Deep convolutional neural networks for statistical downscaling of climate change projections
RESUMEN Las proyecciones climáticas a escala local y/o regional son muy demandadas por diversos sectores socioeconómicos para elaborar sus planes de adaptación y mitigación al cambio climático. Sin embargo, los modelos climáticos globales actuales presentan una resolución espacial muy baja, lo que d...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universidad de Cantabria (UC) |
| Repositorio: | UCrea Repositorio Abierto de la Universidad de Cantabria |
| Idioma: | inglés |
| OAI Identifier: | oai:repositorio.unican.es:10902/23894 |
| Acceso en línea: | http://hdl.handle.net/10902/23894 |
| Access Level: | acceso abierto |
| Palabra clave: | Cambio climático Downscaling estadístico Aprendizaje automático Redes neuronales Deep learning Climate change Statistical downscaling Machine learning Neural networks |
| Sumario: | RESUMEN Las proyecciones climáticas a escala local y/o regional son muy demandadas por diversos sectores socioeconómicos para elaborar sus planes de adaptación y mitigación al cambio climático. Sin embargo, los modelos climáticos globales actuales presentan una resolución espacial muy baja, lo que dificulta enormemente la elaboración de este tipo de estudios. Una manera de aumentar esta resolución es establecer relaciones estadísticas entre la variable local de interés (por ejemplo la temperatura y/o precipitación en una localidad dada) y un conjunto de variables de larga escala (por ejemplo, geopotencial y/o vientos en distintos niveles verticales) dadas por los modelos climáticos. En particular, en esta Tesis se explora la idoneidad de las redes neuronales de convolución (CNN) como método de downscaling estadístico para generar proyecciones de cambio climático a alta resolución sobre Europa. Para ello se evalúa primero la capacidad de estos modelos para reproducir la variabilidad local de precipitación y de temperatura en un período histórico reciente, comparándolas contra otros métodos estadísticos de referencia. A continuación, se analiza la idoneidad de estos modelos para regionalizar las proyecciones climáticas en el futuro (hasta el año 2100). Además, se desarrollan diversos estudios de interpretabilidad sobre redes neuronales para ganar confianza y conocimiento sobre el uso de este tipo de técnicas para aplicaciones climáticas, puesto que a menudo son rechazadas por ser consideradas “cajas negras”. |
|---|