Weather types for the seasonal transitions in Central America
Fecha
2023
Tipo
artículo original
Autores
Sáenz Soto, Fernán
Alfaro Martínez, Eric J.
Hidalgo León, Hugo G.
Título de la revista
ISSN de la revista
Título del volumen
Editor
Resumen
Unsupervised learning techniques are employed to study the relationship be tween atmospheric circulation and precipitation over Central America and
its surrounding areas. Specifically, the clustering algorithm k-means++ is
applied to three coarse-grained datasets from ERA-interim reanalysis that
are the candidates for representing the atmospheric state vector, each candi date contains its full temporal variability. Datasets are composed of: a) wind
fields at 925, 800 and 200 hPa, b) same as “a)” plus convective available po tential energy and c) same as “a)” plus total column water vapor. Clustering
metrics, namely the variance ratio criterion, the silhouette criterion and the
mean squared error, are computed to quantify clustering quality. Clusters
are interpreted as weather types, recurrent configurations of the atmospheric
state vector associated with observable weather states. The correct number
of clusters for each dataset is determined with a Monte Carlo test of nor mality, to assure cluster existence. The main objective is to obtain a set
of weather types containing elements that characterize the transition from
and to the rainy season over the Pacific side of Central America as well as
other elements of the seasonal cycle of regional precipitation, such as the
Mid-Summer Drought. Besides the statistical metrics, in order to select be tween candidate datasets and plausible number of clusters, focus is given
to the temporal characteristics of the clusters. Existing literature does not
provide a set of weather types suitable to analyze seasonal transitions and
the differences in the mechanisms associated with rainfall maxima
Técnicas de aprendizaje no supervisado se emplean para estudiar la relación entre la circulación atmosférica y la precipitación sobre América Central y sus áreas circundantes. Específicamente, el algoritmo de agrupamiento k-means++ se aplica a tres conjuntos de datos de baja resolución del reanálisis ERA-interim, estos son candidatos a representar el vector de estado atmosférico y cada uno contiene su variabilidad temporal completa. Los conjuntos de datos probados son: a) campos de viento a 925, 800 y 200 hPa, b) lo mismo que “a)” más la energía potencial convectiva disponible y c) lo mismo que “a)” más el vapor de agua en la columna total. Se calculan métricas de agrupamiento, a saber, el criterio de relación de varianza, el criterio de silueta y el error cuadrático medio, para cuantificar la calidad del agrupamiento. Los grupos se interpretan como weather types, configuraciones recurrentes del vector de estado atmosférico asociadas con estados observables del tiempo atmosférico. El número correcto de grupos para cada conjunto de datos se determina con una prueba de normalidad de Monte Carlo para asegurar la existencia de grupos reales. El objetivo principal es obtener un conjunto de weather types que contengan elementos que caractericen la transición de y hacia la temporada de lluvias en la vertiente del Pacífico de América Central, así como otros elementos del ciclo estacional de precipitación regional, como las canículas. Además de las métricas estadísticas, para seleccionar entre conjuntos de datos y un número plausible de grupos, se presta atención a las características temporales de los grupos. La literatura existente no proporciona un conjunto de weather types adecuado para analizar transiciones estacionales y las diferencias en los mecanismos asociados con los máximos estacionales de lluvia.
Técnicas de aprendizaje no supervisado se emplean para estudiar la relación entre la circulación atmosférica y la precipitación sobre América Central y sus áreas circundantes. Específicamente, el algoritmo de agrupamiento k-means++ se aplica a tres conjuntos de datos de baja resolución del reanálisis ERA-interim, estos son candidatos a representar el vector de estado atmosférico y cada uno contiene su variabilidad temporal completa. Los conjuntos de datos probados son: a) campos de viento a 925, 800 y 200 hPa, b) lo mismo que “a)” más la energía potencial convectiva disponible y c) lo mismo que “a)” más el vapor de agua en la columna total. Se calculan métricas de agrupamiento, a saber, el criterio de relación de varianza, el criterio de silueta y el error cuadrático medio, para cuantificar la calidad del agrupamiento. Los grupos se interpretan como weather types, configuraciones recurrentes del vector de estado atmosférico asociadas con estados observables del tiempo atmosférico. El número correcto de grupos para cada conjunto de datos se determina con una prueba de normalidad de Monte Carlo para asegurar la existencia de grupos reales. El objetivo principal es obtener un conjunto de weather types que contengan elementos que caractericen la transición de y hacia la temporada de lluvias en la vertiente del Pacífico de América Central, así como otros elementos del ciclo estacional de precipitación regional, como las canículas. Además de las métricas estadísticas, para seleccionar entre conjuntos de datos y un número plausible de grupos, se presta atención a las características temporales de los grupos. La literatura existente no proporciona un conjunto de weather types adecuado para analizar transiciones estacionales y las diferencias en los mecanismos asociados con los máximos estacionales de lluvia.
Descripción
Palabras clave
CENTRAL AMERICA, PRECIPITATION, WEATHER TYPES, CLUSTER ANALYSIS, SEASONAL CLIMATE VARIABILITY, AMÉRICA CENTRAL, PRECIPITACIÓN, TIPOS DE TIEMPO ATMOSFÉRICO, ANÁLISIS DE CONGLOMERADOS, VARIABILIDAD CLIMÁTICA ESTACIONAL