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.
Los datos medidos por los nodos pertenecientes a clústeres pequeños (morado) puede ser explicada con la mayoría componentes principales. [Ver pie]
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 Universidad Rey Juan Carlos (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.
Rusça Seslendirme
Ses Bankası
Reklam Seslendirme
Tanıtım Filmi Seslendirme
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.
Distribución de tamaños de clústeres obtenidos al analizar el viento en la Península Ibérica para diferentes años. [Ver pie]
Esta investigación forma parte del Proyecto OMEGA-CM, financiado por la Consejería de Educación, Juventud y Deporte 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
Pie de foto 1: Los datos medidos por los nodos pertenecientes a clústeres pequeños (morado) puede ser explicada con la mayoría componentes principales. Por otro lado, en el caso de clústeres más grandes (verde o naranja) se necesitan más componentes principales para resolver la misma varianza explicada.
Pie de foto 2: Distribución de tamaños de clústeres obtenidos al analizar el viento en la Península Ibérica para diferentes años. Se puede observar decaimiento gobernado por ley de potencias. También se puede observar diferencias entre los diferentes años, causadas por la influencia del índice climático NAO (North Atlantic Oscillation).
