Blog

Sep 17, 2023

Nuevo método predice eventos extremos con mayor precisión

NUEVA YORK, NY — Con el aumento de los fenómenos meteorológicos extremos, que son cada vez más

NUEVA YORK, NY — Con el aumento de los fenómenos meteorológicos extremos, que son cada vez más frecuentes en nuestro clima cada vez más cálido, las predicciones precisas son cada vez más importantes para todos nosotros, desde los agricultores hasta los habitantes de las ciudades y las empresas de todo el mundo. Hasta la fecha, los modelos climáticos no han logrado predecir con precisión la intensidad de las precipitaciones, en particular las extremas. Mientras que en la naturaleza, la precipitación puede variar, con muchos extremos de precipitación, los modelos climáticos predicen una variación menor en la precipitación con un sesgo hacia la lluvia ligera.

Los investigadores han estado trabajando para desarrollar algoritmos que mejorarán la precisión de la predicción pero, como informan los científicos del clima de Columbia Engineering, ha faltado una pieza de información en las parametrizaciones del modelo climático tradicional: una forma de describir la estructura y la organización de las nubes que es a una escala tan fina que no se captura en la grilla computacional que se está utilizando. Estas medidas de organización afectan las predicciones tanto de la intensidad de la precipitación como de su estocasticidad, la variabilidad de las fluctuaciones aleatorias en la intensidad de la precipitación. Hasta ahora, no ha habido una forma eficaz y precisa de medir la estructura de las nubes y cuantificar su impacto.

Un nuevo estudio de un equipo dirigido por Pierre Gentine, director del Centro Learning the Earth with Artificial Intelligence and Physics (LEAP), utilizó simulaciones globales de resolución de tormentas y aprendizaje automático para crear un algoritmo que puede tratar por separado dos escalas diferentes de nubes. organización: las resueltas por un modelo climático, y las que no se pueden resolver por ser demasiado pequeñas. Este nuevo enfoque aborda la información que falta en las parametrizaciones de modelos climáticos tradicionales y proporciona una forma de predecir la intensidad y la variabilidad de las precipitaciones con mayor precisión.

"Nuestros hallazgos son especialmente emocionantes porque, durante muchos años, la comunidad científica ha debatido si incluir la organización de las nubes en los modelos climáticos", dijo Gentine, Maurice Ewing y J. Lamar Worzel, profesor de Geofísica en los Departamentos de Ingeniería Ambiental y de la Tierra y de la Tierra. Ciencias Ambientales y miembro del Data Science Institute. "Nuestro trabajo proporciona una respuesta al debate y una solución novedosa para incluir la organización, lo que demuestra que incluir esta información puede mejorar significativamente nuestra predicción de la intensidad y la variabilidad de las precipitaciones".

Sarah Shamekh, una estudiante de doctorado que trabaja con Gentine, desarrolló un algoritmo de red neuronal que aprende la información relevante sobre el papel de la organización de nubes a escala fina (escalas no resueltas) en la precipitación. Debido a que Shamekh no definió una métrica o fórmula por adelantado, el modelo aprende implícitamente, por sí solo, cómo medir la agrupación de nubes, una métrica de organización, y luego usa esta métrica para mejorar la predicción de la precipitación. Shamekh entrenó el algoritmo en un campo de humedad de alta resolución, codificando el grado de organización a pequeña escala.

"Descubrimos que la métrica de nuestra organización explica la variabilidad de la precipitación casi por completo y podría reemplazar una parametrización estocástica en los modelos climáticos", dijo Shamekh, autor principal del estudio, publicado por PNAS. "Incluir esta información mejoró significativamente la predicción de precipitaciones a la escala relevante para los modelos climáticos, prediciendo con precisión los extremos de precipitación y la variabilidad espacial".

Los investigadores ahora están utilizando su enfoque de aprendizaje automático, que aprende implícitamente la métrica de organización de la nube de subcuadrícula, en modelos climáticos. Esto debería mejorar significativamente la predicción de la intensidad y la variabilidad de las precipitaciones, incluidos los eventos de precipitaciones extremas, y permitir a los científicos proyectar mejor los cambios futuros en el ciclo del agua y los patrones climáticos extremos en un clima más cálido.

Esta investigación también abre nuevas vías de investigación, como explorar la posibilidad de que la precipitación cree memoria, donde la atmósfera retiene información sobre las condiciones climáticas recientes, lo que a su vez influye en las condiciones atmosféricas posteriores, en el sistema climático. Este nuevo enfoque podría tener una amplia gama de aplicaciones más allá del modelado de precipitaciones, incluido un mejor modelado de la capa de hielo y la superficie del océano.

- Este comunicado de prensa se publicó originalmente en el sitio web de la Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia