico temporal que
modela las interacciones entre altura geopotencial
diaria 500 mb en lugares geogr´aficos individuales
durante el curso de 2 semanas
33 / 39
34. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Resultados del invierno boreal versus el
verano II
S=15 slices; N=200 nodos; Total: 3000 nodos
Representaci´on gr´afica
- gr´aficos de red
- gr´aficos de contornos
Se elimina la primera slice del modelo que es
suficiente para el problema de inicializaci´on temporal
Propiedades a comparar
- intra-max-delay y intra-ave-delay,
- inter-max-delay y inter-ave-delay
34 / 39
35. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Resultados del invierno boreal versus el
verano III
35 / 39
36. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Memoria local
36 / 39
37. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Impacto remoto de nodos
37 / 39
38. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Exploraci´on
Trabajo inmediato
Reducci´on de escala espacial
Nuevos m´etodos de descubrimiento causal
Modelos gr´aficos gaussianos
Modelos gr´aficos de Granger
Informaci´on mutua condicional
Analizar y descubrir interacciones f´ısicas aplicadas a
Sudam´erica y Ecuador
Enfoques de uso
Confirmaci´on y prueba de hip´otesis espec´ıficas en
datos
V´ıa exploratoria para generar hip´otesis
38 / 39
39. Redes complejas y
descubrimiento
causal
A. V´azquez-Pati˜no
Antecedentes
Inteligencia artificial
Redes complejas
Estructura desde un
experto
Estructura mediante
correlaciones
Estructura mediante
descubrimiento causal
Aplicaciones
Pron´ostico de El Ni˜no
mejorado
Red clim´atica basada
en modelos
probabil´ısticos gr´aficos
Exploraci´on
Referencias
Autores destacados
• Imme Ebert-Uphoff, Colorado State University
• Yi Deng, Georgia Institute of Technology
Referencias
• Tsonis, A.A., Roebber, P.J., 2004. The Architecture of the Climate Network. Physica A:
Statistical Mechanics and its Applications 333, 497–504. doi:10.1016/j.physa.2003.10.045
• Watts, D.J., Strogatz, S.H., 1998. Collective dynamics of ’small-world’ networks. Nature 393,
440–442. doi:10.1038/30918
• Peter, C., de Lange, W., Musango, J., April, K., Potgieter, A., 2009. Applying Bayesian
modelling to assess climate change effects on biofuel production. Climate Research 40,
249–260. doi:10.3354/cr00833
• Ludescher, J., Gozolchiani, A., Bogachev, M.I., Bunde, A., Havlin, S., Schellnhuber, H.J., 2013.
Improved El Ni˜no forecasting by cooperativity detection. Proceedings of the National Academy
of Sciences 110, 11742–11745. doi:10.1073/pnas.1309353110
• Yamasaki, K., Gozolchiani, A., Havlin, S., 2008. Climate Networks around the Globe are
Significantly Affected by El Ni˜no. Physical Review Letters 100.
doi:10.1103/PhysRevLett.100.228501
• Gozolchiani, A., Havlin, S., Yamasaki, K., 2011. Emergence of El Ni˜no as an Autonomous
Component in the Climate Network. Physical Review Letters 107.
doi:10.1103/PhysRevLett.107.148501
• Ebert-Uphoff, I., Deng, Y., 2012. A New Type of Climate Network Based on Probabilistic
Graphical Models: Results of Boreal Winter Versus Summer. Geophysical Research Letters 39,
7. doi:10.1029/2012GL053269
39 / 39