Modelos implementados en el análisis de series de tiempo de temperatura superficial e índices de vegetación: Una propuesta taxonómica en el contexto de cambio climático global
Resumen: El cambio climático y el calentamiento global son provocados principalmente por las actividades antrópicas. Por esta razón, conocer las líneas de investigación que relacionen Series de Tiempo de Temperatura Superficial e Índices de Vegetación es de suma importancia, dada la amplitud de las...
Guardado en:
| Autores principales: | , , |
|---|---|
| Lenguaje: | Spanish / Castilian |
| Publicado: |
Pontificia Universidad Católica de Chile. Instituto de Geografía
2021
|
| Materias: | |
| Acceso en línea: | http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-34022021000100323 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | Resumen: El cambio climático y el calentamiento global son provocados principalmente por las actividades antrópicas. Por esta razón, conocer las líneas de investigación que relacionen Series de Tiempo de Temperatura Superficial e Índices de Vegetación es de suma importancia, dada la amplitud de las diferentes áreas científicas abiertas sobre el calentamiento global. Se presenta a la comunidad académica, por tanto, el resultado de la presente clasificación, la cual divide los estudios en dos áreas principales representativas en el estudio del cambio climático: (1) Modelado y Análisis de Geodatos y (2) Teledetección. De este último se derivan dos tipos, unos construidos con Análisis de Regresión Lineal (RL) y otros con Análisis de Regresión No Lineal (RNL). En el Modelado y Análisis de Geodatos, los Modelos Climáticos Globales (GCM) no son la herramienta adecuada para estos análisis debido a su gruesa resolución espacial. Esto implica el desarrollo de modelos híbridos con teledetección, que están también limitados por las diferencias de resolución. Por el contrario, la teledetección es la herramienta de mayor difusión para este tipo de estudios. Finalmente, se abre una prometedora ventana para el desarrollo en las series de tiempo con análisis de Regresión No Lineal. |
|---|