Factibilidad de la aplicación de técnicas de aprendizaje profundo para la regionalización estadística de temperatura máxima y mínima en Puno

Abstract

En la presente investigación se evalúan las técnicas de aprendizaje profundo (Deep Learning en inglés), para la regionalización estadística de proyecciones climáticas generadas por el modelo CanESM5 del proyecto CMIP5. Asimismo, se verificaron los resultados de las técnicas de aprendizaje profundo usando métricas del marco de validación VALUE (e.g., razón de la deviación estándar, BIAS y correlación de Pearson), antes de aplicarlas a las proyecciones climáticas. Las técnicas aplicadas fueron las Redes Neuronales Convolucionales (CNN por sus siglas en ingles) de “complejidad creciente” para regionalizar la temperatura máxima y mínima sobre el departamento de Puno. Las CNN se compararon con otra técnica usada frecuentemente para regionalización estadística, que son los modelos de regresión lineal simple y generalizada (GLM por sus siglas en inglés). Además, se analiza el rol de los distintos elementos que constituyen la arquitectura de una red neuronal convolucional con la finalidad de evaluar su capacidad para proyectar el clima futuro; lo cual es de gran relevancia para su aplicación en la generación de escenarios de cambio climático local, debido a su menor costo computacional respecto a la técnica ampliamente conocida de regionalización dinámica. Los resultados de la validación obtenidos tras entrenar un conjunto de CNN son que el modelo de redes neuronales convolucionales que capta las relaciones lineales entre los predictores y predictandos (CNN LM) es el que mejor representa la temperatura máxima y el modelo que capta relaciones no lineales con un número decreciente de mapas de características (CNN1) el que mejor representa la temperatura mínima. Finalmente, se concluye que es posible aplicar la técnica de CNN para la regionalización estadística de temperatura máxima y mínima a dos metros de la superficie, tanto a nivel climatológico como para las proyecciones futuras, en la zona correspondiente al altiplano en el departamento de Puno, que abarca la ladera oriental, la cordillera oriental y occidental.

In this research, deep learning techniques are evaluated for the statistical regionalization of climate projections generated by the CanESM5 model of the CMIP5 project. Likewise, the results of the deep learning techniques were verified using metrics from the VALUE validation framework (e.g., standard deviation ratio, BIAS and Pearson correlation), before applying them to the climate projections. The techniques applied were Convolutional Neural Networks (CNN) of “increasing complexity” to regionalize the maximum and minimum temperature over the department of Puno. CNNs were compared with another frequently used technique for statistical regionalization, which are simple and generalized linear regression models (GLM). Furthermore, the role of the different elements that constitute the architecture of a convolutional neural network is analyzed in order to evaluate its capacity to project the future climate; which is of great relevance for its application in the generation of local climate change scenarios, due to its lower computational cost compared to the widely known technique of dynamic regionalization. The validation results obtained after training a set of CNNs are that the convolutional neural network model that captures the linear relationships between the predictors and predictands (CNN-LM) is the one that best represents the maximum temperature and the model that captures non-linear relationships with a decreasing number of feature maps (CNN1) which best represents the minimum temperature. Finally, it is concluded that it is possible to apply the CNN technique for the statistical regionalization of maximum and minimum temperature two meters from the surface, both at a climatological level and for future projections, in the area corresponding to the highlands in the department of Puno. covering the eastern slope, the eastern and western mountain range.