Identification of the North Brazil Current through spatial motifs in fixed time slices
Resumo
As análises de motifs espaço-temporais podem fornecer intuições sobre os dados. Também pode ser particularmente interessante analisar os padrões espaciais fixando-se uma fatia temporal. Uma variável na qual a relação espaço e tempo é presente é a da Temperatura da Superfície do Mar (TSM). A TSM está relacionada aos diversos fenômenos naturais que impactam severamente a vida de milhões de pessoas. A TSM também pode ser analisada em uma fatia de tempo, procurando-se descobrir as relações espaciais, que podem refletir o comportamento das correntes marítimas em um determinado momento. Este trabalho avalia um método de identificação de motifs em séries espaço-temporais por meio da comparação das ocorrências destes motifs com correntes marítimas previamente mapeadas. Como prova de conceito, o objetivo é ser capaz de identificar a Corrente Norte Brasil, corrente que é afetada pela Zona de Convergência Intertropical, identificada em ampla bibliografia como responsável pelas secas no nordeste do Brasil. Para isso, após a descoberta de motifs espaço-temporais, é feita uma regressão linear de cada motif encontrado. O ângulo dessa regressão é então comparado com o ângulo no qual a corrente está se movimentando de acordo com a plataforma Windy. O método proposto foi capaz de atingir resultados de 70% de acerto dentro dos dez motifs mais bem ranqueados.
Referências
Heraldo Borges, Murillo Dutra, Amin Bazaz, Rafaelli Coutinho, Fábio Perosi, Fábio Porto, Florent Masseglia, Esther Pacitti, and Eduardo Ogasawara. Spatial-time motifs discovery. Intelligent Data Analysis, 24(5):1121–1140, 2020b.
Bill Chiu, Eamonn Keogh, and Stefano Lonardi. Probabilistic discovery of time series motifs. In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, pages 493–498, 2003.
Xiaoxi Du, Ruoming Jin, Liang Ding, Victor E Lee, and John H Thornton Jr. Migration motif: a spatial-temporal pattern mining approach for financial markets. In Proceedings of the 15th ACM SIGKDD international conference on knowledge discovery and data mining, pages 1135–1144, 2009.
Boyin Huang, Chunying Liu, Eric Freeman, Garrett Graham, Tom Smith, and Huai-Min Zhang. Assessment and Intercomparison of NOAA Daily Optimum Interpolation Sea Surface Temperature (DOISST) Version 2.1. Journal of Climate, 34(18):7421–7441, 2021.
Tao Jiang, Yucai Feng, Bin Zhang, Jie Shi, and Yuanzhen Wang. Finding motifs of financial data streams in real time. In International Symposium on Intelligence Computation and Applications, pages 546–555. Springer, 2008.
Xiaofeng Li, W Pichel, P Clemente-Colon, V Krasnopolsky, and J Sapper. Validation of coastal sea and lake surface temperature measurements derived from NOAA/AVHRR data. International Journal of Remote Sensing, 22(7):1285–1303, 2001.
Jessica Lin, Eamonn Keogh, Li Wei, and Stefano Lonardi. Experiencing SAX: a novel symbolic representation of time series. Data Mining and knowledge discovery, 15(2): 107–144, 2007.
Abdullah Mueen. Time series motif discovery: dimensions and applications. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 4(2):152–159, 2014.
Abdullah Mueen, Eamonn Keogh, Qiang Zhu, Sydney Cash, and Brandon Westover. Exact discovery of time series motifs. In Proceedings of the 2009 SIAM international conference on data mining, pages 473–484. SIAM, 2009.
NOAA. National Oceanic and Atmospheric Administration. Technical report, https://www.noaa.gov/, 2022.
Tim Oates, Arnold P Boedihardjo, Jessica Lin, Crystal Chen, Susan Frankenstein, and Sunil Gandhi. Motif discovery in spatial trajectories using grammar inference. In Proceedings of the 22nd ACM international conference on Information & Knowledge Management, pages 1465–1468, 2013.
Futoki Sakaida and Hiroshi Kawamura. Accuracies of NOAA/NESDIS sea surface temperature estimation technique in the oceans around Japan. Journal of Oceanography, 48(3):345–351, 1992.
R. Salles, P. Mattos, A.-M.D. Iorgulescu, E. Bezerra, L. Lima, and E. Ogasawara. Evaluating temporal aggregation for predicting the sea surface temperature of the Atlantic Ocean. Ecological Informatics, 36:94–105, 2016.
Shashi Shekhar, Steven K Feiner, and Walid G Aref. Spatial computing. Communications of the ACM, 59(1):72–81, 2015.
S. Torkamani and V. Lohweg. Survey on time series motif discovery. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 7(2), 2017.
Windy. Windy: Wind map & weather forecast. Technical report, https://www.windy.com/, 2022.
Konstantinos Xylogiannopoulos, Panagiotis Karampelas, and Reda Alhajj. Multivariate motif detection in local weather big data. In 2019 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), pages 749–756. IEEE, 2019.
