Para evaluar el riesgo de fenómenos meteorológicos extremos de una comunidad, los formuladores de políticas se basan primero en modelos climáticos globales que pueden ejecutarse décadas, e incluso siglos, en el tiempo, pero sólo con una resolución aproximada. Estos modelos podrían usarse para medir, por ejemplo, las condiciones climáticas futuras para el noreste de EE. UU., pero no específicamente para Boston.
Para estimar el riesgo futuro de condiciones climáticas extremas, como inundaciones, en Boston, los formuladores de políticas pueden combinar las predicciones a gran escala de un modelo burdo con un modelo de resolución más fina ajustado para estimar con qué frecuencia es probable que Boston experimente inundaciones dañinas a medida que el clima se calienta. Pero este análisis de riesgos es tan preciso como las predicciones de ese primer modelo climático más aproximado.
"Si se equivocan en entornos a gran escala, entonces se pierde todo en términos de cómo se verán los eventos extremos en escalas más pequeñas, como en ciudades individuales", dice Themistoklis Sapsis, profesor William I. Koch y director del Centro de Ingeniería Oceánica en el Departamento de Ingeniería Mecánica del MIT.
Sapsis y sus colegas han desarrollado ahora un método para "corregir" las predicciones de los modelos climáticos aproximados. Al combinar el aprendizaje automático con la teoría de sistemas dinámicos, el enfoque del equipo "empuja" las simulaciones de un modelo climático hacia patrones más realistas a gran escala.
Cuando se combinó con modelos de menor escala para predecir eventos climáticos específicos, como ciclones tropicales o inundaciones, el enfoque del equipo produjo predicciones más precisas sobre la frecuencia con la que lugares específicos experimentarán esos eventos durante las próximas décadas, en comparación con las predicciones realizadas sin el esquema de corrección.
Sapsis dice que el nuevo esquema de corrección tiene una forma general y puede aplicarse a cualquier modelo climático global. Una vez corregidos, los modelos pueden ayudar a determinar dónde y con qué frecuencia se producirán condiciones climáticas extremas a medida que aumenten las temperaturas globales en los próximos años.
"El cambio climático tendrá un efecto en todos los aspectos de la vida humana y en todo tipo de vida en el planeta, desde la biodiversidad hasta la seguridad alimentaria y la economía", afirma Sapsis. "Si tenemos la capacidad de saber con precisión cómo cambiarán las condiciones climáticas extremas, especialmente en ubicaciones específicas, puede marcar una gran diferencia en términos de preparación y realización de la ingeniería adecuada para encontrar soluciones. Este es el método que puede abrir el camino manera de hacerlo."
Los resultados del equipo aparecen hoy en el Journal of Advances in Modeling Earth Systems .
Los modelos climáticos a gran escala actuales simulan características climáticas, como la temperatura, la humedad y las precipitaciones promedio en todo el mundo, cuadrícula por cuadrícula. Ejecutar simulaciones de estos modelos requiere una enorme potencia informática y, para simular cómo las características climáticas interactuarán y evolucionarán durante períodos de décadas o más, los modelos promedian las características cada 100 kilómetros aproximadamente.
"Es un cálculo muy pesado que requiere supercomputadoras", señala Sapsis. "Pero estos modelos aún no resuelven procesos muy importantes como las nubes o las tormentas, que ocurren en escalas más pequeñas, de un kilómetro o menos".
Para mejorar la resolución de estos modelos climáticos aproximados, los científicos normalmente han intentado arreglar las ecuaciones dinámicas subyacentes de un modelo, que describen cómo deberían interactuar físicamente los fenómenos en la atmósfera y los océanos.
"La gente ha intentado analizar los códigos de los modelos climáticos que se han desarrollado durante los últimos 20 o 30 años, lo cual es una pesadilla porque se puede perder mucha estabilidad en la simulación", explica Sapsis. "Lo que estamos haciendo es un enfoque completamente diferente, en el sentido de que no intentamos corregir las ecuaciones sino corregir el resultado del modelo".
El nuevo enfoque del equipo toma el resultado de un modelo, o simulación, y lo superpone con un algoritmo que empuja la simulación hacia algo que represente más fielmente las condiciones del mundo real.
El algoritmo se basa en un esquema de aprendizaje automático que toma datos, como información anterior sobre temperatura y humedad en todo el mundo, y aprende asociaciones dentro de los datos que representan dinámicas fundamentales entre las características climáticas. Luego, el algoritmo utiliza estas asociaciones aprendidas para corregir las predicciones de un modelo.
"Lo que estamos haciendo es tratar de corregir la dinámica, es decir, cómo se verá una característica climática extrema, como la velocidad del viento durante un evento del huracán Sandy, en el modelo aproximado versus en la realidad", dice Sapsis.
"El método aprende dinámicas, y las dinámicas son universales. Tener la dinámica correcta eventualmente conduce a estadísticas correctas, por ejemplo, la frecuencia de eventos extremos raros."
Como primera prueba de su nuevo enfoque, el equipo utilizó el esquema de aprendizaje automático para corregir simulaciones producidas por el Modelo de Sistema Terrestre de Exaescala de Energía (E3SM), un modelo climático administrado por el Departamento de Energía de EE. UU. que simula patrones climáticos en todo el mundo a una resolución de 110 kilómetros.
Los investigadores utilizaron ocho años de datos anteriores sobre temperatura, humedad y velocidad del viento para entrenar su nuevo algoritmo, que aprendió asociaciones dinámicas entre las características meteorológicas medidas y el modelo E3SM. Luego ejecutaron el modelo climático en el tiempo durante aproximadamente 36 años y aplicaron el algoritmo entrenado a las simulaciones del modelo.
Descubrieron que la versión corregida producía patrones climáticos que coincidían más estrechamente con las observaciones del mundo real de los últimos 36 años, y que no se utilizaron para entrenamiento.
"No estamos hablando de grandes diferencias en términos absolutos", afirma Sapsis. "Un evento extremo en la simulación sin corregir podría ser 105 grados Fahrenheit versus 115 grados con nuestras correcciones. Pero para los humanos que experimentan esto, esa es una gran diferencia".
Cuando el equipo emparejó el modelo aproximado corregido con un modelo específico de ciclones tropicales de mayor resolución, descubrieron que el enfoque reproducía con precisión la frecuencia de tormentas extremas en lugares específicos alrededor del mundo.
"Ahora tenemos un modelo aproximado que puede darnos la frecuencia correcta de eventos para el clima actual. Ha mejorado mucho más", dice Sapsis. "Una vez que corrijamos la dinámica, esta será una corrección relevante, incluso cuando tenga una temperatura global promedio diferente, y puede usarse para comprender cómo se verán los incendios forestales, las inundaciones y las olas de calor en un clima futuro. Nuestro trabajo en curso se centra en analizar escenarios climáticos futuros."
"Los resultados son particularmente impresionantes ya que el método muestra resultados prometedores en E3SM, un modelo climático de última generación", dice Pedram Hassanzadeh, profesor asociado que dirige el grupo de Teoría y Datos de Extremos Climáticos de la Universidad de Chicago y fue no involucrado con el estudio. "Sería interesante ver qué proyecciones de cambio climático arroja este marco una vez que se incorporen futuros escenarios de emisiones de gases de efecto invernadero".
Más información: B. Barthel Sorensen et al, Un marco de aprendizaje automático no intrusivo para desviar simulaciones climáticas de resolución gruesa a largo plazo y cuantificar estadísticas de eventos raros, Revista de avances en el modelado de sistemas terrestres (2024). DOI:10.1029/2023MS004122
Proporcionado por el Instituto de Tecnología de Massachusetts
Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre investigación, innovación y enseñanza del MIT.
