Association between geomagnetic activity and QBO with NAO using Machine Learning

The aim of this work is to determine the effects of the Quasi-Biennial Oscillation (QBO) on the geomagnetic activity influence over the North Atlantic Oscillation (NAO). The QBO consists of a zonal circulation pattern in the equatorial stratosphere that affects the stratospheric polar jet, which is part of the physical foundation that explains the association between geomagnetic activity and NAO. The QBO would act as a "switch" for this association, introducing a non-linear effect in the chain of events that goes from the Sun to the Earth's troposphere, where the NAO occurs. The results obtained confirm that the QBO has a significant
role in regulating this association.
Unsupervised and supervised learning algorithms are used to carry out this investigation and with the latter also have the possibility of predicting the results of NAO, taking into account that geomagnetic activity and the QBO are periodic,

Transcript

1. Efectos de la Oscilación Cuasi-Bienal estratosférica sobre la asociación entre la Oscilación del Atlántico Norte y la actividad geomagnética Micaela Gandur 1
2. Esquema de la presentación: 1. Conceptos básicos y antecedentes: 1.1 Actividad solar y geomagnética 1.2 Oscilación del Atlántico Norte (NAO) 1.3 Oscilación CuasiBienal (QBO) 1.4 Antecedentes 2. Base de datos y análisis exploratorio 2.1 Promedio de invierno 3. Aprendizaje no supervisado: Clusterización 3.1 Número de Clusters Recomendados 3.2 K-Means 3.3 Mean Shift 3.4 DBSCAN 4. Aprendizaje Supervisado 4.1 Vecinos Cercanos 2
3. Producto de la interacción entre el viento solar y la magnetosfera, que se manifiesta en la Tierra como perturbaciones en el campo magnético. Actividad geomagnética: Ap 3
4. Oscilación del Atlántico Norte (NAO) 4
5. Antecedentes relacionados Rol de la QBO sobre la asociación entre NAO y actividad geomagnética QBO 5
6. Serie sin filtrar eQBO wQBO Análisis de asociación entre las series de la NAO y los índices solares DJFM 6 Correlación entre Ap y NAO: 0.31 0.55 -0.01
7. Objetivos • Reproducir el trabajo antes realizado, ahora utilizando Python para el análisis. • Aplicar las herramientas proporcionadas por el aprendizaje no supervisado para clusterizar la serie de datos con el fin de encontrar alguna mejor asociación entre los parámetros investigados (NAO-Ap). • Utilizar el algoritmo de vecinos cercanos para predecir las fases de la NAO dependiendo de las condiciones de la Actividad geomagnética y la QBO. 7
8. 8 Base de datos • Excel • Parámetros: -Índice de act. geomag.: Ap - índice NAO - Índice QBO • Serie temporal: - 1 valor por mes - Periodo 1953-2021 • No hay datos faltantes • No hay datos duplicados • No hay outliers Promedio de invierno Normalización La escala absoluta máxima cambia la escala de cada característica entre -1 y 1 dividiendo cada observación por su valor absoluto máximo. (Necesito que sigan estando los valores positivos y negativos después de normalizar) • Invierno extendido(DEFM)
9. Aprendizaje no supervisado: Clusterización 1. Número de Clusters recomendados: • Método del codo (distorsión, inercia) • Método de la silueta • Dendograma 2. Método de Clusterización • K-Means • MeanShift • DBSCAN 9
10. 10 Número de Clusters recomendados: 2
11. K-Means 11
12. MeanShift Así obtengo 2 clusters 12
13. DBSCAN Con DBSCAN se volvió muy difícil la elección de un epsilon. En la mayoría de los casos el método no dividía en clusters, y provando valores muy cercanos a 0.29 el método separa en un solo grupo grande y otros muy pequeños. 13
14. 14 Aprendizaje Supervisado: Clasificación 1. Discretizar la NAO: 0: positivo, 1: negativo 2. Conjunto de entrenamiento y prueba: ➢ Entreno con el 75% y pruebo con el 25% ➢ X: Ap, QBO, Clusters Y: NAO 3. Algoritmo: Vecinos Cercanos con n=2-5 ➢ X: Ap - QBO ➢ X: Ap - kmeans ➢ X: Ap - meanShift ➢ X: Ap - DBSCAN ➢ X: Ap, para las fases de la QBO
15. Discretizar la NAO Hay un número desparejo de fases NAO, con 25 datos de NAO - y 42 NAO + Debo tener esto en cuenta al momento de armar el conjunto de entrenamiento y prueba positivo-0 negativo-1
16. Conjunto de Entrenamiento y Prueba Entreno con el 75% y pruebo con el 25% 16 Para X: 1. Ap - QBO 2. Ap - kmeans 3. Ap - meanShift 4. Ap - DBSCAN stratified sampling Para Y: NAO 62% 62% 65%
17. • Vecinos Cercanos: n=2 Ap - QBO 17 Se estudió el algoritmo vecinos cercanos para n entre 2 y 5, en todos los casos, los mejores resultados se daban con n=2 Porcentaje de aciertos Confiabilidad del modelo en responder si un punto pertenece a una clase Cuán bien el modelo puede detectar una clase Combina precision y recall 0: NAO + , 1: NAO -
18. • Vecinos Cercanos: n=2 Ap - kmeans 18 0: NAO + , 1: NAO - Porcentaje de aciertos Confiabilidad del modelo en responder si un punto pertenece a una clase Cuán bien el modelo puede detectar una clase Combina precision y recall
19. • Vecinos Cercanos: n=2 Ap - meanShift 19 0: NAO + , 1: NAO - Porcentaje de aciertos Confiabilidad del modelo en responder si un punto pertenece a una clase Cuán bien el modelo puede detectar una clase Combina precision y recall
20. • Vecinos Cercanos: n=2 Ap - DBSCAN 20 0: NAO + , 1: NAO - Porcentaje de aciertos Confiabilidad del modelo en responder si un punto pertenece a una clase Cuán bien el modelo puede detectar una clase Combina precision y recall
21. • Vecinos Cercanos: separando fases QBO 21 X: Ap 0: NAO + , 1: NAO -
22. • Vecinos Cercanos: separando fases QBO 22 X: Ap 0: NAO + , 1: NAO -
23. Conclusiones Aprendizaje no supervisado • Los clusters proporcionados por los métodos k-means y meanshift resultaron depender del valor de la QBO, lo cual es interesante, al ser también el método que utiliza para filtrar los datos al buscar una relación entre la actividad geomagnética y la NAO. • Las correlaciones entre la actividad geomagnética y la NAO filtrada con los clusters es bastante similar a las encontradas al separar según las fases de la QBO, encontrando el mejor valor con meanshift Aprendizaje supervisado Se realizó el mismo procedimiento entrenando el conjunto con X1=Ap-QBO, X2=Ap-Clusters_km, X3=Ap-Clusters_MS, X4=Ap-Clusters_DB y con Y=NAO. Para número de vecinos cercanos de 2 a 5. • Los resultados utilizando los Clusteres son notoriamente mejores que utilizando simplemente los datos de la QBO. • En todos los casos los mejores resultados se daban con número de vecinos cercanos igual a 2. • Las mejores predicciones de las fases NAO se da cuando entrenamos el modelo con: X= Ap - MeanShift • El algoritmo de vecinos cercanos es más asertivo aún cuando, separando por las fases de la QBO, la atmósfera está en fase easterly, esto puede deberse a que hay una muy buena correlación entre la NAO y Ap en estas condiciones atmosféricas ecuatoriales. • Los resultados serían más confiables si se pudiera realizar el estudio con mayor cantidad de datos. 23
24. Muchas gracias !! 24