Algoritmo derivado del MIT ayuda a predecir la frecuencia de fenómenos meteorológicos extremos | Noticias del MIT

Para evaluar el riesgo de fenómenos meteorológicos extremos en una comunidad, los formuladores de políticas se basan primero en modelos climáticos globales, que pueden ejecutarse con décadas o incluso siglos de anticipación, pero solo con una resolución aproximada. Por ejemplo, estos modelos podrían usarse para estimar las condiciones climáticas futuras en el noreste de Estados Unidos, pero no específicamente para Boston.

Para estimar el riesgo futuro de eventos climáticos extremos como inundaciones en Boston, los formuladores de políticas pueden combinar las predicciones a gran escala de un modelo de grano grueso con un modelo de resolución más fina ajustado para estimar con qué frecuencia es probable que Boston experimente tales eventos a medida que el clima se calienta. Vendrán inundaciones dañinas. Sin embargo, este análisis de riesgos es tan preciso como las predicciones de este primer modelo climático más burdo.

«Si se obtiene información errónea para entornos a gran escala, se pierde todo lo que significa 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 del Departamento de Ingeniería Mecánica del MIT.

Sapsis y sus colegas han desarrollado ahora un método para «corregir» las predicciones de modelos climáticos aproximados. Al combinar el aprendizaje automático con la teoría de sistemas dinámicos, el enfoque del equipo «transforma» las simulaciones de un modelo climático en patrones más realistas a gran escala. Combinado con modelos más pequeños para predecir eventos climáticos específicos, como ciclones tropicales o inundaciones, el enfoque del equipo proporcionó predicciones más precisas de la frecuencia con la que ciertos lugares se verán afectados por estos eventos durante las próximas décadas, en comparación con los pronósticos sin el esquema de corrección.

Según Sapsis, el nuevo esquema de corrección es 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 fenómenos meteorológicos extremos a medida que aumenten las temperaturas globales en los próximos años.

«El cambio climático afectará a todos los aspectos de la vida humana y a todo tipo de vida en el planeta, desde la biodiversidad hasta la seguridad alimentaria y la economía», afirma Sapsis. “Si somos capaces de saber exactamente cómo cambiarán las condiciones climáticas extremas, particularmente en lugares específicos, esto puede marcar una gran diferencia en términos de preparación y la tecnología adecuada para desarrollar soluciones. Este es el método que puede allanar el camino hasta allí”.

Los resultados del equipo aparecen hoy en el Revista de avances en el modelado de sistemas terrestres. Los coautores del estudio del MIT incluyen a los postdoctorados Benedikt Barthel Sorensen y Alexis-Tzianni. Charalampoulos SM '19, PhD '23, con Shixuan Zhang, Bryce Harrop y Ruby Leung del Laboratorio Nacional del Noroeste del Pacífico en el estado de Washington.

sobre el capó

Los modelos climáticos a gran escala actuales simulan características meteorológicas como la temperatura media, la humedad y las precipitaciones en todo el mundo, cuadrícula por cuadrícula. Ejecutar simulaciones de estos modelos requiere una enorme potencia informática, y para simular cómo las características climáticas interactúan y evolucionan durante períodos de décadas o más, los modelos promedian las características aproximadamente cada 100 kilómetros.

“Es un cálculo muy exigente que requiere supercomputadoras”, señala Sapsis. “Pero estos modelos todavía no resuelven procesos muy importantes como las nubes o las tormentas que ocurren a escalas más pequeñas, de un kilómetro o menos”.

Para mejorar la resolución de estos modelos climáticos aproximados, los científicos normalmente han intentado corregir 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 códigos de modelos climáticos desarrollados 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 hacemos 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 o la simulación de un modelo y lo superpone con un algoritmo que impulsa la simulación hacia algo que refleja mejor las condiciones del mundo real. El algoritmo se basa en un esquema de aprendizaje automático que toma datos, como información histórica sobre temperatura y humedad en todo el mundo, y aprende relaciones 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.

«Estamos tratando de corregir la dinámica, como por ejemplo cómo se verá una característica climática extrema, como la velocidad del viento durante un evento del huracán Sandy, en el modelo aproximado en comparación con la realidad», dice Sapsis. “El método aprende dinámica y la dinámica es universal. La dinámica correcta conduce en última instancia a estadísticas correctas, por ejemplo, la frecuencia de eventos extremos raros”.

Corrección climática

Como primera prueba de su nuevo enfoque, el equipo utilizó el esquema de aprendizaje automático para corregir simulaciones creadas por el Modelo de Sistema Terrestre de Exaescala de Energía (E3SM), un modelo climático del Departamento de Energía de EE. UU. que simula patrones climáticos en todo el mundo con una resolución de 110 kilómetros. Los investigadores utilizaron ocho años de datos históricos sobre temperatura, humedad y velocidad del viento para entrenar su nuevo algoritmo, que aprendió relaciones dinámicas entre las características meteorológicas medidas y el modelo E3SM. Luego ejecutaron el modelo climático durante unos 36 años y aplicaron el algoritmo entrenado a las simulaciones del modelo. Descubrieron que la versión corregida producía patrones climáticos que eran más consistentes con observaciones reales de los últimos 36 años que no se utilizaron para el entrenamiento.

«No estamos hablando de grandes diferencias en números absolutos», afirma Sapsis. “Un evento extremo en la simulación no corregida podría ser 105 grados Fahrenheit, frente a 115 grados con nuestras correcciones. Pero para las personas que experimentan esto, supone una gran diferencia”.

Cuando el equipo combinó 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 del mundo.

“Ahora tenemos un modelo aproximado que puede brindarle la frecuencia correcta de eventos para el clima actual. «Ha mejorado mucho», dice Sapsis. «Una vez que corrijamos la dinámica, esta será una corrección relevante incluso si la temperatura promedio global es diferente, y puede usarse para comprender cómo serán los incendios forestales, las inundaciones y las olas de calor en un clima futuro». radica en el análisis de escenarios climáticos futuros”.

«Los resultados son particularmente impresionantes porque el método muestra resultados prometedores para 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 forma parte del estudio involucrado. «Sería interesante ver qué proyecciones de cambio climático proporciona este marco cuando se incluyan escenarios futuros de emisiones de gases de efecto invernadero».

Este trabajo fue apoyado en parte por la Agencia de Proyectos de Investigación Avanzada de Defensa de EE. UU.