El campo de las redes complejas ha surgido como un área importante de la ciencia para generar conocimientos novedosos sobre la naturaleza de los sistemas complejos [1] [2] La aplicación de la teoría de redes a la ciencia climática es un campo joven y emergente. [3] [4] [5] [6] Para identificar y analizar patrones en el clima global, los científicos modelan los datos climáticos como redes complejas.
A diferencia de la mayoría de las redes del mundo real donde los nodos y los bordes están bien definidos, en las redes climáticas, los nodos se identifican como los sitios en una cuadrícula espacial del conjunto de datos climáticos globales subyacentes, que se pueden representar en varias resoluciones. Dos nodos están conectados por un borde dependiendo del grado de similitud estadística (que puede estar relacionada con la dependencia) entre los pares correspondientes de series de tiempo extraídas de los registros climáticos. [4] [5] [7] [8] El enfoque de la red climática permite nuevos conocimientos sobre la dinámica del sistema climático en diferentes escalas espaciales y temporales. [5] [9] [10]
Dependiendo de la elección de nodos y / o bordes , las redes climáticas pueden tomar muchas formas, formas, tamaños y complejidades diferentes. Tsonis y col. introdujo el campo de las redes complejas al clima. En su modelo, los nodos de la red estaban constituidos por una sola variable (500 hPa) de los conjuntos de datos de reanálisis de NCEP / NCAR . Con el fin de estimar los bordes entre los nodos, se estimó el coeficiente de correlación con un retardo de tiempo cero entre todos los posibles pares de nodos. Se consideró que un par de nodos estaba conectado, si su coeficiente de correlación está por encima de un umbral de 0,5. [1]
El equipo de Havlin introdujo el método de enlaces ponderados que considera (i) el retardo de tiempo del enlace, (ii) el máximo de la correlación cruzada en el retardo de tiempo y (iii) el nivel de ruido en la función de correlación cruzada.[4] [8] [9] [10] [11]
Steinhaeuser y su equipo introdujeron la nueva técnica de redes multivariantes en el clima mediante la construcción de redes a partir de varias variables climáticas por separado y capturan su interacción en un modelo predictivo multivariante. Se demostró en sus estudios que en el contexto del clima, la extracción de predictores basados en atributos de clúster produce precursores informativos para mejorar las habilidades predictivas . [7]
Kawale y col. presentó un enfoque basado en gráficos para encontrar dipolos en datos de presión. Dada la importancia de la teleconexión , esta metodología tiene potencial para proporcionar conocimientos importantes. [12]