Analizar datos climáticos para buscar nuevos indicios del cambio climático y mejorar la planificación de parques eólicos. Con este objetivo, investigadores de la Universidad Rey Juan Carlos (URJC) de Madrid han desarrollado una herramienta para su uso en redes de sensores masivas. Gracias a un nuevo modelo de agrupamiento de nodos, se han podido observar cambios en los patrones espacio-temporales de los datos de temperatura ambiental recopilados en las últimas 7 décadas.
En concreto, la herramienta desarrollada se basa en un algoritmo de clústering (agrupamiento de nodos) llamado SODCC (Second-Order Data-Coupled Clustering) y está pensada para su aplicación en redes de sensores masivas. Mihaela Chidean, investigadora en este proyecto, ha explicado que “las estaciones meteorológicas se modelan como nodos de una red de sensores masiva con el beneficio añadido de que muchas de ellas llevan instaladas decenas de años”. De hecho, gracias a los datos que han recopilado estas infraestructuras durante décadas, el grupo de investigación ha podido realizar el análisis de los datos de temperatura de la Península Ibérica a partir de 1940.
Tal y como ha resaltado Chidean, el equipo de investigadores ha sido capaz de “detectar un cambio en los patrones espacio-temporales de los datos de temperatura ambiental en esta zona, lo cual apunta a un posible indicio de un fenómeno de cambio climático. Este resultado ha sido contrastado con estudios previos de la literatura científica”. Asimismo, han podido relacionar los patrones espacio-temporales de los datos de viento con la producción de energía eólica, cuyo resultado es relevante “porque puede facilitar la planificación de los parques eólicos”.
Misma metodología
Para cada uno de los conjuntos de datos considerados en ambos casos, la metodología empleada ha sido idéntica. Se ha aplicado el nuevo algoritmo SODCC múltiples veces con el objetivo de obtener resultados independientes de las inicializaciones aleatorias y se han analizado los diferentes conjuntos de clústeres obtenidos empleando un modelo probabilístico. También se han tenido en cuenta la evolución tanto temporal como espacial de los resultados, es decir, cómo cambian las estadísticas de los datos a medida que transcurre el tiempo y en diferentes regiones geográficas.
