Statistical Analysis for Early Detection of El Niño and La Niña and their Relationship with CO2 and CH4 through Neural Networks

• Autores: Ricardo Llugsi, Robin Álvarez, Pablo Lupera Morillo, Allyx Fontaine
• Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 56, Nº. 2, 2025 (Ejemplar dedicado a: Revista Politécnica), págs. 119-132
• Idioma: inglés
• DOI: 10.33333/rp.vol56n2.10
• Títulos paralelos:
  • Análisis Estadístico para la Detección Temprana de El Niño y La Niña y de su Relación con el CO2 y el CH4 a través de Redes Neuronales
• Enlaces
  • Texto completo
• Resumen
  • español

    Este artículo presenta un análisis novedoso de la influencia del CO2 y del CH4 en la identificación de los fenómenos de “El Niño” y "La Niña". En primer lugar, se presenta la metodología estadística para la detección temprana de “El Niño” y "La Niña" basada en el análisis de la información histórica de la Anomalía de Temperatura producida en los Océanos por estos fenómenos. En segundo lugar, se presenta un análisis estadístico para estudiar una posible relación entre el CO2 y el CH4 y la Anomalía de Temperatura. Se aplican tres modelos de Redes Neuronales y se analiza la correlación entre la serie obtenida y la real, así como las métricas de error respectivas. Los resultados muestran que un modelo Codificador-Decodificador Convolucional es la estructura más adecuada para llevar a cabo este propósito porque muestra un coeficiente de correlación de 0,991 y métricas de error de MSE = 0,096, RMSE = 0,309, MAE = 0,249. Sin embargo, la cantidad de información histórica sobre el CH4 se convierte en una limitación para detectar una relación adicional.

  • English

    This paper takes a fresh look at the influence of CO2 and CH4 for the identification of “El Niño” episodes. We first introduce the statistical methodology for early detection based on the analysis of the historical information Temperature Anomaly produced in the Oceans by the “El Niño” episode. Second, we introduce a statistical analysis to study a possible relation between CO2 and CH4 with the Temperature Anomaly. We apply three Neural Network models and we analyse the correlation between the obtained series and the real one as well as the respective error metrics. The outcome shows that a Convolutional Encoder-Decoder model is the most suitable structure to carry out this purpose because it shows a correlation coefficient of 0.991 and error metrics of MSE = 0.096, RMSE = 0.309, MAE = 0.249. However, the amount of historical information on CH4 becomes a limitation to detect a further relationship.