Spatio-temporal trend analysis of air temperature in Europe and Western Asia using data-coupled clustering

Normalización en desempeño de k-means sobre datos climáticos

“…Para esta estación, mediante el proceso de ETl (Extracción, Transformación y Carga) se genera un conjunto de datos extraído de la bodega de datos ambientales, el cual contiene registros comprendidos entre el 12 de abril de 2012 y el 16 de agosto de 2017 (lo que abarca un margen de tiempo de 64 meses o 5.3 años). Acto seguido, se seleccionan los atributos de temperatura, precipitación, radiación solar y humedad relativa, dado que son los más usados por diferentes autores en sus investigaciones climáticas con algoritmos de clustering [1], [2], [12], [13], [3], [5][6][7][8][9][10][11]. luego, dicho conjunto de datos es procesado con el software de análisis de datos Rapid Miner, versión 7.5.003, utilizando aprendizaje de máquina no supervisado.…”

“…la meteorología ha sido un área de mucho interés y curiosidad no solamente para la sociedad sino también para la comunidad científica en aras de comprender el comportamiento y las condiciones climáticas que se presentan en el planeta tierra. Por esta razón, el clima y los escenarios atmosféricos han sido abordados por diversidad de investigadores para adquirir conocimiento de interés, empleando datos climáticos y meteorológicos junto con algoritmos de agrupamiento buscando determinar o entender comportamientos y patrones dentro del área estudiada, relacionar causas y efectos, comprender la formación e impacto de los desastres naturales y el efecto invernadero dentro de una región, al igual que realizar mediciones de la zona para finalmente proveer mejoras, conclusiones y consideraciones en pro del medio ambiente [1][2][3][4][5][6][7][8][9][10][11]. En dichos análisis de datos climáticos se han empleado diversos algoritmos de agrupamiento para procesar los registros, ya sean de agrupamiento jerárquico [1], [2], [8]; de agrupamiento empleando Stepwise Cluster Analysis o (SCA, por sus siglas en inglés) [11][12], [13]; de agrupamiento usando Space-Time Permutation Scan Statistics o (STPSS, por sus siglas en inglés) [14]; y de Second Order Data Coupled Clustering o (SODCC, por sus siglas en inglés) [6], [7].…”

“…Por esta razón, el clima y los escenarios atmosféricos han sido abordados por diversidad de investigadores para adquirir conocimiento de interés, empleando datos climáticos y meteorológicos junto con algoritmos de agrupamiento buscando determinar o entender comportamientos y patrones dentro del área estudiada, relacionar causas y efectos, comprender la formación e impacto de los desastres naturales y el efecto invernadero dentro de una región, al igual que realizar mediciones de la zona para finalmente proveer mejoras, conclusiones y consideraciones en pro del medio ambiente [1][2][3][4][5][6][7][8][9][10][11]. En dichos análisis de datos climáticos se han empleado diversos algoritmos de agrupamiento para procesar los registros, ya sean de agrupamiento jerárquico [1], [2], [8]; de agrupamiento empleando Stepwise Cluster Analysis o (SCA, por sus siglas en inglés) [11][12], [13]; de agrupamiento usando Space-Time Permutation Scan Statistics o (STPSS, por sus siglas en inglés) [14]; y de Second Order Data Coupled Clustering o (SODCC, por sus siglas en inglés) [6], [7]. Además, dentro del aprendizaje de máquina no supervisado se encuentra también el algoritmo particionado K-Means, muy ampliamente usado por los investigadores en el campo climatológico y uno de los algoritmos más conocidos dentro del machine learning para el análisis de variables y datos de meteorología [1], [4], [5], [8][9][10], [15], debido a que es reconocido como uno de los algoritmos más simples y eficientes dentro del agrupamiento de datos [16].…”

Cost-efficient deployment of multi-hop wireless networks over disaster areas using multi-objective meta-heuristics

“…Such abrupt changes impact on analytical indicators and climate models, which mostly rely on the relative stationarity of the climate in the short-medium term. Consequently, the effect of global warming on the occurrence of natural disasters has been so far assessed under a several-years-long perspective [3,4].…”

A Map Spectrum-Based Spatiotemporal Clustering Method for GDP Variation Pattern Analysis Using Nighttime Light Images of the Wuhan Urban Agglomeration

“…McArdle et al [11] applied clustering techniques based on spatial and temporal similarity to mouse group trajectories with similar behavioral properties. Chidean et al [12] applied a self-organized, second-order, data-coupled clustering algorithm to analyze the spatiotemporal patterns of temperature in Europe. Wu et al [13] applied the Bregman block average co-clustering algorithm with I-divergence (BBAC_I) to an aggregated annual temperature data matrix to study the associated spatiotemporal patterns at an annual temporal resolution.…”