• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  Science >> Ciencia >  >> Naturaleza
    La IA mejora las predicciones de lluvias monzónicas
    Un diagrama simplificado del algoritmo EnOC, con dos miembros del conjunto dinámico para simplificar. Aquí, el segundo miembro del conjunto (púrpura) recibirá un peso mayor, ya que está más cerca del pronóstico MISO en el subespacio. Tenga en cuenta que en la implementación real, reducimos la dinámica en el subespacio MISO a los dos primeros componentes principales del modo MISO. Crédito:Actas de la Academia Nacional de Ciencias (2024). DOI:10.1073/pnas.2312573121

    Cada año, la temporada de monzones del sur de Asia trae fuertes lluvias a más de mil millones de personas en el subcontinente indio entre junio y septiembre. La lluvia cae de forma oscilante:algunas semanas ven de 1 a 4 pulgadas de agua, mientras que otras semanas son mayoritariamente secas. Predecir cuándo ocurrirán estos períodos secos y húmedos es fundamental para la planificación agrícola y urbana, ya que permite a los agricultores saber cuándo cosechar y ayuda a los funcionarios de la ciudad a prepararse para las inundaciones. Sin embargo, si bien las predicciones meteorológicas son en su mayoría precisas en uno o dos días, predecir con precisión el tiempo dentro de una semana o un mes es muy difícil.



    Ahora, se ha demostrado que un nuevo pronóstico basado en aprendizaje automático predice con mayor precisión las lluvias monzónicas del sur de Asia con 10 a 30 días de anticipación, una mejora significativa con respecto a los pronósticos de última generación actuales que utilizan modelos numéricos en lugar de inteligencia artificial. para hacer predicciones. Comprender el comportamiento de los monzones también es importante porque este tipo de lluvia es una característica atmosférica importante en el clima global.

    La investigación fue dirigida por Eviatar Bach, investigador asociado postdoctoral Foster y Coco Stanback en ciencias e ingeniería ambientales, que trabaja en los laboratorios de Tapio Schneider, profesor Theodore Y. Wu de ciencias e ingeniería ambientales y científico investigador senior del JPL; y Andrew Stuart, profesor Bren de Ciencias de la Computación y Matemáticas.

    Un artículo que describe el nuevo método aparece en las Proceedings of the National Academy of Sciences .

    "Existe mucha preocupación acerca de cómo el cambio climático afectará a los monzones y otros fenómenos meteorológicos como huracanes, olas de calor, etc.", afirma Bach. "Mejorar las predicciones en escalas de tiempo más cortas es una parte importante de la respuesta al cambio climático porque necesitamos ser capaces de mejorar la preparación para estos eventos".

    Un modelo de cómo varían las precipitaciones monzónicas, llamado "oscilación intraestacional monzónica", sobre el subcontinente indio a lo largo de una sola temporada. Crédito:E. Bach

    Predecir el tiempo es difícil porque la atmósfera contiene numerosas inestabilidades (por ejemplo, la atmósfera se calienta continuamente desde la Tierra, lo que genera aire frío y más denso sobre aire más caliente y menos denso), así como la inestabilidad causada por el calentamiento desigual y la rotación de la Tierra. Estas inestabilidades conducen a una situación caótica en la que los errores e incertidumbres en el modelado del comportamiento de la atmósfera se multiplican rápidamente, haciendo casi imposible predecir el futuro.

    Los modelos actuales de última generación utilizan modelos numéricos, que son simulaciones por computadora de la atmósfera basadas en ecuaciones físicas que describen el movimiento de los fluidos. Debido al caos, el tiempo máximo predecible para un clima a gran escala suele ser de unos 10 días. También es posible predecir el comportamiento promedio a largo plazo de la atmósfera (es decir, el clima), pero predecir el tiempo en el intervalo de tiempo entre dos semanas y varios meses ha sido un desafío con los modelos numéricos.

    Con los monzones del sur de Asia, la lluvia tiende a caer en ciclos de ráfagas intensas seguidas de períodos secos. Estos ciclos se conocen como oscilaciones intraestacionales monzónicas (MISO). En la nueva investigación, Bach y sus colaboradores agregaron un componente de aprendizaje automático a los modelos numéricos de última generación actuales. Esto permitió a los investigadores recopilar datos sobre los MISO y hacer mejores predicciones de las precipitaciones en la elusiva escala de tiempo de dos a cuatro semanas. El modelo resultante fue capaz de mejorar las correlaciones de las predicciones con las observaciones hasta en un 70%.

    "En los últimos años ha aumentado el interés en utilizar el aprendizaje automático para la predicción del tiempo", afirma Bach. "Nuestro trabajo demuestra que una combinación de aprendizaje automático y modelado numérico más tradicional puede producir resultados precisos".

    El artículo se titula "Predicción subestacional mejorada de las lluvias monzónicas del sur de Asia utilizando pronósticos basados ​​en datos de modos oscilatorios". Además de Bach, los coautores son V. Krishnamurthy y Jagadish Shukla de la Universidad George Mason; Safa Mote de la Universidad Estatal de Portland; A. Surjalal Sharma y Eugenia Kalnay de la Universidad de Maryland; y Michael Ghil de la École Normale Supérieure de París, UCLA y el Imperial College de Londres.

    Más información: Eviatar Bach et al, Predicción subestacional mejorada de las precipitaciones monzónicas del sur de Asia utilizando pronósticos basados ​​en datos de modos oscilatorios, Actas de la Academia Nacional de Ciencias (2024). DOI:10.1073/pnas.2312573121

    Información de la revista: Actas de la Academia Nacional de Ciencias

    Proporcionado por el Instituto de Tecnología de California




    © Ciencia https://es.scienceaq.com