Análisis Topológico de Datos y Aprendizaje Automático en la Detección De Ríos Atmosféricos

Abstract

Un río atmosférico (RA) es una banda alargada y estrecha de humedad muy concentrada en la parte inferior de la troposfera que va desde los trópicos hasta un continente. La selección de umbrales para definir cuantitativamente un RA continúa siendo un problema abierto. Es por ello que se han hecho esfuerzos en desarrollar métodos de detección automática de RA en datos climáticos que no dependan de umbrales prefijados. En este trabajo, primero, estudiamos un método propuesto que extrae información topológica sobre componentes conexas en imágenes climáticas y luego, emplea una Máquina Vector Soporte para clasificar esa información según se corresponda o no con que haya un RA en la imagen de la que proviene. Después, proponemos una mejora del método anterior, extrayendo información topológica, no solo sobre componentes conexas, sino sobre huecos, y utilizando el método de los K Vecinos más Cercanos para clasificar esa información. Ambos métodos no fijan previamente umbrales. Posteriormente, demostramos que el método propuesto en este trabajo es estable considerando un paso suficientemente pequeño y que el método ya existente no lo es. Finalmente, al comparar los resultados numéricos de los dos métodos, se concluye que nuestro método es el mejor en la mayoría de medidas de bondad de clasificación calculadas. El código de implementación del método desarrollado en esta memoria está disponible en: https://github.com/davafe/Metodo-deteccion-rios-atmosfericos

An atmospheric river (AR) is a long, narrow band of highly concentrated moisture in the lower troposphere that runs from the tropics to a continent. The selection of thresholds to quantitatively define an AR remains an open problem. Thus, efforts have been made to develop automatic AR detection methods in climatic data that do not depend on predetermined thresholds. In this work, first, we study a proposed method that extracts topological information about connected components in climatic images and, after that, uses a Support Vector Machine to classify that information according to whether or not there is an AR in the image from which it comes. Then, we propose an improvement of the previous method, extracting topological information, not only about connected components, but also about holes, and using the K Nearest Neighbors method to classify that information. Both methods do not set thresholds in advance. Subsequently, we show that the method proposed in this work is stable considering a sufficiently small step and that the existing method is not. Finally, when comparing the numerical results of the two methods, we conclude that our method is the best in most of the calculated classification evaluation metrics. The implementation code of the method developed in this report is available at: https://github.com/davafe/Metodo-deteccion-rios-atmosfericos