A carregar...
Publicação
Characterizing Time Ranges of Coastal Upwelling via Unsupervised Clustering
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 9.31 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
A popular topic in the scientific literature is oceanic dynamics. When surface water is
pushed offshore by winds, deep ocean water is brought to the surface through upwelling,
leading to various phenomena, such as coastal upwelling events. The analysis, study, and
comprehension of these structures and events are essential in a variety of fields and can be
achieved through remote sensing data obtained from sensors. The increasing availability
of Spatio-Temporal (ST) data and the need to understand the upwelling routines have led
to efforts to produce an automatic method to analyze the upwelling regions and their
fronts, as manual analysis is time-consuming and costly.
In this dissertation, we extend the Core-Shell clustering framework developed in [32],
[42]. We developed an experimental pipeline to compare popular partitional clustering
algorithms, K-means, K-means++, DBA and Mean-Shift, with the Iterative Anomalous
Pattern (IAP) algorithm in segmenting time series to find periods of coastal upwelling sta-
bility, referred to as time ranges. The study includes the development of an experimental
procedure to fine-tune the hyperparameters of the clustering algorithms and the imple-
mentation of a stability score measure to comparatively evaluate the effectiveness of those
clustering algorithms in finding time ranges. The Core-Shell algorithm is initialized with
the most stable time ranges. The segmentations produced by the Core-Shell algorithm
are validated using various state-of-the-art clustering validation indices. The approach
is applied to three annual collections of Sea Surface Temperature (SST) images covering
16 years each (2004-2019), of the coasts of Portugal, northern Morocco, and southern
Morocco.
Our results show that the IAP algorithm is an adequate choice for the segmentation
of time series, obtaining the most stable time ranges and leading to the best Core-Shell
clustering upwelling segmentations when evaluated by those validity indices. Applying
DBA algorithm with features extracted from Core-Shell cores, it produces meaningful
clustering and averaging time series with respect to the upwelling periods of stability.
Analyzing the long-term inter-annual upwelling time series derived from the core segmen-
tation showed that the Core-Shell algorithm obtains meaningful and consistent periods
of stability.
Um tópico popular na literatura científica é a dinâmica oceânica. Quando a água de superfície é empurrada para longe da costa pelo vento, água profunda do oceano é trazida à superfície através de afloramento, levando a vários fenômenos, como eventos de aflora- mento costeiro. A análise, estudo e compreensão destas estruturas e eventos é essencial em uma variedade de áreas e pode ser alcançada através de dados de sensoriamento remoto obtidos através de sensores. O aumento da disponibilidade de dados de temperatura da superfície do oceano e a necessidade de compreender as rotinas de afloramento têm levado a esforços para produzir um método automático para analisar as regiões de afloramento e as suas frentes, já que a análise manual é demorada e dispendiosa. Nesta dissertação, estendemos o framework do Core-Shell clustering desenvolvido em [32], [42]. Desenvolvemos um pipeline experimental para comparar algoritmos populares de clustering por partição, K-means, K-means++, DBA e Mean-Shift, com o algoritmo IAP na segmentação de séries temporais para encontrar períodos de estabilidade de afloramento costeiro, referidos como time ranges. O estudo inclui o desenvolvimento de um procedimento experimental para ajustar os hiperparâmetros dos algoritmos de clustering e a implementação de uma medida de cálculo de estabilidade para avaliar comparativamente a eficácia desses algoritmos de clustering na descoberta de time ranges. O algoritmo Core-Shell é inicializado com os time ranges mais estáveis. As segmentações produzidas pelo algoritmo Core-Shell são validadas usando vários índices de validação de clustering comuns na literatura. A abordagem é aplicada a três coleções anuais de imagens de SST cobrindo 16 anos cada (2004-2019), das costas de Portugal, norte do Marrocos e sul do Marrocos. Os nossos resultados mostram que o algoritmo IAP é uma escolha adequada para a segmentação de séries temporais, obtendo os intervalos de tempo mais estáveis e levando às melhores segmentações de afloramento Core-Shell quando avaliadas por esses índices de validação. Aplicando o algoritmo DBA com dados extraídos dos Core-Shell cores, este produz clusters significativos e médias de séries temporais relevantes em relação aos períodos de estabilidade do afloramento. Analisando as séries temporais de afloramento inter-anuais de longa duração derivadas da segmentação de cores, mostrou-se que o algoritmo Core-Shell obtém períodos de estabilidade significativos e consistentes.
Um tópico popular na literatura científica é a dinâmica oceânica. Quando a água de superfície é empurrada para longe da costa pelo vento, água profunda do oceano é trazida à superfície através de afloramento, levando a vários fenômenos, como eventos de aflora- mento costeiro. A análise, estudo e compreensão destas estruturas e eventos é essencial em uma variedade de áreas e pode ser alcançada através de dados de sensoriamento remoto obtidos através de sensores. O aumento da disponibilidade de dados de temperatura da superfície do oceano e a necessidade de compreender as rotinas de afloramento têm levado a esforços para produzir um método automático para analisar as regiões de afloramento e as suas frentes, já que a análise manual é demorada e dispendiosa. Nesta dissertação, estendemos o framework do Core-Shell clustering desenvolvido em [32], [42]. Desenvolvemos um pipeline experimental para comparar algoritmos populares de clustering por partição, K-means, K-means++, DBA e Mean-Shift, com o algoritmo IAP na segmentação de séries temporais para encontrar períodos de estabilidade de afloramento costeiro, referidos como time ranges. O estudo inclui o desenvolvimento de um procedimento experimental para ajustar os hiperparâmetros dos algoritmos de clustering e a implementação de uma medida de cálculo de estabilidade para avaliar comparativamente a eficácia desses algoritmos de clustering na descoberta de time ranges. O algoritmo Core-Shell é inicializado com os time ranges mais estáveis. As segmentações produzidas pelo algoritmo Core-Shell são validadas usando vários índices de validação de clustering comuns na literatura. A abordagem é aplicada a três coleções anuais de imagens de SST cobrindo 16 anos cada (2004-2019), das costas de Portugal, norte do Marrocos e sul do Marrocos. Os nossos resultados mostram que o algoritmo IAP é uma escolha adequada para a segmentação de séries temporais, obtendo os intervalos de tempo mais estáveis e levando às melhores segmentações de afloramento Core-Shell quando avaliadas por esses índices de validação. Aplicando o algoritmo DBA com dados extraídos dos Core-Shell cores, este produz clusters significativos e médias de séries temporais relevantes em relação aos períodos de estabilidade do afloramento. Analisando as séries temporais de afloramento inter-anuais de longa duração derivadas da segmentação de cores, mostrou-se que o algoritmo Core-Shell obtém períodos de estabilidade significativos e consistentes.
Descrição
Palavras-chave
partitional clustering time series segmentation clustering validation coastal upwelling sea surface temperature images