Exploratory analysis of Pacific Ocean data to study “El Nin˜o” phenomenon

Authors

  • Sergio Camiz Dipartimento di Matematica Guido Castelnuovo, Sapienza Universita di Roma, Italia
  • Jean Jacques Denimal UFR de Mathématiques Pures et Appliquées, Universitá des Sciences et Technologies de Lille
  • Wilfredo Sosa Instituto de Matemática y Ciencias Afines - Universidad Nacional de Ingenieria, Perú

Keywords:

Time-series, Principal Component Analysis, Hierarchical Factor Classication, Classication of variables

Abstract

Con el objetivo de estudiar el Fenómeno del Niño a partir de bases de datos disponibles, nosotros comenzamos un análisis exploratorio de la temperatura superficial de un conjunto de series de tiempo obtenidas de la Administración Nacional Oceánica y Atmosférica (NOAA) de EEUU. Los primeros resultados del análisis de Componentes Principales y de la clasificación jerarquica de factores aplicada sobre el conjunto de datos relativos al periodo 1991-2008 son reportados. Conjuntamente con la fluctuación regular estacional y la subdivisión en 11 clases de las series temporales, todas conectadas espacialmente, la ocurrencia de El Niño en 2007 resulta de los datos como una perturbación muy fuerte dentro de un patrón muy regular.

Downloads

Download data is not yet available.

References

1. J.P. Benzecri et al. L'Analyse des données, Tome 1, 2nd Ed., Paris, Dunod. (1982).
2. S. Camiz, J.J. Denimal and V.D.P Pillar. Hierarchical Factor Classication of Variables in Ecology, Community Ecology 7(2) (2006) 165{179.
3. S. Camiz, and V.D.P Pillar. Comparison of Single and Complete Linkage Clustering with the Hierarchical Factor Classication of Variables, Community Ecology 8(1) (2007) 25-30.
4. J.J. Denimal. Hierarchical Factorial Analysis, Actes du 10th International Symposium on Applied Stochastic Models and Data Analysis, (2001).
5. J.J. Denimal. Classication Hiérarchique Optimisée d'un tableau de mesures. Revue de Statistique Appliquée 148(2) (2007) 29-61.
6. C. Eckart and G. Young. Approximation of one matrix by another of lower rank, Psychometrika 1 (1936) 211-218.
7. M.J. Greenacre. Theory and Application of Correspon- dence Analysis, London, Academic Press, (1984).
8. D.A. Jackson D.A.. Stopping Rules in Principal Components Analysis: A Comparison of Validation of stopping rules in eigendecomposition methods Heuristical and Statistical Approaches, Ecology, 74(8) (1993) 2204-2214.
9. I.T. Jollié. Principal Components Analysis. Springer, Berlin (1986).
10. C. Lagrand and L.M. Pinzón. Análisis De Datos. Meto- dos y ejemplos. Escuela Colombiana de Ingenieria Julio Garavito, Bogotá (2009).
11. P. Legendre and L. Legendre. Numerical Ecology. 2nd Ed., Elsevier, Amsterdam (1998).
12. J.B. MacQueen. Some Methods for classication and Analysis of Multivariate Observations, Proceedings of 5- th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1 (1967) 281-297
13. G.W. Milligan and M.C. Cooper. An examination of procedures for determining the number of clusters in a data set. Psychometrika 50(2) (1985)
159-179.
14. P.R. Peres-Neto, D.A. Jackson, and K.M. Somers. How many principal components? Stopping rules for determining the number of non-trivial axes revisited. Computational Statistics and Data Analysis, 49 (2005) 974-997.
15. W.S. Sarle. Cubic clustering criterion. Technical Report A-108. Cary, N.C.: SAS Institute (1983).

Published

2021-06-18

How to Cite

Camiz, S., Denimal, J. J., & Sosa, W. (2021). Exploratory analysis of Pacific Ocean data to study “El Nin˜o” phenomenon. Journal of the Science Faculty @ UNI, 13(1), 50–58. Retrieved from https://revistas.uni.edu.pe/index.php/revciuni/article/view/911

Issue

Section

Artículos