| Tesis Doctorales de la Universidad de Alcalá |
| DESARROLLO Y APLICACIÓN DE ALGORITMOS DE EXPLICABILIDAD Y ATRIBUCIÓN A EVENTOS CLIMATOLÓGICOS EXTREMOS | | Autor/a | Marina, Cosmin Madalin | | Departamento | Teoría de la Señal y Comunicaciones | | Director/a | Salcedo Sanz, Sancho | | Codirector/a | Pérez Aracil, Jorge | | Fecha de depósito | 27-01-2026 | | Periodo de exposición pública | 28 de enero a 11 de febrero de 2026 | | Fecha de defensa | Sin especificar | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Los Eventos Climáticos Extremos (EEs), como las olas de calor, son cada vez más frecuentes e intensos debido al cambio climático, amenazando la salud, los ecosistemas y los sistemas socioeconómicos. Comprender, predecir y atribuir estos eventos requiere metodologías sofisticadas que capturen interacciones complejas y ofrezcan conocimientos interpretables sobre sus mecanismos físicos. Esta Tesis aborda estos desafíos desarrollando y aplicando algoritmos de explicabilidad y atribución para EEs, con un enfoque en la reconstrucción y atribución de olas de calor en Europa.
La investigación se organiza en tres contribuciones. Primero, un modelo de Aprendizaje Automático explicable para predecir go-arounds en aviación. El método híbrido, que combina PRIM con redes neuronales, reduce falsas alarmas manteniendo altas tasas de detección. El análisis de explicabilidad identifica patrones meteorológicos sinópticos que conducen a estos eventos, superando a otros enfoques en pruebas en el Aeropuerto de Bilbao.
Segundo, el Multivariate Autoencoder-based Analogue Method (MvAE-AM), un modelo híbrido que extiende el Método de Análogos clásico a problemas multivariados para la reconstrucción y atribución de olas de calor. MvAE-AM trata múltiples campos atmosféricos como canales en un Autoencoder, combinándolos en una representación de espacio latente unificada. La evaluación en ocho olas de calor europeas demuestra que MvAE-AM supera al MvAM clásico en precisión. La arquitectura permite análisis de explicabilidad mediante SHAP, revelando contribuciones específicas por región.
Realizamos un análisis de atribución comparando Autoencoders entrenados en dos períodos: Pre (1940-1980) y Post (1981-2022). El Pre-AE tiene dificultades para codificar olas de calor, mientras que el Post-AE las reconstruye con éxito. Las diferencias en temperaturas máximas reconstruidas (entre 0.6°C y 1.5°C) evidencian la evolución de las dinámicas bajo el cambio climático. Los eventos más extremos resultan desafiantes para ambos modelos, destacando su naturaleza sin precedentes.
Tercero, examinamos la relación entre anomalías climáticas y regiones de interés identificadas por el modelo. Los hallazgos demuestran que el modelo se enfoca en regiones anómalas para generar representaciones significativas. Anomalías positivas en Z500, extremas en MSL y severas en PEva y SM del suelo son identificadas como significativas, revelando que las anomalías climáticas contienen la información necesaria para caracterizar eventos extremos.
Las contribuciones metodológicas avanzan el estado del arte en atribución de eventos extremos. El MvAE-AM combina la interpretabilidad física de métodos basados en análogos con el poder del Aprendizaje Profundo, permitiendo el análisis de interacciones multivariadas complejas manteniendo la explicabilidad. Las implicaciones prácticas se extienden a la climatología, aplicaciones operacionales y evaluación de riesgos climáticos, proporcionando información sobre cómo las características de los eventos extremos han cambiado debido al forzamiento antropogénico.
Esta Tesis demuestra que la integración de Aprendizaje Profundo, IA explicable y metodologías tradicionales puede avanzar nuestra capacidad para reconstruir, atribuir y comprender EEs, proporcionando conocimientos científicos y herramientas prácticas para la evaluación de riesgos climáticos.
Palabras clave: atribución, explicabilidad, eventos extremos, clima, algoritmos. |
|
