Detectan indicios del cambio climático a partir de una nueva herramienta

El análisis realizado mediante un nuevo modelo de agrupamiento de nodos ha permitido observar un cambio en los patrones espacio-temporales de los datos de temperatura ambiental en la zona de la Península Ibérica recopilados desde 1940

indicios cambio climatico

Esta investigación tiene como objetivo analizar datos climáticos para buscar nuevos indicios del cambio climático y mejorar la planificación de parques eólicos. Para alcanzar estos propósitos, investigadores del departamento de Teoría de la Señal y Comunicaciones de la URJC han desarrollado un algoritmo de clústering (agrupamiento de nodos) llamado SODCC (Second-Order Data-Coupled Clustering).

Esta herramienta ha sido diseñada para su uso en redes de sensores masivas. “Las estaciones meteorológicas se modelan como nodos de una red de sensores masiva con el beneficio añadido de que muchas de ellas llevan instaladas decenas de años”, explica Mihaela Chidean, investigadora de la URJC.

Gracias a los datos que han recopilado estas infraestructuras durante décadas, el grupo de investigación ha podido realizar el análisis de los datos de temperatura de la Península Ibérica a partir de 1940. “Hemos sido capaces de detectar un cambio en los patrones espacio-temporales de los datos de temperatura ambiental en esta zona, lo cual apunta a un posible indicio de un fenómeno de cambio climático. Este resultado ha sido contrastado con estudios previos de la literatura científica”, añade la investigadora.

Por otro lado, este trabajo les ha permitido relacionar los patrones espacio-temporales de los datos de viento con la producción de energía eólica, cuyo resultado es relevante “porque puede facilitar la planificación de los parques eólicos”, explica Mihaela Chidean.

Para cada uno de los conjuntos de datos considerados, la metodología empleada ha sido idéntica. En ambos casos han aplicado el algoritmo SODCC múltiples veces para obtener resultados independientes de las inicializaciones aleatorias y se han analizado los diferentes conjuntos de clústeres obtenidos empleando un modelo probabilístico. Además, se ha tenido en cuenta tanto la evolución temporal (cómo cambian las estadísticas de los datos a medida que transcurre el tiempo) como la evolución espacial (cómo cambian las estadísticas de los datos en diferentes regiones geográficas) de los resultados.

Esta investigación forma parte del Proyecto OMEGA-CM, financiado por la Consejería de Educación de la Comunidad de Madrid. El grupo de investigación, dirigido por los doctores Antonio Caamaño y Sancho Salcedo-Sanz, está formado por investigadores de tres universidades: Universidad Rey Juan Carlos, Universidad de Alcalá y Universidad Politécnica de Madrid.

Referencias bibliográficas

Mihaela I. Chidean, Eduardo Morgado,  Eduardo del Arco, Julio Ramiro-Bargueño, Antonio J. Caamaño “Scalable Data-Coupled Clustering for Large Scale WSN”. IEEE Transactions on Wireless Communications. 2015.

DOI: https://doi.org/10.1109/TWC.2015.2424693

Mihaela I. Chidean, Jesús Muñoz-Bulnes, Julio Ramiro-Bargueño, Antonio J. Caamaño, Sancho Salcedo-Sanz. “Spatio-temporal trend analysis of air temperature in Europe and Western Asia using data-coupled clustering”, Global and Planetary Change, 2015

DOI: https://doi.org/10.1016/j.gloplacha.2015.03.006

Mihaela I. Chidean, Antonio J. Caamaño, Julio Ramiro-Bargueño, Carlos Casanova-Mateo, Sancho Salcedo-Sanz. “Spatio-temporal analysis of wind resource in the Iberian Peninsula with data-coupled clustering”, Renewable and Sustainable Energy Reviews, 2017

DOI: https://doi.org/10.1016/j.rser.2017.06.075

Fuente: https://www.urjc.es


TYS MAGAZINE - Anunciantes

Jose Taboada

Licenciado en Geografía, Postgrado en Ordenación y Desarrollo Territorial (USC) y Master de Sostenibilidad y Responsabilidad Social Corporativa (USC).

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba