Classifying El Ni & x00F1;o-Southern Oscillation Combining Network Science and Machine Learning

Autor(es)

De Castro Santos, Matheus A. ^[1] ; Vega-Oliveros, Didier A. ^{[2, 3]} ; Zhao, Liang ^[3] ; Berton, Lilian ^[1]

Afiliação do(s) autor(es)

^[1] Univ Fed Sao Paulo, Inst Sci & Technol, BR-12247014 Sao Jose Dos Campos - Brazil

^[2] Indiana Univ, Sch Informat Comp & Engn, Bloomington, IN 47408 - USA

^[3] Univ Sao Paulo, Fac Philosophy Sci & Letters Ribeirao Preto FFCLR, BR-14040901 Ribeirao Preto - Brazil

• Tipo de documento: Artigo Científico
• Fonte: IEEE ACCESS; v. 8, p. 55711-55723, 2020.
• Citações Web of Science: 0

Resumo

Machine learning and complex network theory have emerged as crucial tools to extract meaningful information from big data, especially those related to complex systems. In this work, we aim to combine them to analyze El Ni \& x00F1;o Southern Oscillation (ENSO) phases. This non-linear phenomenon consists of anomalous (de)increase of temperature at the tropical Pacific Ocean, which has irregular occurrence and causes climatic variability worldwide. We construct temporal Climate Networks from the Surface Air Temperature time-series and calculate network metrics to characterize the warm and cold ENSO episodes. The metrics are used as topological features for classification. We employ ten classifiers and achieved 80 \& x0025; AUC ROC when predicting the intensity of Strong/ Weak El Ni \& x00F1;o and Strong/Weak La Ni \& x00F1;a for the next season. The complex network represents the relationship among different regions of the planet and machine learning creates models to classify the different classes of ENSO. This work opens new paths of research by integrating network science and machine learning to analyze complex data like global climate systems. (AU)

• Processo FAPESP: 18/01722-3 - Aprendizado semissupervisionado via redes complexas: construção de redes, seleção e propagação de rótulos e aplicações
• Beneficiário: Lilian Berton
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 18/24260-5 - Análise de dados espaço-temporais baseado em redes complexas
• Beneficiário: Didier Augusto Vega Oliveros
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Processo FAPESP: 16/23698-1 - Processos Dinâmicos em Aprendizado de Máquina baseados em Redes Complexas
• Beneficiário: Didier Augusto Vega Oliveros
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 15/50122-0 - Fenômenos dinâmicos em redes complexas: fundamentos e aplicações
• Beneficiário: Elbert Einstein Nehrer Macau
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 18/04029-7 - Análise das relações entre o fenômeno El Niño e variáveis climatológicas usando redes complexas
• Beneficiário: Matheus Augusto de Castro Santos
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica