用于检测和跟踪气候影响的时空多变量聚类演化分析
机器学习
2024-10-23 v1
摘要
近年来，气候变化及其影响日益受到关注。尽管地球系统模型(ESM)是研究气候变化影响的不可或缺的工具，但ESM中编码的复杂耦合过程、这些模型产生的大量数据，以及地球系统的高内部变动性，都可能掩盖重要的源-影响关系。本文提出了一种新颖且高效的无监督数据驱动方法，用于检测统计上显著的影响并追踪气候中时空源-影响路径。该方法独特地结合了异常检测、聚类和自然语言处理(NLP)的想法。以1991年在菲律宾马蒂亚博山口袋为例，我们演示了该方法能够检测到已知的事后影响/事件。我们另描述了一种从事后影响/事件中提取有意义序列的方法，利用NLP高效地从多变量聚类演化中提取频繁模式，这些模式可用于确认或发现气候源及其影响(s)之间的物理过程链。
引用
@article{arxiv.2410.16544,
title = {Spatio-temporal Multivariate Cluster Evolution Analysis for Detecting and Tracking Climate Impacts},
author = {Warren L. Davis and Max Carlson and Irina Tezaur and Diana Bull and Kara Peterson and Laura Swiler},
journal= {arXiv preprint arXiv:2410.16544},
year = {2024}
}