Documentos de Académico
Documentos de Profesional
Documentos de Cultura
http://revistas.udistrital.edu.co/ojs/index.php/Tecnura/issue/view/799
DOI: http://dx.doi.org/10.14483/udistrital.jour.tecnura.2016.4.a04
Investigación
Juan Gabriel Rueda Bayona1, Cindy Judith Elles Pérez2, Edgar Humberto Sánchez Cotte3,
Ángel León González Ariza4, Germán Daniel Rivillas Ospina5
Cómo citar: Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D. (2016).
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y
clúster k-medias. Revista Tecnura, 20(50), 55-68. doi: 10.14483/udistrital.jour.tecnura.2016.4.a04
1 Ingeniero civil, magíster en Ingeniería – Recursos Hidráulicos, tecnólogo en Oceanografía, candidato a doctor en Ingeniería Civil, Universi-
dad del Norte, Barranquilla, Colombia. Contacto: jgrueda@uninorte.edu.co
2 Ingeniera química, candidata a doctor en Ingeniería Civil, Universidad del Norte, Barranquilla, Colombia. Contacto: ellesc@uninorte.edu.co
3 Ingeniero civil, magíster en Ingeniería Civil, estudiante de Doctorado en Ingeniería Civil en la Universidad del Norte, Barranquilla, docente
de planta, Universidad Distrital Francisco José de Caldas, Bogotá D. C. Contacto: esanchez@udistrital.edu.co
4 Ingeniero industrial, doctor en Ingeniería Industrial, docente investigador, Universidad del Norte, Barranquilla, Colombia. Contacto:
agonzale@uninorte.edu.co
5 Ingeniero civil, máster en Ingeniería, doctor en Ingeniería. Profesor, asistente Departamento de Ingeniería Civil y Ambiental. Universidad
del Norte, Barranquilla, Colombia. Contacto: grivillas@uninorte.edu.co
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 55 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 56 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
relacionadas con el fenómeno ENSO (El Niño Os- al área de estudio poseen registros de información,
cilación del Sur) y la hidrometeorología del Valle con series de tiempo menores a 10 años, limitan-
del Cauca (Colombia). Encontraron que al emplear do así identificar modos de oscilación climáticos
esta metodología en la modelación de la precipita- superiores al tiempo de medición in situ de las es-
ción y el caudal se obtiene un mejor ajuste de los taciones. Otra limitación observada en las estacio-
modelos regresivos. nes climatológicas, son los vacíos de información
En la investigación realizada por Giraldo, León generados principalmente por fallas en los instru-
y Gómez (2013) se empleó el método K-medias mentos de medición, dando como resultado a que
(K-means) para inicializar algoritmos particionales se afecte la calidad de los estudios.
aplicados al proceso de minería de flujo de datos. Las limitaciones para la realización de estu-
Los investigadores Plazas-Nossa y Torres (2014) dios climatológicos locales se han reducido con el
combinaron la técnica de PCA y Fourier con el ob- avance de los sistemas de teledetección con apli-
jetivo de pronosticar series de tiempo obtenidas me- cación meteorológica, la evolución de los mode-
diante la técnica de espectrotometría UV-Vis. Los los numéricos, y el mejoramiento de las técnicas
autores recomendaron efectuar los análisis de los de análisis de información numérica satelital. Con
rangos de los espectros UV y Vis de manera indepen- base en lo anterior, la aplicación conjunta de in-
diente, facilitando así la identificación de los com- formación medida y modelada, se conoce como
ponentes principales y los armónicos fundamentales. reanálisis, la cual es una técnica de asimilación de
Miao et al. (2015) utilizaron en conjunto el mé- datos para la creación de conjunto de datos climá-
todo K-medias tradicional con el método spectral ticos de alta resolución espacial y temporal.
clustering (SC), dando como resultado el método Con base en las consideraciones anteriores, el
SKC (spectralanalysis–basado K-means clustering. presente trabajo identifica patrones de comporta-
Mo y Ghil (1988) hacen uso de un método de aná- miento de velocidad del viento y temperatura en lo-
lisis de clúster modificado para identificar patro- calidades donde la disponibilidad de información es
nes espaciales de flujo del viento en el planeta, y limitada. Se empleó información de reanálisis local-
su interacción. Skapa et al. (2012) utilizan el agru- mente ajustada con información in situ, y se estudió
pamiento K-medias para identificar los fenómenos la variabilidad climática mediante análisis de com-
climáticos que tienen efectos sobre la propagación ponentes principales, Fourier y clúster K-medias.
de las ondas de radio en telecomunicaciones mó-
viles, y a su vez centran su trabajo en analizar los METODOLOGÍA
parámetros meteorológicos importantes como los
resultados de K-medias. Kumar et al. (2012) apli- Manejo de la información
caron funciones de densidad de probabilidad en
conjunto con el método de K-medias para predecir Como paso previo a la aplicación de los métodos
el clima en Quinland. numéricos y estadísticos de modelación y análisis,
Frecuentemente la información climática dis- se efectuó asimilación de información de reaná-
ponible para la realización de investigaciones y lisis perteneciente a la base de datos NCEP Nor-
estudios de ingeniería a escala local es limitada. th American Regional Reanalysis NARR (NOAA,
Por lo general, se disponen de estaciones clima- 2015). La asimilación pretende escalar informa-
tológicas cercanas para inferir sobre el comporta- ción satelital a los puntos de estudio, mediante
miento local de las variables atmosféricas, lo que análisis de regresión lineal a una serie de tiempo
puede conllevar establecer patrones de variabili- trihoraria de 30 años (NARR); como información
dad climática no asociados a las condiciones es- in situ de referencia para la asimilación, se em-
peradas. Adicionalmente, las estaciones cercanas pleó información horaria de 2013 y 2014 de las
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 57 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
estaciones climáticas ubicadas en los aeropuertos es la aplicación del análisis de componentes prin-
de Barranquilla y Cartagena (Ideam, 2016). cipales (ACP) a series de tiempo rezagadas (Elsner
y Tsonis, 2013). El tratamiento de los datos se hace
Pronóstico basado en análisis de mediante la aplicación del teorema de Takens
componentes principales (1980), para la construcción de una matriz de re-
trasos. La matriz se construye a partir de un vec-
Una forma de entender la dinámica de las series tor de retrasos con dimensión M, representando la
de tiempo climatológicas es a través del análisis ventana de tiempo escogida para la modelación
espectral singular (AES), que en términos generales de los datos, (ecuación (1)) (Skitties y Früh, 2014).
1 1
�� ��� � �� �� � �� � �� � � � ��� � 2��� ��� � ��� ����� ��� � ��� ��� � 2��� � � � �� � ���� (1)
2 2
De esta forma, la matriz de retraso queda con anteriormente mencionados. Primero, se obtuvo la
las siguientes dimensiones para Nd datos de la se- matriz de retrasos para valores de ventana M de 3
rie de tiempo. días, 1 mes, 6 meses, 1 año y 6 años, con el fin de
Filas: ൌ ܰௗ െ τ τ ; Columnas: M. determinar la ventana de tiempo que ofrecía un
El análisis de componentes principales se hace mejor ajuste de los datos. Segundo, se obtuvieron
obteniendo la matriz de varianza-covarianza para los eigenvectores y los eigenvalores según la ecua-
la matriz de retrasos, a través de los eigenvalores y ción (3) y con los eigenvalores, se extrajo informa-
los eigenvectores de acuerdo con la ecuación (2). ción acerca de la varianza acumulada explicada
por los eigenvectores.
݁ܣ ൌ ߣ ݁ (2) Seguidamente, se determinó el número de ei-
genvectores necesarios para modelar los datos, sin
Donde A es la matriz de varianza-covarianza, ei incluir ruido en el modelo, esto se hizo teniendo
los eigenvectores, que representan la contribución en cuenta que los eigenvectores explicaran más
de cada variable a la señal original y li los eigenva- del 70 % de la variabilidad total del sistema. Se
lores, que expresan la variabilidad asociada a cada proyectaron todos los eigenvectores sobre la serie
eigenvector. de datos original, tanto para la temperatura como
La reconstrucción de la señal original se puede para la velocidad del viento de Barranquilla y Car-
lograr al proyectar los eigenvalores sobre la matriz tagena respectivamente, para espacios de tiempo
de datos originales X(t) mediante la ecuación (3). de 25 años y luego se modelaron de 3 días, 1 mes,
ெ 6 meses, 1 año y 6 años para observar patrones
ܻ ሺݐሻ ൌ ܺሺ ݐ ݆ െ ͳሻ݁݅ሺ݆ሻ (3) de oscilación y relacionarlos con fenómenos na-
ୀଵ turales. Por último se realizó la sumatoria de los
Donde Yi(t) son los componentes principales componentes encontrados según la ecuación (4).
asociados a cada eigenvector ei. Al final, mediante El ajuste de la señal proyectada con los datos origi-
la ecuación (4) se puede reconstruir la señal como nales de la serie de tiempo se midió por medio del
la sumatoria de los Yi(t) (García-Cabrejo y More- cálculo del coeficiente de correlación.
no-Sánchez, 2006).
ெ Pronóstico basado en análisis de fourier
ܺ ሺݐሻ ൌ ܻ ሺݐሻ (4)
ୀଵ
En líneas generales el análisis de Fourier consiste
El análisis de componentes principales se logró en descomponer series de tiempo, en un conjunto
mediante la aplicación de los supuestos teóricos de ondas regulares con fase, amplitud y periodo
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 58 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
�
definido, a través de funciones seno y coseno. De- 1
bido a que la variabilidad climática representa las �� ⁄� � � � ���� � cos�� � �� � (10)
�
���
oscilaciones o cambios de patrón recurrente de
variables atmosféricas, se decidió emplear la téc- 2
�
Δt:
intervalo de muestreo o de registro. Identificación de patrones de asociación
N: número de observaciones de nuestra serie de bivariado mediante análisis de cluster
tiempo. k-medias
k: es el armónico.
ωn: es la frecuencia del k-ésimo armónico en En busca de identificar si existen patrones de agru-
radianes. pación entre la velocidad del viento y la tempera-
M: número de armónicos a determinar. tura ambiente para cada una de las dos ciudades,
La frecuencia mínima a partir de los registros se efectuó un análisis de clúster mediante el mé-
de medición o de las observaciones se calcula uti- todo del k-medias (k-means clustering), y para
lizando la ecuación (6). determinar el número de grupos de una manera
1 �� cuantitativa, se empleó el método de identifica-
� � 1� � �� � � �� � (6) ción de silueta (silhouette).
� �
El análisis de clúster (conglomerados) es una
La frecuencia máxima de las mediciones se cal- técnica multivariante que busca agrupar elemen-
cula utilizando la ecuación (7). tos (o variables), tratando de lograr la máxima ho-
1 � � mogeneidad posible en cada grupo y marcadas
� � �� � �� � � �� � � � � (7) diferencias entre ellos; se puede combinar con
2�� �� 2
otras técnicas como el ACP, y de esta forma redu-
Cumpliéndose que: ݂ ൏ ݂ ൏ ݂ெ cir el volumen de los datos correlacionados, en un
Los coeficientes de Fourier se calculan utilizan- número de componentes principales representati-
do las ecuaciones (8) – (11) vos no correlacionados, y posteriormente hacer un
�
2 análisis clúster sobre los componentes obtenidos.
�� � � � ���� �
� (8) La técnica de análisis de clúster puede ser de
���
� tipo jerárquico o no jerárquico, y para la presen-
2
�� � � � ���� �������� �� � (9) te investigación se empleó el análisis de tipo no
�
��� jerárquico conocido como la metodología de
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 59 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
K-medias. En esta metodología se seleccionan unos Tabla 2. Estadísticos de regresión entre los datos de
valores considerados base de cada conglomerado, temperatura (°C) de NARR y los datos de estaciones
para agrupar en torno a ellos todos los elementos climatológicas
que se encuentren en una determinada distancia
(distancia euclidiana). Se toman los k primeros Estadísticos
casos como grupos unitarios y se asignan el resto CCM R2 Intercepto Pendiente
Ciudades
de casos a los grupos con el centroide más próxi-
Barranquilla 0,99 0,98 0 0,984
mo, después de cada asignación se recalculan los
Cartagena 0.99 0.99 0 0.995
centroides y se vuelven a asignar los individuos al
centroide más próximo; iterando hasta que ningún CCM: Coeficiente de correlación múltiple
individuo cambie de grupo cuando se haga la rea-
Fuente: elaboración propia.
signación, de forma que tenga un comportamiento
convergente. El tamaño del grupo o del conglome-
rado puede ser definido con base a la distancia eu- La figura 1 presenta, a manera de ilustración,
clidiana entre elementos (ecuación (15)). las series de tiempo trihorarias de los datos toma-
dos de NARR y los del Ideam, junto con los NARR
d2 (xi, xj)= ‖�� � ��‖� = ���������� � ����� (15) ajustados según el modelo obtenido para la veloci-
dad del viento en Barranquilla, Colombia.
RESULTADOS
Pronóstico basado en ACP
Manejo de la información
La escogencia del tamaño de la ventana se realizó
Las tablas 1 y 2 presentan el ajuste de los datos a partir del coeficiente de correlación del modelo
NARR, junto con los de las estaciones climatoló- obtenido por ACP; en la figura 2, se puede obser-
gicas del Ideam. A partir de los estadísticos de re- var que a medida que se aumentó el tamaño de la
gresión para los datos de velocidad del viento y ventana para los datos de temperatura y velocidad
de temperatura de las ciudades de Barranquilla y del viento de Barranquilla y Cartagena respectiva-
Cartagena, se infirió que el ajuste era adecuado, y mente, el coeficiente de correlación se disminuyó
permitía establecer una interpolación para obtener de manera significativa.
la información trihoraria desde enero 1 de 1980 El gráfico de sedimentación en el cual se mues-
hasta diciembre 31 de 2014, de las series de tiem- tran los eigenvalores li, o autovalores, se presenta
po bajo estudio. en la figura 3 de aquí podemos observar que a par-
tir de cierto número de componentes los autovalo-
Tabla 1. Estadísticos de regresión entre los datos de velo- res permanecen constantes.
cidad del viento (km/h) de NARR y los datos del Ideam
Estadísticos
CCM R2 Intercepto Pendiente
Ciudades
Barranquilla 0,84 0,71 0 0,6
Cartagena 0,7 0,49 0 0,47
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 60 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
14
IDEAM
12
10 NARR ajustado
0
1
102
203
304
405
506
607
708
809
910
1011
1112
1213
1314
1415
1516
1617
1718
1819
1920
2021
2122
2223
2324
2425
2526
2627
2728
2829
2930
3031
3132
3233
3334
3435
Registros
Figura 1. Series de tiempo trihoraria de velocidad del viento para la ciudad de Barranquilla desde 1 enero de 1980
a 31 diciembre de 2014
a
0,7
Coeficiente de correlación
0,6
0,5
0,4
0,3
0,2
0,1
0
‐0,1 0 50 100 150 200 250 300 350 400
‐0,2
‐0,3
Ventana (días)
b
1
Coeficiente de correlación
0,8
0,6
0,4
0,2
0
‐0,2 0 50 100 150 200 250 300 350 400
‐0,4
‐0,6
‐0,8
Ventana (días)
Figura 2. Coeficientes de correlación de modelación de serie de tiempo de: a) temperatura para la ciudad de
Barranquilla; b) velocidad del viento de Cartagena, para un tiempo de 25 años con ventana cambiante, usando ACP
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 61 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
Gráfico de sedimentación
Gráfico de Sedimentacion 12
70
60 10
50
8
40
Autovalor
Autovalor
30
4
20
2
10
0 0
0 50 100 150 200 250 0 5 10 15 20 25
Numero de Componente Número de componente
a. b.
Figura 3. Gráficos de sedimentación de modelación de datos: a) temperatura de Barranquilla, b) velocidad del
viento de Cartagena.
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 62 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
0.7 7
0.65 6.5
0.6 6
0.55 5.5
0.5 5
densidad espectral
densidad espectral
0.45 4.5
0.4 4
0.35 3.5
0.3 3
0.25 2.5
0.2 2
0.15 1.5
0.1 1
0.05 0.5
0 0
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5
Periodo (h) 4
x 10 Periodo (h) 4
x 10
a. a.
0.65 6.5
0.6 6
0.55 5.5
0.5 5
X: 23.99
0.45 4.5
densidad espectral
densidad espectral
Y: 3.982
0.4 4
0.35 3.5
0.3 3
0.25 2.5
0.2 2
0.15 1.5
0.1 1
0.05 0.5
0 0
0 0.5 1 1.5 2 2.5 0 0.5 1 1.5 2 2.5
Periodo (h) x 10
4
Periodo (h) 4
x 10
b. b.
Figura 5. Periodo grama para: a) velocidad del viento Figura 6. Periodograma para a) temperatura ambiente
en Barranquilla, b) velocidad de viento en Cartagena en Barranquilla, b) temperatura ambiente en Cartagena
Fuente: elaboración propia. Fuente: elaboración propia.
Se efectuaron las pruebas de sensibilidad me- un modelo de Fourier para el pronóstico del vien-
diante la variación del lapso de tiempo del con- to empleando una serie de tiempo trihoraria la
junto de datos al cual se le efectuó el análisis de cual debe tener un lapso de 6 años. A partir de lo
Fourier, y la variación del tiempo de modelación anterior se obtuvo al comparar los resultados del
para las dos ciudades, obteniéndose modelos modelo con la información satelital ajustada, un
muy similares. Efectuadas las pruebas se encon- coeficiente de determinación de 0,9432 y un p-va-
tró que para la ciudad de Barranquilla, se obtuvo lor significativo de 0 (tabla 3).
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 63 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
Tabla 3. Resultados de las pruebas de sensibilidad para la modelación de velocidad de viento y temperatura
ambiente en la ciudad de Barranquilla
5 34
modelo modelo
in situ in situ
32
4.5
30
Amplitud (m/s)
4
Amplitud (°C)
28
3.5
26
3
24
2.5 22
0 500 1000 1500 2000 2500 3000 0 5 10 15 20 25
registros registros
a. b.
Figura 7. Modelación de a) 3 días de temperatura ambiente en Barranquilla, b) 6 meses de la velocidad del viento
en Cartagena
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 64 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
Agrupamiento mediante k-medias Las siluetas deben ser iguales o mayores a 0,6,
de lo contrario, nos indican que los grupos no es-
Con el objeto de identificar patrones de asociación tán correctamente diferenciados. Con base en los
de las variables atmosféricas, se efectuó el análi- resultados en esta investigación, fue posible iden-
sis de conglomerados. El número de grupos puede tificar dos grupos o clúster de asociación entre la
ser inspeccionado mediante el diagrama de silue- temperatura ambiente y el viento para la ciudad de
tas (figura 8). Barranquilla y Cartagena (figura 8).
A partir de la agrupación no jerárquica de clús-
1 ter (k-medias) vista en la figura 9, se encontró que
para la ciudad de Barranquilla se presentan dos
patrones característicos del clima, siendo el prime-
2
ro de temperaturas de 25 ºC y velocidad de viento
de 3,5 m/s, y el segundo de 31 ºC y velocidad de
Cluster
a) b)
Figura 9. Agrupación por clúster tipo k-medias de la información de temperatura y velocidad de viento para: a)
Barranquilla, b) Cartagena
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 65 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 66 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
pronosticar temperatura ambiente y velocidad de Elsner, J.B. y Tsonis, A.A. (2013). Singular Spectrum
viento en las localidades de estudio, hasta un lap- Analysis: a new tool in time series analysis. Nueva
so de tiempo de 6 meses. Con la técnica de clúster York: Springer Science & Business Media.
fue posible identificar dos patrones climáticos en García-Cabrejo, O. y Moreno-Sánchez, G. (2006). So-
las localidades de estudio, donde a través del cen- bre la utilización del análisis de fourier, análisis es-
troide de cada clúster se reconocieron condicio- pectral singular y redes neuronales artificiales en
nes medias de temperatura y velocidad de viento. estratigrafía. Parte 1: Teoría y caso sintético. Geolo-
En términos generales, fue posible emplear in- gía Colombiana, 31.
formación de reanálisis, escalada espacialmente Giraldo, F.; León, E. y Gómez, J. (2013). Caracteriza-
hasta las ciudades de Barranquilla y Cartagena, y ción de flujos de datos usando algoritmos de agru-
validar el modelo mediante el empleo de informa- pamiento. Revista Tecnura, 17(37), 153-166.
ción de estaciones climatológicas de resolución Instituto de Hidrología, Meteorología y Estudios Am-
horaria. A través de ajustes de regresión fue posi- bientales (Ideam) (2016). Recuperado el 05 de 02
ble ajustar la información de reanálisis, y con este de 2016, de: http://www.ideam.gov.co
se emplearon las técnicas de APC-AES, Fourier y Kumar, A.; Sinha, R.; Bhattacherjee, V.; Verma, D. y Sin-
K-medias, para identificar los principales modos gh, S. (2012). Modeling using K-means clustering
de oscilación y agrupamiento de cada parámetro algorithm. Recent Advances in Information Techno-
meteorológico. A partir de los modos de oscila- logy (RAIT), 1st International Conference.
ción calculados mediante Fourier, se construyeron Kumar, V.; Steinbach, M.; Tan, P.; Klooster, S.; Potter,
4 modelos con capacidad de pronósticos de reso- C. y Torregrosa, A. (2001). Mining scientific data:
lución trihoraria y de horizonte de pronóstico de Discovery of patterns in the global climate system.
6 meses. Joint Statistical Meeting.
Miao, C.; Chen, J.; Liu, J. y Su, H. (2015). An improved
AGRADECIMIENTOS Markov chain model for hour-ahead wind speed
prediction. Control Conference (CCC), 2015 34th
Los autores agradecen a la Universidad del Norte Chinese.
por el apoyo financiero a través de las becas de doc- Mo, K. y Ghil, M. (1988). Cluster analysis of multiple
torado UN-OJ-2013-22058 y UN-OJ-2013-22022, planetary flow regimes. Journal of Geophysical Re-
y al Departamento de Ingeniería Civil y Ambiental search: Atmospheres, 93, 10927-10952.
por el apoyo académico y administrativo. NOAA (10 de octubre de 2015). Earth System Research
Laboratory. Recuperado el 11 de mayo de 2016,
REFERENCIAS BIBLIOGRÁFICAS de: http://www.esrl.noaa.gov/psd/data/gridded/
data.narr.html.
Carvajal, Y. y Marco, J.B. (2004). Análisis de variabilidad Plazas-Nossa, L. y Torres, A. (2014). PCA/DFT como he-
de datos medioambientales aplicando funciones rramienta de pronóstico para series temporales de
ortogonales empíricas o componentes principales. absorbancia registradas mediante captores UV-Vis
Ingeniería de Recursos Naturales y del Ambiente, en sistemas de saneamiento urbano. Revista Tecnu-
1(2), 4-12. ra, 19(44), 47-57.
Dronkers, J.J. y Schonfeld, J.C. (1955). Tidal compu- Rojo-Hernández, J.D. y Carvajal-Serna, L.F. (2010). Pre-
tations in shallow water:. Am. Sot. Civil Engineers dicción no lineal de caudales utilizando variables
Proc. Hydraulics Div. A. Waalewijn (81, No. 714, macroclimáticas y análisis espectral singular. Tec-
49 p.). nología y Ciencias del Agua, 1(4), 59-73.
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 67 ]
Identificación de patrones de variabilidad climática a partir de análisis de componentes principales, Fourier y clúster k-medias
Rueda-Bayona, J.G.; Elles-Pérez, C.J.; Sánchez, E.H.; González, A.L. y Rivillas-Ospina, G.D.
Skapa, J.; Dvorsky, M.; Michalek, L.; Sebesta, R. y Blaha, Skittides, C. y Früh, W. (2014). Wind forecasting using
P. (2012). K-mean clustering and correlation analy- principal component analysis. Renewable Energy,
sis in recognition of weather impact on radio signal. 69, 365-374.
Telecommunications and Signal Processing (TSP), Takens, F. (1980). Detecting strange attractors in turbu-
35th International Conference. lence. Warwick: Springer, 1980.
Tecnura • p-ISSN: 0123-921X • e-ISSN: 2248-7638 • Vol. 20 No. 50 • Octubre - Diciembre 2016 • pp. 55-68
[ 68 ]