Ciencia ciudadana y mejora de la modelización para una mejor comprensión de la dinámica del clima
CLARITY ((Uncovering information in fluctuating CLimate systems: An oppoRtunity for solving climate modeling nodes and assIst local communiTY adaptation measures) se propuso descubrir información sobre las fluctuaciones de datos en los registros climáticos utilizando los dos proveedores más destacados de conjuntos de datos mundiales usados para seguir las anomalías de temperatura. Después, estos datos se utilizaron como base para una estrategia de modelización bayesiana para mejorar la fiabilidad de la modelización. El equipo descubrió que, incluso si los datos proporcionados por estos dos productos provienen de las mismas fuentes (registros de estaciones meteorológicas terrestres mundiales), sus distintas metodologías dibujan imágenes diferentes de la dinámica a largo plazo de las anomalías de temperatura mundial. Por ello, proponen que, en futuras investigaciones, se cotejen dichos análisis estadísticos con los resultados correspondientes obtenidos a partir de observaciones reales. Además, proponen que un análisis significativo tenga en cuenta la metodología en la que se basa la preparación de los datos. Con este fin, el proyecto recopiló registros climáticos contemporáneos, obtenidos de la ciudad de Venecia. Estadística y modelización La mayoría de las caracterizaciones estadísticas básicas son lineales, es decir, localizan transformaciones a lo largo del tiempo de una manera determinista con un punto de datos que conduce inevitablemente a otro. Sin embargo, los sistemas dinámicos, como los patrones climáticos, simplemente no pueden reducirse adecuadamente a este método de análisis. Uno de los mayores retos al tratar de realizar previsiones del cambio climático es acomodar las fluctuaciones y anomalías dentro de tendencias a largo plazo. Basándose en éxitos anteriores con sistemas complejos similares, los dos métodos estadísticos utilizados por CLARITY para intentarlo fueron: el «análisis de fluctuaciones sin tendencia» (DFA, por sus siglas en inglés) y el «análisis de transformaciones de ondículas» (WT, por sus siglas en inglés). Estos métodos se utilizan generalmente para caracterizar la conocida persistencia a largo plazo (PLP), también denominada correlaciones a largo plazo de registros de sistemas complejos. Ambos lo consiguen midiendo las fluctuaciones de los registros en torno a una línea de tendencia determinada, en intervalos de tiempo de distintas longitudes. Estos métodos se aplicaron a las anomalías de temperatura global y otros datos climáticos, como explica el profesor y supervisor del proyecto Angelo Rubino: «Debido a que el DFA y el WT eliminan sistemáticamente las tendencias lineales en los datos, combinados permiten una evaluación de cómo se comportan los sistemas —en este caso los patrones climáticos— durante períodos de tiempo más prolongados, lo que nos permite una imagen más completa». Para reducir la falta de certeza o los errores, los datos se expusieron a la modelización bayesiana, que aplica una fórmula a un conjunto de datos determinado para encontrar un modelo óptimo para representar estos datos. Según aclara el profesor Rubino: «Lo que es único en esta modelización es que incorpora no solo datos, sino también fuentes adicionales, como opiniones de expertos, como una aportación más en su búsqueda para encontrar el mejor modelo de ajuste». Colaboración masiva para que no falte nada Otra parte del trabajo del proyecto fue la recopilación de datos climáticos contemporáneos de la ciudad de Venecia y las ciudades circundantes. Estos esfuerzos centrados en la comunidad incluyeron la medición del índice de radiación ultravioleta (UV) ambiental con sensores estáticos desplegados en las terrazas, patios y techos de escuelas, universidades y hospitales, así como en otros espacios exteriores variados accesibles para los colaboradores del proyecto. Además, la radiación solar ultravioleta A (UVA) y B (UVB) y la exposición personal a la radiación solar UV (pUVR) se midieron continuamente con sensores que llevaban los voluntarios, incluidos los turistas. El análisis DFA y WT de los datos UV aún no se ha realizado, pero el equipo ha aplicado estos métodos a los datos pUVR y está obteniendo una mayor comprensión de los patrones de comportamiento individual bajo el sol, tales como la duración de la exposición general y la duración de los períodos que se pasan al aire libre. De la comprensión a la acción Los resultados científicos de CLARITY ayudan a profundizar nuestra comprensión de las complejas interacciones que impulsan los procesos del cambio climático y que podrían conducir a estrategias de adaptación y mitigación más eficientes, teniendo en cuenta el compromiso europeo con el Acuerdo de París. El uso que hace el proyecto del análisis estadístico del DFA y el WT para entender los datos climáticos es un enfoque que puede reproducirse para otros sistemas o conjuntos de datos climáticos, tanto para producir medidas específicas para la dinámica de los datos, como para usarlas para probar la exactitud de los modelos climáticos. El profesor Rubino también está interesado en señalar las posibilidades para la ciencia ciudadana: «El enfoque orientado a la comunidad de CLARITY ayuda a lograr una ciencia climática relevante a escala social, recopilando datos públicos para un debate más inclusivo sobre la adaptación. Esto podría extenderse a la planificación pública y al diseño de políticas del futuro para involucrar a los usuarios finales en todas las etapas de la evaluación de datos».
Palabras clave
CLARITY, modelización, análisis estadístico, cambio climático, fluctuaciones, adaptación, mitigación, ciencia ciudadana, datos, Venecia, UV
