Inteligencia Artificial permitirá predecir fenómenos climáticos hasta con 18 meses de anticipación

La Universidad de Hawai desarrolla una herramienta que prevería eventos como ‘El Niño’.

Una nueva herramienta desarrollada en la Universidad de Hawai permitirá pronosticar los eventos climáticos de El Niño-Oscilación del Sur (ENSO) con hasta 18 meses de anticipación.

Los hallazgos, que combinan conocimientos sobre la física del océano y la atmósfera con precisión predictiva, se publicaron en Nature.

El Niño-Oscilación del Sur es un patrón climático que consiste en la oscilación de los parámetros meteorológicos del Pacífico ecuatorial cada cierto número de años. Es una de las fuentes más importantes de variabilidad climática anual en todo el mundo.

“Hemos desarrollado un nuevo modelo conceptual, el llamado modelo de oscilador de recarga no lineal extendido (XRO), que mejora significativamente la capacidad de predicción de eventos ENSO con más de un año de anticipación, mejor que  los modelos climáticos globales y comparable a los pronósticos de inteligencia artificial [IA] más hábiles” , dijo en un comunicado Sen Zhao, autor principal del estudio e investigador asistente en el Departamento de Ciencias Atmosféricas de SOEST (Escuela de Ciencias y Tecnología Oceánicas y Terrestre).

“Nuestro modelo incorpora de manera efectiva la física fundamental de ENSO y las interacciones de ENSO con otros patrones climáticos en los océanos globales que varían de una estación a otra”.

Los científicos han estado trabajando durante décadas para mejorar las predicciones de ENSO dados sus impactos ambientales y socioeconómicos globales. Los modelos de pronóstico operativo tradicionales han tenido dificultades para predecir con éxito ENSO con plazos de entrega superiores a un año.

Baja confianza en modelos con inteligencia artificial

Los avances recientes en IA han ampliado estos límites al lograr predicciones precisas con hasta 16 a 18 meses de anticipación. Sin embargo, la naturaleza de “caja negra” de los modelos de IA ha impedido la atribución de esta precisión a procesos físicos específicos. No poder explicar la fuente de la previsibilidad en los modelos de IA da como resultado una baja confianza en que estas predicciones sean exitosas para eventos futuros a medida que la Tierra continúa calentándose.

“A diferencia de la naturaleza de ‘caja negra’ de los modelos de IA, nuestro modelo XRO ofrece una visión transparente de los mecanismos del Pacífico ecuatorial y sus interacciones con otros patrones climáticos fuera del Pacífico tropical”, dijo Fei-Fei Jin, autor correspondiente y profesor de ciencias atmosféricas en SOEST. “Por primera vez, podemos cuantificar de manera sólida su impacto en la predictibilidad del ENSO, profundizando así nuestro conocimiento de la física del ENSO y sus fuentes de predictibilidad”.

“Nuestros hallazgos también identifican deficiencias en la última generación de modelos climáticos que conducen a su fracaso en predecir el ENSO con precisión” , dijo Malte Stuecker, profesor adjunto de oceanografía en SOEST y coautor del estudio. “Para mejorar las predicciones del ENSO, los modelos climáticos deben capturar correctamente la física clave del ENSO y, además, varios aspectos compuestos de otros patrones climáticos en los océanos globales”.

“Diferentes fuentes de predictibilidad conducen a distintas evoluciones de eventos del ENSO”, dijo Philip Thompson, profesor asociado de oceanografía en SOEST y coautor del estudio. “Ahora podemos proporcionar predicciones hábiles y de largo plazo de esta ‘diversidad del ENSO’ , lo cual es fundamental ya que diferentes tipos de ENSO tienen impactos muy diferentes en el clima global y las comunidades individuales”.