“... un cambio en el clima que se atribuye directa o indirectamente a la actividad humana que altera la composición de la atmósfera global y que se suma a la variabilidad natural del clima observada durante períodos de tiempo comparables... ” (UNFCCC, 1992).
Image reference: https://earthobservatory.nasa.gov/world-of-change/global-temperatures
Temperature change ➔ Global Surface Temperature Change data
Area + Year ➔ Food & Agriculture data
Motivación → Objetivo general
Mostrar el fenómeno mundial del cambio climático de los países a través del tiempo utilizando características relacionadas a la agricultura y la producción alimenticia.
¿cuál es el estado actual del enfoque propuesto: análisis de datos con aprendizaje automático profundo para datos tabulares?
ID | Arquitectura | Datos | Resultados |
---|---|---|---|
1 | A deep reinforcement learning-based co-training approach |
32 datasets | Semi-supervised learning |
2 | [CNN bootleneck + tabular data] | 3D neuroimage data and tabular information | Dynamic Affine Feature Map Transform (DAFT) |
3, 4 | GAN | Adult, Census | Synthesizing tabular datasets |
¿cuál es el estado actual del enfoque propuesto: análisis de datos con aprendizaje automático profundo para datos tabulares de cambio climático?
ID | Arquitectura | Datos | Resultados |
---|---|---|---|
6 | CNN and MLP * hyperparameters optimization |
Wildfire susceptibility maps | Spatial prediction of global wildfire susceptibility |
7 | 4 ML algorithms (RF, XGBoost, Logistic, k-star) | 132 storm surge disasters (China) | Estimating storm surge disaster loss |
8 | 4 ML algorithms (Bayesian Linear Regression (BLR), Boosted Decision Tree Regression (BDTR), Decision Forest Regression (DFR) and Neural Network Regression (NNR)) | Rainfall data (Malasya) | Forecasting rainfall |
¿cuál es el estado actual del enfoque propuesto: análisis de datos con aprendizaje automático para datos tabulares de cambio climático con caracteristicas de agricultura y la producción alimenticia?
ID | Arquitectura | Datos | Resultados |
---|---|---|---|
9 | RF, XGBoost, MLP, LSTM | Climate model simulations (CESM) | Seasonal cluster prediction |
10 | ANN, CNN, DNN, RNN, LSTM, MLP, R-CNN | National Agricultural Statistics Service Information (USDA NASS) | Crop yield prediction (2019) |
11 | ArcGIS Server | Spatial data and attribute data | Crop pest and disease monitoring and ocurrence forecasting |
Caso de estudio: cambio climático.
Tesis: encontrar relaciones entre características (indicadores agrícolas) y el cambio de temperatura de los países.
Metodología de investigación: análisis de datos estructurados mixtos multivariados de alta dimensionalidad con un enfoque de aprendizaje automático.
Objetivo principal: encontrar relaciones entre características explicativas (X) y una variable explicada (y).
Hipótesis
Model
Data
«La ciencia (ἐπιστήμη) es un juicio verdadero acompañado de razón (λόγος).» Platón, Teeteto, 202, b-c
Tesis: encontrar relaciones entre características (indicadores agrícolas) y el cambio de temperatura de los países.
Tesis: encontrar relaciones entre características (indicadores agrícolas) y el cambio de temperatura de los países.
¿Cómo son estas relaciones?
¿Dónde viven estas características? →relaciones
Modelos en el VSM (Vector Space Model)
Datos
FAOSTAT Temperature Change
FAOSTAT 69 Indicators
Datos
FAOSTAT 12 Indicators
Resultados preeliminares:
Preprocesamiento de datos numéricos
Resultados preeliminares:
Preprocesamiento de datos categóricos
Top 5 países:
'china', 'mexico', 'turkey', 'spain', 'morocco',
Top 5 actividades económicas:
'production', 'yield', 'area harvested', 'producing animals/slaughtere', 'stocks',
Top 5 productos:
'eggs hen in shell', 'meat poultry', 'vegetables primary', 'eggs primary, 'meat chicken',
Metodología de investigación:
análisis de datos estructurados mixtos multivariados de alta dimensionalidad con un enfoque de aprendizaje automático
Representación vectorial:
1
2
3
¿Cómo obtener esta representación reducida?
Flujo del procesamiento
(end-to-end pipeline)
Metodología de investigación:
análisis de datos estructurados mixtos multivariados de alta dimensionalidad con un enfoque de aprendizaje automático
Metodología de investigación:
análisis de datos estructurados mixtos multivariados de alta dimensionalidad con un enfoque de aprendizaje automático
VSM
98 dimension
32 dimension
VSM
98 dimension
32 dimension
VSM
98 dimension
Afinidad por similaridad
VSM
32 dimensiones
Afinidad por region y sub_region
32 dimensiones
Afinidad por region y sub_region
El 1 de diciembre de 1999 se firmó la "Declaración de Basse-Terre". Los presidentes regionales de las ADF propusieron al Presidente de la República y al Gobierno una modificación legislativa o incluso constitucional destinada a crear un nuevo estatuto de Región de Ultramar con un régimen fiscal y social especial para Guadalupe, Guayana y Martinica, en el marco de la República Francesa, por una parte, y de la Unión Europea, por otra (artículo 299-2 del Tratado de Ámsterdam).
La igualdad de derechos sociales en los territorios de ultramar tardó en llegar. Por ejemplo, los guadalupeños no percibieron el salario mínimo y la prestación de ingresos mínimos (RMI) en la Francia metropolitana hasta 1996 y 2002.
https://es.wikipedia.org/wiki/Guadalupe_(Francia)
FAOSTAT Temperature Change
FAOSTAT Temperature Change
ID | Paper | Link |
---|---|---|
1 | ReCom: A deep reinforcement learning approach for semi-supervised tabular data labeling | https://www.sciencedirect.com/science/article/abs/pii/S0020025521012974 |
2 | DAFT: A universal module to interweave tabular data and 3D images in CNNs | https://www.sciencedirect.com/science/article/pii/S1053811922006218#fig0001 |
3 | Improving GAN with inverse cumulative distribution function for tabular data synthesis | https://www.sciencedirect.com/science/article/abs/pii/S0925231221008614 |
4 | Bi-discriminator GAN for tabular data synthesis | https://www.sciencedirect.com/science/article/abs/pii/S0167865522001830 |
5 | Missing value estimation using clustering and deep learning within multiple imputation framework | https://www.sciencedirect.com/science/article/abs/pii/S0950705122004695 |
6 | Deep neural networks for global wildfire susceptibility modelling | https://www.sciencedirect.com/science/article/pii/S1470160X21004003#s0080 |
7 | Estimating the grade of storm surge disaster loss in coastal areas of China via machine learning algorithms | https://www.sciencedirect.com/science/article/pii/S1470160X22000012 |
8 | Rainfall forecasting model using machine learning methods: Case study Terengganu, Malaysia | https://www.sciencedirect.com/science/article/pii/S2090447920302069 |
9 | Training machine learning models on climate model output yields skillful interpretable seasonal precipitation forecasts | https://www.nature.com/articles/s43247-021-00225-4 |
10 | Deep learning for crop yield prediction: a systematic literature review | https://www.tandfonline.com/doi/full/10.1080/01140671.2022.2032213 |
11 | Automatic System for Crop Pest and Disease Dynamic Monitoring and Early Forecasting | https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9153907 |