CAMBIO CLIMÁTICO | Desarrollan un sistema que predice olas de calor con más de un mes de antelación
Las olas de calor son cada vez más frecuentes, más largas y más intensas en casi todo el planeta. Predecirlas con tiempo suficiente ayudaría a afrontarlas con más medios y a aminorar sus efectos, entre los que se cuentan provocar unas 540.000 muertes al año y pérdidas económicas gigantescas. Pero los sistemas de predicción meteorológica existentes no son exactos y cuando más lejos se aventuran en el futuro más imprecisas se vuelven. Ahora, un grupo de científicos ha logrado desarrollar un sistema de aprendizaje automático e inteligencia artificial que predice olas de calor con más de un mes de antelación.
[–>[–>[–>«Una alerta temprana sobre veranos extremadamente calurosos podría ayudar a la sociedad a prepararse para mitigar las pérdidas económicas y reducir el riesgo para la vida», subraya Roman McAdam, autor principal de la investigación que ha permitido aplicar este novedoso sistema, liderada por el ‘Centro Euromediterráneo sobre el Cambio Climático’ (CMCC) y publicada en ‘Communications Earth & Environment’
[–> [–>[–>La capacidad de pronosticar con fiabilidad veranos muy calurosos con meses de antelación abre un abanico de posibilidades para la acción proactiva. Los servicios climáticos de sectores como la agricultura, la salud pública y la gestión energética podrían optimizar sus planes con mayor antelación.
[–>[–>[–>
Amenaza recurrente para Europa
[–>[–>[–>
El sistema ahora desarrollado no solo proporciona pronósticos, también arroja luz sobre los mecanismos físicos que impulsan las olas de calor, ofreciendo una base científica sólida para estudios futuros. El camino que se abre explora la combinación de este nuevo enfoque con los sistemas dinámicos ya existentes, creando sistemas híbridos que aprovechen lo mejor de ambos, así como la adaptación de este marco para predecir otros tipos de eventos climáticos extremos.
[–>[–>[–>Playa de la Malvarrosa (Valencia), concurrida. / EFE / Juan Carlos Cárdenas
[–>[–>[–>
El novedoso sistema de predicción estacional es capaz de anticipar olas de calor en Europa con varias semanas e incluso meses de antelación. Este avance, basado íntegramente en técnicas de aprendizaje automático, no solo iguala la precisión de los sistemas de pronóstico dinámicos más avanzados, sino que en ciertas regiones los supera.
[–>[–>[–>
Las olas de calor tienen devastadoras consecuencias en forma de pérdidas agrícolas, picos de consumo energético, crisis sanitarias y aumento de la mortalidad, y se han convertido en una amenaza recurrente para Europa. Eventos como los de 2003, 2010 y 2022 han puesto de relieve la urgente necesidad de sistemas de alerta temprana eficaces.
[–>[–>
[–>Factores clave
[–>[–>[–>
Las proyecciones climáticas apuntan a una intensificación aún mayor de estos episodios en las próximas décadas. La predicción estacional, que busca anticipar las condiciones climáticas con varios meses de antelación, emerge así como una herramienta vital para salvar vidas y reducir impactos.
[–>[–>[–>
Frente a este desafío, esta nueva investigación propone un enfoque radicalmente distinto y más eficiente: un sistema puramente basado en datos que emplea un marco de selección de características mediante optimización. Este sistema es capaz de analizar alrededor de 2.000 predictores potenciales –variables atmosféricas, oceánicas y terrestres– para identificar la combinación óptima de variables, regiones y periodos de antelación que mejor predicen la probabilidad de olas de calor en cada punto de Europa.
[–>[–>[–>
Un reno descansa a la sombra durante la ola de calor del pasado mes de agosto en Tärnaby, Suecia. / Amanda Nilsson.
[–>[–>[–>
La innovación no reside solo en la predicción en sí, sino en la capacidad del algoritmo para detectar automáticamente los factores clave sin depender exclusivamente del conocimiento científico preexistente. «La inteligencia artificial se convertirá en una parte fundamental de cómo estudiamos la variabilidad climática», destaca McAdam, autor principal del estudio.
[–>[–>[–>
Un ‘mundo modelado’
[–>[–>[–>
«Este estudio ha demostrado la utilidad del aprendizaje automático en la predicción de eventos extremos, pero es solo un primer paso para definir cómo lo hacemos para obtener resultados interpretables y físicamente significativos», añade el investigador.
[–>[–>[–>
Uno de los aspectos más ingeniosos de la metodología fue el entrenamiento del sistema. Dado que los registros observacionales modernos son insuficientes para alimentar estos modelos, los investigadores utilizaron una simulación paleoclimática que abarca desde el año 0 hasta 1850, lo que proporcionó un volumen de datos sin precedentes sobre el comportamiento del clima en condiciones estables.
[–>[–>[–>
A pesar de este entrenamiento en un ‘mundo modelado’, el sistema demostró una transferencia de conocimiento exitosa al aplicarlo al periodo 1993-2016, utilizando datos de reanálisis de ERA5 para predecir olas de calor reales. «Todavía no hay suficientes datos del mundo real para entrenar el pronóstico de manera adecuada, por lo que los modelos de inteligencia artificial aprendieron sobre los factores que impulsan las olas de calor en un mundo modelado, pero aplicaron con éxito el entrenamiento al mundo real», explica McAdam.
[–>[–>[–>
Resultados contundentes
[–>[–>[–>
Los resultados son contundentes: el sistema de aprendizaje automático muestra una habilidad predictiva que rivaliza con la del conjunto multimodelo de última generación del Servicio de Cambio Climático de Copernicus (C3S). Además, mejora notablemente el rendimiento en zonas como Escandinavia y el norte de Europa central.
[–>[–>[–>
Las olas de calor serán más frecuentes, más largas y más intensas. / Pixabay
[–>[–>[–>
El análisis identificó que los predictores más críticos a nivel local son la humedad del suelo, la temperatura y los patrones de circulación atmosférica sobre Europa. No obstante, también se detectaron influencias de precursores remotos, como la temperatura de la superficie del mar en el Pacífico ecuatorial, vinculada a El Niño, y la radiación de onda larga saliente sobre el Atlántico tropical.
[–>[–>[–>
La eficiencia es otro pilar fundamental de este avance. Mientras que los sistemas dinámicos convencionales consumen enormes recursos de supercomputación, este enfoque lo reduce drásticamente. «Nuestra investigación ha extendido con éxito la predicción basada en aprendizaje automático y datos a la escala temporal estacional utilizando una pequeña fracción de los recursos computacionales de los enfoques tradicionales», concluye McAdam.
[–>[–>[–>
Puedes consultar la fuente de este artículo aquí