Los modelos de circulación general suelen simular el comportamiento global de la atmósfera en redes cuyas celdas tienen dimensiones de alrededor de 50 km. Pero muchas nubes se extienden a distancias de solo unos pocos cientos de metros, mucho más pequeñas que las celdas de la cuadrícula que se utilizan normalmente en las simulaciones, y son muy dinámicas. Ambas características los hacen extremadamente difíciles de modelar de manera realista. Crédito:Robert Kneschke / fotolia
Las simulaciones climáticas realistas requieren enormes reservas de poder computacional. Un estudio de LMU ahora muestra que los nuevos algoritmos permiten que las interacciones en la atmósfera se modelen más rápidamente sin pérdida de confiabilidad.
La predicción de climas globales y locales requiere la construcción y prueba de modelos climáticos matemáticos. Dado que tales modelos deben incorporar una plétora de procesos físicos e interacciones, Las simulaciones climáticas requieren enormes cantidades de poder computacional. E incluso los mejores modelos inevitablemente tienen limitaciones, ya que los fenómenos involucrados nunca pueden modelarse con suficiente detalle. En un proyecto llevado a cabo en el contexto del Centro de Investigación Colaborativa financiado por DFG "Waves to Weather", Stephan Rasp del Instituto de Meteorología Teórica de LMU (Director:Profesor George Craig) ahora ha analizado la cuestión de si la aplicación de inteligencia artificial puede mejorar la eficacia del modelado climático. El estudio, que se realizó en colaboración con el profesor Mike Pritchard de la Universidad de California en Irvine y Pierre Gentine de la Universidad de Columbia en Nueva York, aparece en la revista PNAS .
Los modelos de circulación general suelen simular el comportamiento global de la atmósfera en redes cuyas celdas tienen dimensiones de alrededor de 50 km. Incluso utilizando supercomputadoras de última generación, los procesos físicos relevantes que tienen lugar en la atmósfera son simplemente demasiado complejos para modelarlos con el nivel de detalle necesario. Un ejemplo destacado se refiere al modelado de nubes que tienen una influencia crucial en el clima. Transportan calor y humedad, producir precipitaciones, además de absorber y reflejar la radiación solar, por ejemplo. Muchas nubes se extienden a distancias de solo unos pocos cientos de metros, mucho más pequeñas que las celdas de la cuadrícula que se utilizan normalmente en las simulaciones, y son muy dinámicas. Ambas características los hacen extremadamente difíciles de modelar de manera realista. Por lo tanto, los modelos climáticos actuales carecen de al menos un ingrediente vital, y en este sentido, solo proporcione una descripción aproximada del sistema terrestre.
En el nuevo estudio, Rasp y sus coautores han utilizado una forma de aprendizaje automático conocida como redes neuronales para ajustar de forma adaptativa un algoritmo diseñado para capturar el comportamiento de la nube. El algoritmo se entrenó utilizando datos obtenidos de simulaciones de alta resolución que incluían explícitamente la transferencia de calor de las nubes. "Después del período de formación, el algoritmo no solo fue capaz de reproducir los resultados obtenidos con la escala fina, modelo de resolución de nubes, pero lo hizo de manera mucho más eficiente, "dice Stephan Rasp. Según George Craig, "el estudio muestra que el método tiene el potencial de describir fenómenos complejos con mayor detalle y, por lo tanto, promete mejorar la calidad de las simulaciones climáticas".
En esta prueba inicial, los autores utilizaron un modelo idealizado para probar la viabilidad del enfoque con una complejidad reducida. En el siguiente paso, Raspar, Pritchard y Gentine planean entrenar el algoritmo con datos reales.