SPATIO TEMPORAL NETWORK ANALYSIS FOR STUDYING CLIMATE PATTERNS

Disusun Guna Memenuhi Tugas Mata Kuliah Dinamika Iklim Tropis

OLEH :OKI PRATAMA (1206257090)

DEPARTEMEN GEOGRAFIFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMUNIVERSITAS INDONESIALATAR BELAKANGAnalisis jaringan mengacu pada satu set metrik, alat pemodelan dan algoritma yang umum digunakan dalam studi kompleks sistem. Ini menggabungkan ide-ide dari teori graf, statistic fisika, sosiologi dan ilmu komputer, dan yang utama premis adalah bahwa topologi atau jaringan struktur yang mendasari sistem memiliki dampak yang kuat pada dinamika dan evolusi (Newman et al. 2006). Karena itu merupakan alat yang ampuh untuk menyelidiki lokal dan statistik non-lokal interaksi.Kemajuan yang dicapai dalam field ini telah menyebabkan yang luas aplikasi; banyak sistem dunia nyata yang dimodelkan sebagai elemen ensemble yang berbeda yang terkait melalui set koneksi kompleks. Dalam beberapa sistem, disebut sebagai jaringan struktural, struktur jaringan yang mendasarinya adalah jelas (misalnya router internet sebagai node, kabel antara router sebagai tepi). Di lain, mekanisme yang mendasari untuk sambungan jarak jauh antara subsistem yang berbeda a priori (misalnya jaringan sosial tidak dikenal, atau iklim sistem); masih, efeknya dapat dipetakan menjadi fungsional jaringan. Bibliografi yang luas untuk aplikasi analisis jaringan dapat ditemukan di Newman (2010).Dengan mengukur interaksi statistik, analisis jaringan menyediakan kerangka kerja yang kuat untuk memvalidasi model iklim dan menyelidiki telekoneksi, menilai kekuatan mereka, jangkauan, dan dampaknya pada sistem iklim. Tujuannya adalah untuk mengungkap hubungan dalam sistem iklim yang tidak (atau tidak sepenuhnya) ditangkap oleh metodologi yang lebih tradisional yang digunakan dalam ilmu iklim (Dijkstra 2005; Corti et al 1997; Abramov dan Majda 2009; Ghil et al. 2002; Ghil dan Vautard 1991; Forest et al. 2002; Allen dan Smith 1994; Andronova dan Schlesinger 2001), dan untuk menjelaskan fenomena iklim yang dikenal dalam hal struktur jaringan yang mendasarinya dan metrik. Perkenalan dengan penerapan analisis jaringan ilmu iklim disajikan dalam Steinhaeuser et al. (2010) dan Tsonis et al. (2006). Kita dapat mengklasifikasikan pekerjaan sebelumnya di daerah ini dalam tiga pendekatan yang berbeda. Pendekatan pertama memberikan indeks iklim yang dikenal sebagai node jaringan (Tsonis et al 2007;.. Swanson et al 2009; Wang et al. 2009). Dengan mempelajari perilaku kolektif dari node tersebut, telah memungkinkan untuk menyelidiki peran relatif mereka lebih waktu dan menginterpretasikan perubahan iklim dalam hal perubahan kekuatan relatif mereka. Pendekatan ini jelas sensitive untuk seleksi awal node jaringan, dan itu tidak bisa digunakan untuk menemukan fenomena iklim baru yang melibatkan lainnya daerah.Kedua, dan lebih umum, pendekatan merupakan node jaringan iklim dengan sel-sel jaringan di diberikan iklim lapangan. Secara khusus, setiap sel grid diwakili oleh node, dan tepi antara node sesuai dengan statistik hubungan signifikan berdasarkan korelasi linear atau nonlinear metrik (Tsonis dan Roebber 2004;. Donges et al 2009b). Dalam pendekatan ini, adalah umum untuk memangkas tepi yang statistik signifikansi di bawah ambang batas tertentu, dan berasumsi bahwa semua tepi yang tersisa sama-sama '' kuat '', mengakibatkan jaringan tertimbang (Tsonis et al 2008.; Donges et al. 2009b; Steinhaeuser et al. 2009). Ini Pendekatan telah digunakan untuk mempelajari telekoneksi, mengungkap pola berskala global yang menarik yang bertanggung jawab untuk transfer energi di seluruh lautan, dan menganalisis hubungan antara variabel yang berbeda di atmosfer (Tsonis et al. 2008; Tsonis dan Swanson 2008; Yamasaki et al. 2008; Donges et al. 2009a, 2011). Keterbatasan dari pendekatan ini adalah bahwa hasil dalam jumlah yang sangat besar node jaringan (semua Sel-sel dalam grid spasial), dan node ini tidak dapat digunakan untuk menjelaskan parsimoniously setiap fenomena iklim fi kasi diidentifikasi. Pendekatan ketiga berfokus pada struktur masyarakat dari jaringan yang mendasarinya (Newman dan Girvan 2004). Komunitas adalah kumpulan node yang sangat saling berhubungan, sementara memiliki lebih sedikit interaksi dengan sisa jaringan. Masyarakat dapat berfungsi sebagai informative prediktor sebagai pengganti indeks iklim (Tsonis et al 2010.; Steinhaeuser et al. 2011a; Pelan et al. 2011), sedangkan mereka evolusi dan stabilitas juga telah menerima beberapa perhatian (Steinhaeuser et al. 2009, 2011b). teknik Clustering juga telah diusulkan untuk menemukan fi signifikan tidak bisa geografis daerah di lapangan diberikan iklim (sekali lagi, sebagai pengganti cli- indeks pasangan) (Steinbach dan Tan 2003), dan untuk mengidentifikasi dipol (yaitu, dua daerah yang anomali yang anti-berkorelasi) dan mengevaluasi mereka signifikansi (Kawale et al. 2011, 2012). Teknik berbasis masyarakat atau pengelompokan tersebut, Namun, jangan menyimpulkan jaringan telekoneksi antara komunitas yang berbeda (cluster), dan mereka tidak mengukur intensitas telekoneksi antara geografis daerah yang dipisahkan dalam komunitas yang sama (cluster).SASARANDalam karya ini, kami mengusulkan sebuah metode baru untuk menerapkan jaringan analisis untuk ilmu iklim. Kami pertama-tama menerapkan novel networkbased Metode clustering untuk kelompok set awal sel jaringan di '' daerah '', yakni, di wilayah geografis yang sangat homogen dalam hal variabel iklim yang mendasari. Daerah ini merupakan node jaringan tereka. Kaitan antara daerah (yaitu, tepi jaringan) mewakili dependensi non-lokal antara berbagai daerah selama periode waktu tertentu. Ini link antar-daerah yang tertimbang, dan besarnya mereka tergantung pada kedua anomali kumulatif masing-masing daerah dan korelasi silang antara dua anomali kumulatif. Kesamaan Metode untuk teknik masyarakat / pengelompokan sebelumnya bahwa node endogen ditentukan selama data Proses analisis. Perbedaan utama adalah bahwa setiap node sesuai dengan wilayah geografis yang berbeda, dan ini node membentuk jaringan tertimbang berdasarkan koneksi Intensitas yang disimpulkan untuk setiap pasangan node. di lain kata, metode yang diusulkan decouples identifikasi dari batas geografis setiap node jaringan dari estimasi intensitas hubungan antara berbeda daerah.METODOLOGI PENELITIANMetode yang diusulkan memerlukan parameter s tunggal, yang menentukan tingkat minimum homogenitas antara sel-sel dari daerah yang sama. Metode ini kuat untuk kebisingan aditif, perubahan resolusi data yang diberikan set, pemilihan metrik korelasi, dan variasi s. Jaringan iklim yang dihasilkan dapat diterapkan, regional atau global, untuk mengidentifikasi dan mengukur hubungan antara daerah iklim (atau telekoneksi) dan perwakilan mereka dalam model, dan untuk menyelidiki variabilitas iklim dan pergeseran. Metode ini dapat diperpanjang untuk menyelidiki interaksi antara variabel iklim yang berbeda. Aplikasi metode yang diusulkan ke suite reanalyses dan set model data.HASIL DAN PEMBAHASANSebelum masuk ke pembahasan, kita akan menggambarkan set data yang digunakan di tulisan ini. Untuk suhu permukaan laut (SST), kita membangun dan bandingkan jaringan berdasarkan HadISST (Rayner et al. 2003), ERSST-V3 (Smith et al. 2008) dan NCEP / NCAR (Kalnay et al. 1996) reanalyses. Untuk curah hujan, kita bergantung pada CMAP bergabung data (Xie dan Arkin 1997) dan ERA-Interim analisis ulang (Dee et al. 2011). Kami juga menganalisis medan SST yang dihasilkan oleh dua ditambah model sirkulasi umum yang dipilih dari CMIP5 arsip: NASA GISS-E2H (Hansen et al, 2002). dan Hadley Pusat HadCM3 (Gordon et al. 2000). Kita pilih secara acak dua berjalan masing-masing model dari ''History run'' ansambel (Taylor et al. 2012).Karena kualitas pengukuran berkontribusi terhadap yang reanalyses SST memburuk seperti yang kita pindah ke lintang yang lebih tinggi, kita hanya mempertimbangkan kisaran garis lintang dari [60 N; 60 S], menghindari lautan es daerah tertutup. Juga, kita kebanyakan fokus pada periode 1979-2005; dalam kasus HadISST reanalysis, kami kontras dengan karakteristik jaringan selama 1950-1976 interval. Karena keterbatasan ruang, hasilnya hanya ditampilkan untuk musim dingin boreal (Desember sampai Feb- Pebruari, DJF). Ketika tidak spesifik ed sebaliknya, semua data SST adalah diinterpolasi (menggunakan interpolasi bilinear) untuk minimum resolusi spasial umum di semua set data (2 derajat x 2.5 derajat); untuk curah hujan resolusi 2.5 derajat x 2.5 derajat. Semua jaringan iklim dibangun dari anomali detrended berasal dari rata-rata bulanan yang sesuai iklim lapangan. Detrending dilakukan dengan menggunakan linear regresi dan anomali dihitung setelah menghapus siklus tahunan.Pada pembahasan selanjutnya akan diterapkan metode yang diusulkan untuk set data iklim yang telah dijelaskan dalam paragraf satu untuk menggambarkan bahwa analisis jaringan dapat berhasil digunakan untuk membandingkan set data dan untuk memvalidasi representasi model daerah iklim utama dan koneksi mereka. Kami melanjutkan dengan membangun jaringan untuk tiga reanalyses SST yang berbeda dan dua Data set curah hujan. Kami kemudian memeriksa hubungan antara dua yang berbeda medan iklim (SST dan curah hujan) memperkenalkan regresi teknik jaringan. Akhirnya, kami menganalisis Struktur jaringan dari medan SST dari dua iklim digabungkan dengan Model berpartisipasi dalam CMIP5. Daerah ENSO diremehkan dibandingkan dengan HadISST (lihat Gambar. 16a), tapi ukuran keseluruhan daerah ini lebih besar dari diamati. Baik tingkat dan kekuatan Samudera Hindia daerah sekitar khatulistiwa dan daerah membentuk tapal kuda.Pola dikurangi sehubungan dengan HadISST. link di GISS-E2H yang secara keseluruhan lebih lemah dari dalam analisis ulang (lihat Gambar. 18a), peran Atlantik sedikit berlebihan, dan korelasi negatif yang tinggi antara ENSO wilayah dan daerah membentuk pola sepatu kuda yang tidak ditangkap. Di HadCM3, di sisi lain, kekuatan daerah ENSO sebanding atau lebih besar dari pada observasi. Dalam model ini, daerah yang lebih banyak dan terfragmentasi daripada di analisis ulang, dan dalam beberapa kasus didefinisikan dalam band lintang yang sempit.KESIMPULANKami mengembangkan metode baru untuk menganalisis variabel iklim menggunakan analisis jaringan yang kompleks. Node jaringan, atau daerah, yang dibentuk oleh kelompok sel jaringan yang sangat homogen dengan variabel iklim yang mendasari. Ini daerah sering dapat dipetakan ke dalam pola terkenal variabilitas iklim.Algoritma jaringan inferensi bergantung pada satu parameter s yang menentukan tingkat homogenitas antara sel-sel di daerah. Persyaratan hanya satu parameter, dikombinasikan dengan fakta bahwa ada link pemangkasan di jaringan-level cell yang mendasari dikenakan, menambahkan ketahanan struktur jaringan area-tingkat dan merek perbandingan jaringan yang berbeda lebih dapat diandalkan.Jaringan iklim dibangun lengkap tertimbang grafik. Akibatnya, kerangka jaringan kami memungkinkan untuk menyelidiki dan memvisualisasikan kekuatan relatif dari simpul interaksi, yang dapat dikaitkan dengan teleconnection pola. Jaringan yang disimpulkan yang kuat di bawah acak gangguan saat menambahkan suara ke time series anomaly variabel iklim sedang diselidiki, perubahan kecil dalam emilihan s, dengan pilihan korelasi metrik yang digunakan dalam algoritma inferensi, dan tata ruang resolusi input lapangan. Dalam makalah ini kami membangun jaringan untuk suite SST dan data curah hujan set, dan kami menganalisis mereka dengan satu set metrik tertimbang seperti peta penghubung, kekuatan daerah dan skor dekomposisi. Peta Link memungkinkan kita untuk memvisualisasikan semua hubungan statistik antara daerah, sedangkan peta kekuatan menyoroti pentingnya relatif hubungan tersebut, mengidentifikasi pola iklim utama. Dekomposisi s-core, di sisi lain, identifikasi fi es struktur tulang punggung jaringan, pengelompokan daerah dalam lapisan meningkat signifikansi. Akhirnya, kami dikuanti fi kasi tingkat kesamaan antara jaringan yang berbeda dengan menggunakan disesuaikan Rand Indeks metrik dan baru diperkenalkan '' jarak metrik '', berdasarkan distribusi kekuatan daerah.Setelah menganalisis tiga reanalyses SST dan dua curah hujan set data, kami meneliti struktur jaringan medan SST yang dihasilkan oleh dua model CMIP5, GISSE2H dan HadCM3, dengan fokus pada SST anomali. Kami divisualisasikan bias model topologi jaringan yang mendasarinya dan dalam ekspresi spasial pola, dan kami dikuantifikasi jarak antara output model yang dan reanalyses. Kita menemukan perbedaan yang signifikan antara model dan observasi Data set dalam bentuk dan kekuatan relatif dari daerah.Bias yang paling mencolok umum untuk kedua model adalah ekstensi membujur berlebihan daerah yang sesuai untuk ENSO, dan ketidakmampuan untuk mewakili sepatu kuda Pola di barat tropis Pasifik. Link umumnya lemah dari yang diamati pada GISS-E2H, tetapi relative kekuatan, bentuk dan ukuran bidang utama dalam akal kesepakatan dengan reanalyses. Jaringan HadCM3, pada sisi lain, lebih dekat dengan pengamatan di mutlak kekuatan daerah, tetapi daerah terlalu banyak di tropis dan node realistis kuat ditemukan dalam South Pasifik. Dalam waktu dekat, kami bertujuan untuk menyediakan sebuah perbandingan komprehensif output CMIP5 untuk iklim masyarakat dengan memperluas analisis kami ke banyak jumlah yang lebih besar dari model.Dalam karya ini kami membatasi analisis kami untuk linear dan zerolag korelasi. Metodologi yang disajikan, namun, bisa digeneralisasi untuk memasukkan analisis nonlinear fenomena dan non-instan link, dengan memperkenalkan metrik korelasi nonlinear, seperti informasi mutual atau informasi maksimal koefisien (Reshef et al. 2011), dan waktu-lags. Selain itu, set metrik yang diusulkan dapat ditingkatkan untuk menangkap hubungan yang lebih kompleks dalam jaringan yang mendasarinya.