Aprovechar el aprendizaje automático para predecir mejor las olas de calor
Dado que en gran parte de Europa se experimenta un número récord de días de calor extremo, decir que el verano de 2023 ha sido caluroso sería quedarse corto. De hecho, en el sur de España se registraron al menos sesenta días en los que las temperaturas reales oscilaron entre los 38 °C y los 46 °C, y en algunas zonas se superaron los 46 °C en varias ocasiones. Ya que predecir estos fenómenos de calor extremo es muy difícil, a las autoridades les resulta complicado adoptar medidas paliativas para proteger a la población de sus efectos potencialmente mortales. «Los sistemas tradicionales de previsión meteorológica tienen un límite de predictibilidad de unos diez días», afirma Marie Drouard, una investigadora del Instituto de Geociencias en España. «Pero para prepararnos y proteger mejor a la sociedad frente al cambio climático y los fenómenos meteorológicos extremos que conlleva, necesitamos predicciones fiables a más largo plazo». Ayudar a abordar esta necesidad era el objetivo del equipo del proyecto ISSUL, financiado por las Acciones Marie Skłodowska-Curie.
Mejorar el uso de los modelos de previsión subestacionales y estacionales
El proyecto ISSUL se centró en el desarrollo de modelos avanzados de previsión subestacional a estacional (S2S, por sus siglas en inglés). «A medio camino entre la previsión meteorológica y la climática, los modelos S2S son básicamente previsiones meteorológicas ampliadas que nos permiten hacer predicciones más allá de dos semanas pero inferiores a una temporada», explica Drouard, coordinadora del proyecto. En concreto, el equipo del proyecto pretendía mejorar el uso de los S2S para predecir olas de calor en el sur de Europa. Para ello, en el proyecto se utilizó un método bastante novedoso en el campo de la predicción meteorológica extrema: el aprendizaje automático. «Nuestro modelo de previsión S2S se basa tanto en un algoritmo de optimización, cuyo objetivo es seleccionar los predictores óptimos a partir de un conjunto de controladores, como en un algoritmo de regresión para predecir la aparición de olas de calor», añade Drouard.
Predecir con éxito las temperaturas medias mensuales regionales
Tras algunos ajustes y pruebas adicionales, los investigadores consiguieron utilizar el modelo de aprendizaje automático para predecir con precisión las temperaturas medias mensuales de la península ibérica con un mes de antelación. Con este logro se confirman estudios recientes sobre la predicción de las olas de calor extremas mediante modelos de aprendizaje automático poco profundos. Con el mismo modelo de previsión, los investigadores también demostraron que es más difícil predecir un objetivo complejo como la intensidad mensual regional de la ola de calor. «Nuestro modelo no fue capaz de predecir con precisión el índice regional de intensidad de la ola de calor», señala Drouard. «Aunque esto podría verse como un resultado negativo, en realidad ilustra que los fenómenos extremos son difíciles de predecir y confirma que hay que seguir trabajando». Dicho esto, los investigadores demostraron que hay conjuntos de predictores óptimos recurrentes, lo que sugiere que existe la oportunidad de mejorar aún más la predictibilidad de las altas temperaturas y los extremos estivales.
Demostrar las ventajas de los modelos de previsión de aprendizaje automático
El equipo del proyecto ISSUL forma parte de un trabajo más amplio de la comunidad científica por mejorar nuestra capacidad de predecir fenómenos meteorológicos extremos a largo plazo. «En el proyecto ISSUL se ha confirmado no sólo que los modelos de previsión basados en el aprendizaje automático pueden generar predicciones fiables de las temperaturas medias regionales mensuales estivales, sino también que dichas predicciones son más fáciles de generar y, por tanto, están listas para ser usadas», concluye Drouard.
Palabras clave
ISSUL, aprendizaje automático, olas de calor, predicción subestacional a estacional, fenómeno meteorológico extremo, predicción meteorológica, cambio climático