Data-driven modelling in dense and scarce data regimes
Les ciències ambientals s'afronten cada cop més a dues realitats extremes pel que fa a la disponibilitat de dades. D'una banda, conjunts massius i en contínua expansió-superant els petabytes de dades-descriuen el clima terrestre amb un detall sense precedents, gràcies a les reanàlisis d�...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universitat Autònoma de Barcelona |
| Repositorio: | Dipòsit Digital de Documents de la UAB |
| Idioma: | inglés |
| OAI Identifier: | oai:ddd.uab.cat:312646 |
| Acceso en línea: | https://ddd.uab.cat/record/312646 |
| Access Level: | acceso abierto |
| Palabra clave: | Ciència de dades ambientals Environmental data science Ciencia de datos ambientales Aprenentatge automàtic Machine learning Aprendizaje automático Reducció de dimensionalitat Dimensionality reduction Reducción de dimensionalidad Tecnologies |
| Sumario: | Les ciències ambientals s'afronten cada cop més a dues realitats extremes pel que fa a la disponibilitat de dades. D'una banda, conjunts massius i en contínua expansió-superant els petabytes de dades-descriuen el clima terrestre amb un detall sense precedents, gràcies a les reanàlisis d'alta resolució i observacions per satèl·lit. De l'altra banda, molts problemes ambientals crucials, com la contaminació marina, continuen patint una manca de dades, amb mesures escasses i irregulars que dificulten la identificació de patrons espaciotemporals. Aquesta tesi aborda ambdós reptes desenvolupant i aplicant mètodes avançats d'estadística i aprenentatge automàtic capaços d'extreure informació significativa en aquests règims de dades. En primer lloc, la tesi presenta xeofs, una biblioteca de codi obert en Python dissenyada per a la reducció escalable de dimensionalitat en ciències del clima. Integrant-se de manera fluida amb xarray i dask, xeofs permet el processament de conjunts de dades que per als enfocaments tradicionals són massa grans, facilitant així anàlisis complexes en infraestructures modernes de computació d'alt rendiment. Mitjançant l'ús d'àlgebra lineal aleatòria, accelera els càlculs en un ordre de magnitud respecte a les eines existents. En segon lloc, la tesi perfecciona i amplia l'Anàlisi de Màxima Covariància mitjançant transformades de Hilbert i tècniques de rotació, i això permet detectar patrons climàtics desfasats en fase i teleconnexions, fins i tot en presència de tendències en les dades. Els modes de variabilitat resultants recuperen fenòmens climàtics establerts, com l'Oscil·lació del Sud-El Niño i l'Oscil·lació Decadal del Pacífic, alhora que revelen teleconnexions menys explorades entre els tròpics i les regions extratròpiques. En tercer lloc, la tesi aplica la regressió Bayesiana amb processos gaussians per modelar observacions espacialment escasses de contaminació per residus a les platges de l'Atlàntic Nord-est. Utilitzant un marc teòric de processos de Cox log-gaussià, es descobreixen variacions estacionals significatives i es demostra que estan relacionades amb descàrregues fluvials a petita escala i activitats vinculades a l'aqüicultura. En quantificar explícitament les incerteses, aquesta anàlisi mostra com els enfocaments basats en l'anàlisi de dades poden informar polítiques de monitoratge i gestió dels residus a les platges, fins i tot quan la xarxa d'observació és escassa i irregular. En conjunt, aquestes contribucions impulsen la recerca ambiental basada en l'anàlisi de dades, que permet la identificació robusta de patrons tant en règims densos com escassos de dades i obrint el camí per a diagnòstics climàtics més efectius i estratègies de mitigació de la contaminació. |
|---|