Cada primavera, Los investigadores publican sus pronósticos proyectados de la próxima temporada de huracanes:cuántas tormentas se pueden formar, y cuán severos pueden ser. Pero, ¿y si pudiera crear estos pronósticos con un año y medio de anticipación? Un nuevo modelo de la Universidad Estatal de Carolina del Norte incorpora el aprendizaje automático para crear pronósticos de huracanes a largo plazo con una precisión similar a los que se utilizan actualmente.

La mayoría de las predicciones de huracanes de pretemporada se realizan utilizando modelos estadísticos que utilizan datos optimizados de la presión al nivel del mar, temperaturas de la superficie del mar y otros datos climáticos históricos. Sin embargo, estas predicciones se hacen a partir de datos de series de tiempo, lo que significa que utilizan lecturas climáticas de un lugar o promediadas para un área y período de tiempo en particular.

"Los datos de series de tiempo son unidimensionales:no contienen información espacial, solo cambia con el tiempo, "dice Lian Xie, profesor de marina, ciencias de la tierra y la atmósfera en NC State y autor correspondiente de un artículo que describe el trabajo.

"Estábamos mirando cada serie temporal de predictores en una ubicación promediada durante un cierto período de tiempo cada año:por ejemplo, anomalías de la temperatura de la superficie del mar promediadas en algunas partes del Pacífico tropical durante febrero, "Dice Xie". En contraste, el nuevo modelo analiza los datos tomados de muchas ubicaciones específicas, y para cada ubicación, utiliza dos puntos de datos por mes, lo que agrega un componente espacial importante al pronóstico ".

"Los sistemas de huracanes son escandalosamente complejos, "dice el coautor Hamid Krim, profesor de ingeniería eléctrica e informática en NC State. "Sabemos que lo que sucede en lugares distantes afectará y afecta a otros lugares a través de la conectividad de los sistemas meteorológicos. Por lo tanto, un modelo espacio-temporal nos da una imagen mucho más precisa de la dinámica de un sistema de huracanes".

El nuevo modelo incorpora datos históricos de eventos meteorológicos distantes como El Niño y La Niña, así como datos de múltiples ubicaciones en varios puntos de tiempo. Para entrenar el modelo, los investigadores utilizaron datos quincenales desde 1951 hasta 2010.

Los investigadores quieren utilizar el nuevo modelo para predecir la energía ciclónica acumulada, o ACE, para pronosticar qué tan activa puede ser la próxima temporada.

"ACE es una forma diferente de medir qué tan activa es una temporada de huracanes, más allá de intentar provocar una serie de tormentas, "Dice Xie." Calcula la cantidad de energía cinética que tiene cada huracán de principio a fin durante toda la temporada. La suma de toda esa energía es ACE.

"Si bien ACE generalmente está altamente correlacionado con el número de huracanes, por ejemplo, una temporada activa tendrá un ACE alto; puede haber diferencias, "Dice Xie." Una temporada con un huracán fuerte de larga duración y algunos más pequeños podría tener el mismo ACE que una temporada con una mayor cantidad de huracanes de nivel medio. Por lo tanto, los recuentos pueden diferir mientras que el ACE es el mismo, pero la determinación general de una temporada como activa o inactiva por lo general será consistente con las determinadas por los conteos de huracanes ".

Los investigadores validaron su nuevo modelo en ventanas de tiempo de tres, seis, nueve, 12 y 18 meses contra siete años de datos de huracanes. Para todos los pronósticos, el modelo demostró una precisión comparable a la alcanzada por los modelos actualmente en uso. Para la próxima temporada 2021, planean utilizar una combinación de pronóstico tradicional y el nuevo modelo, centrándose más en ACE que solo en el número de tormentas.

Xie dice que los resultados iniciales para los pronósticos a más largo plazo parecen prometedores.

"Por supuesto, hay errores con el modelo, pero su precisión es comparable a otros pronósticos, con la ventaja de obtener un plazo de entrega más largo, "Dice Xie." Este es solo el punto de partida. Esperamos poder seguir mejorando con el tiempo ".

"Yo agregaría que el desafío es primero comprender más profundamente las complejas interacciones a largo plazo de los diversos factores, y luego capturarlos matemáticamente, "Krim dice.

La obra aparece en Atmósfera .