Ponente
Descripción
Resumen
El estudio de los Sistemas Convectivos de Mesoescala (SCM) y los Ciclones Subtropicales (SC) es crucial para entender fenómenos meteorológicos extremos y su impacto en los recursos hídricos. Este trabajo propone una metodología innovadora para clasificar y analizar el ciclo de vida de los SCM y explorar la existencia de ciclos diurnos en los SC, usando herramientas avanzadas de análisis de datos. Se desarrollarán modelos para estudiar sistemas atmosféricos de mesoescala a partir de imágenes satelitales en diferentes bandas del espectro, empleando técnicas de Análisis Topológico de Datos (TDA), Procesamiento de Imágenes Digitales (DIP) e Inteligencia Artificial Basada en Reglas (RBAI). El DIP proveerá las técnicas para detectar las estructuras de interés; el TDA permitirá identificar patrones topológicos y estructurales en los datos espaciales y temporales, mientras que la RBAI se utilizará para clasificar y asociar tales patrones a taxonomías preestablecidas. Los resultados esperados incluyen la identificación precisa de SCM y su clasificación según su ciclo de vida, y la detección de ciclos diurnos en los SC. Ambos estudios tienen un enfoque exploratorio y pretenden dotar a los investigadores con métodos de análisis de la población y frecuencia de los distintos fenómenos en nuestra región y facilitar el desarrollo de herramientas de monitoreo que contribuyan a la gestión sostenible de los recursos hídricos y la mitigación de desastres naturales. La metodología propuesta puede ser adaptada a otras áreas geográficas y mejorar la precisión de los modelos meteorológicos existentes.
Palabras clave: Análisis Topológico de Datos, Sistemas Convectivos de Mesoescala, Ciclones Subtropicales, Ciencias Atmosféricas, Procesamiento de Imágenes Digitales.
Referencias
- Inatsu, M., Kato, H., Katsuyama, Y., Hiraoka, Y., & Ohbayashi, I. (2017). A cyclone identification algorithm with persistent homology and merge-tree. SOLA, 13, 214-218.
- Muszynski, G., Kashinath, K., Kurlin, V., Wehner, M., & Prabhat. (2019). Topological data analysis and machine learning for recognizing atmospheric river patterns in large climate datasets. Geoscientific Model Development, 12(2), 613-628.
- Muszynski, G., Kurlin, V., Morozov, D., Wehner, M., Kashinath, K., & Ram, P. (2022). Topological Methods for Pattern Detection in Climate Data. Big Data Analytics in Earth, Atmospheric, and Ocean Sciences, 221-235.
- Tymochko, S., Munch, E., Dunion, J., Corbosiero, K., & Torn, R. (2020). Using persistent homology to quantify a diurnal cycle in hurricanes. Pattern Recognition Letters, 133, 137-143.
