Un estudio del proyecto europeo Horizonte 2020 TiPES confirma que las grandes incertidumbres de los modelos climáticos utilizados en los informes del IPCC podrían reducirse considerablemente mediante el uso de la mecánica estadística. La técnica, que ha sido mirado con escepticismo por algunos expertos, conduce a predicciones climáticas muy mejoradas y también podría ayudar a evaluar los puntos de inflexión, los autores concluyen en Informes científicos .

Un gran desafío en la predicción climática es la incertidumbre sobre cómo vamos a enfrentar el cambio climático. Las simulaciones por computadora deben ejecutarse una y otra vez con diferentes escenarios que varían en el desarrollo económico futuro, cantidades de gases que influyen en el clima, el cambio en el uso de las prácticas de uso de la tierra, decisiones políticas, etc.

Pero los modelos climáticos avanzados de la clase IPCC consumen mucho tiempo y se ejecutan en supercomputadoras con las que resulta caro trabajar. Solo se está considerando una selección limitada de escenarios con cada nueva generación de modelo climático.

La consecuencia son grandes lagunas en nuestra comprensión del sistema climático porque los resultados de diferentes escenarios y modelos no se pueden comparar fácilmente. Hay muchas preguntas sin respuesta, como cuándo y cómo se establecerán los puntos de inflexión. Exactamente, ¿cuánto será una determinada cantidad de CO ₂ agregados a la atmósfera afectan la temperatura media global en la actualidad y en los siglos venideros?

Ahora, Valerio Lucarini, Universidad de Reading, Reino Unido y Valerio Lembo, Universität Hamburg, Alemania y Francesco Ragone, Ecole Normale Superieure, Lyon, Documento de Francia en Informes científicos que estas incertidumbres podrían reducirse considerablemente. Encuentran que la calidad de la información extraída de modelos climáticos avanzados mejora significativamente cuando se somete a la teoría de la mecánica estadística.

"Lo que hemos hecho es demostrar que el enfoque es factible incluso en un modelo climático de la clase utilizada para las proyecciones del IPCC, "explica Valerio Lucarini.

El grupo construyó los llamados operadores de respuesta matemática que traducen las entradas en forma de escenarios forzados a salidas en forma de señales de cambio climático. Luego, el método se aplicó a la generación más nueva de modelos climáticos avanzados, llamado CMIP6.

Los cálculos predijeron con precisión variaciones en la temperatura media global, así como corrientes oceánicas a gran escala como la circulación de vuelco meridional del Atlántico y la corriente circumpolar antártica. demostrando que el método funciona.

Es la primera vez que este enfoque que es extremadamente teórico y utiliza propiedades matemáticas y físicas muy básicas, se ha aplicado a un modelo climático complejo a gran escala con un océano totalmente interactivo.

"En principio, las herramientas que usamos aquí le permiten cerrar la brecha entre diferentes escenarios y, digamos, descomponer el efecto de diferentes forzamientos. Entonces es como una caja negra. Me das un período de tiempo y una cantidad de forzamiento y te doy la respuesta. En tiempo real. Es una forma muy eficiente de usar los datos y básicamente puede construir un escenario completo de forzamiento para un modelo dado, "explica Lucarini.

"Mucha gente creía que esto no sería factible para un modelo de la clase IPCC. En cambio, hemos demostrado que funciona. Y al igual que es más fácil predecir el movimiento estadístico de miles de millones de moléculas que el movimiento exacto de una, este enfoque realmente funciona mejor cuanto más complejo es el modelo climático, "dice Lucarini.

Teóricamente Se espera que el enfoque también facilite la evaluación de los puntos de inflexión. Probar la respuesta del sistema en una variedad de escenarios ahora es más accesible, lo que significa que tales experimentos pueden descubrir dónde el sistema es más sensible en ciertas direcciones para ciertos forzamientos. Esa es exactamente la situación cuando nos acercamos a un punto de inflexión.