Mejora de las predicciones de precipitaciones en el Mediterráneo
Durante el siglo XX, el Mediterráneo experimentó un calentamiento significativo que los investigadores han atribuido al cambio climático antropogénico. Los impactos recientes han sido olas de calor y sequías que han provocado pérdidas de cosechas, incendios forestales y escasez de agua, que causan pérdidas económicas sustanciales. Los modelos climáticos preven un mayor calentamiento y sequedad de la región. Una mejor previsión a corto plazo de los fenómenos meteorológicos en el Mediterráneo permitiría que las autoridades se preparasen para tales fenómenos a fin de mitigar sus efectos en la salud, la energía y la agricultura. Marlene Kretschmer, coordinadora del proyecto e investigadora de las Acciones Marie Skłodowska-Curie del proyecto CausalBoost, financiado con fondos europeos, explica: «El problema es que las predicciones dentro de las escalas de tiempo S2S, aproximadamente de diez días hasta una estación por delante, cae en la denominada ‟brecha de predicción de condiciones climáticas”, en la que los modelos de predicción tienen dificultades». CausalBoost combinó «herramientas de causalidad» con modelos de pronóstico operativo para: identificar las fuentes de predictibilidad del tiempo invernal del Mediterráneo; comprender cómo interactúan estos factores diferentes; y evaluar en qué medida los modelos de predicción capturan bien estos procesos. Los hallazgos del proyecto se han publicado en revistas de acceso libre con revisión por pares y parte del código del «software» se ha publicado en GitHub.
Dilucidar las relaciones causa-efecto
Uno de los principales desafíos a la hora de intentar mejorar las predicciones de las precipitaciones en las escalas de tiempo S2S es la identificación de las fuentes de predictibilidad. Estas se esperan en las condiciones límite del sistema climático que cambian más lentamente, como el hielo marino o las temperaturas de la superficie marina, que pueden afectar a los patrones meteorológicos y climáticos regionales lejanos a través de las interacciones con la atmósfera. Sin embargo, complejidad del sistema climático dificulta la identificación de los diferentes motores, la cuantificación de sus contribuciones y el aislamiento de los factores causales. Evidentemente, la comprensión de las relaciones causa-efecto es un desafío frecuente en la ciencia. Como los experimentos en el mundo real no suelen ser posibles en la ciencia climática, el método alternativo es experimentar con simulaciones de modelos climáticos. Una de las limitaciones es que el resultado depende de lo bien que el modelo climático represente el mundo real. Kretschmer, de la Universidad de Reading, entidad anfitriona del proyecto, destaca: «Nuestra idea clave fue combinar los puntos fuertes de métodos más convencionales basados en la física con métodos estadísticos innovadores de aprendizaje automático, obteniendo así más información a partir de los datos climáticos».
Un algoritmo que dilucida las relaciones causales
Una de las técnicas de aprendizaje automático utilizadas fue un «algoritmo de descubrimiento causal», un método matemático que infiere las relaciones causa-efecto a partir de los datos observacionales. Los usuarios incorporan datos sobre los procesos físicos a lo largo del tiempo y el algoritmo «aprende» cómo se relacionan causalmente dichos procesos. Estos algoritmos son un avance relativamente reciente y ofrecen una herramienta potente para complementar los experimentos de los modelos climáticos. CausalBoost analizó una serie de diferentes conjuntos de datos con el algoritmo de aprendizaje automático, incluidos datos observacionales, datos de los modelos climáticos de predicción subestacionales y estacionales, así como datos de proyecciones de modelos climáticos en diferentes escenarios de emisiones. Todo esto ha mejorado la comprensión de los motores de las precipitaciones en el Mediterráneo. Un ejemplo de ello ha sido el denominado vórtice polar estratosférico, un sistema de fuertes vientos del oeste que se forman en las temporadas frías boreales en la estratosfera del Ártico. Se sabe que las fases fuertes y débiles de este vórtice afectan a las precipitaciones en el Mediterráneo. Kretschmer explica: «Nuestro análisis detallado de su función contribuye a una mejor comprensión de los mecanismos subyacentes, lo que puede servir de base para los modelos climáticos de última generación».
La promesa del posprocesamiento
CausalBoost ayuda a allanar el camino a las predicciones de largo alcance de las precipitaciones en el Mediterráneo, lo que ofrecerá a los responsables políticos de los sectores dependientes del clima información vital que les ayude a planificar con mayor eficiencia. Ahora, Kretschmer pretende combinar las predicciones empíricas basadas en observaciones con las de los modelos dinámicos de predicción basados en la estadística bayesiana. Kretschmer concluye: «Si sabemos que un modelo no captura bien un proceso en particular, entonces podemos ‟corregirlo” mediante el posprocesamiento de las predicciones con técnicas de modelización bayesiana, las cuales deberían conducirnos a predicciones más precisas».
Palabras clave
CausalBoost, cambio climático, precipitaciones, predecir, Mediterráneo, olas de calor, estación, sequía, causal, modelización, predicciones