El aprendizaje profundo arroja luz sobre eventos de bloqueo atmosférico pasados ​​y futuros

Los eventos de bloqueo atmosférico son patrones climáticos persistentes y de alto impacto que ocurren cuando sistemas de alta presión a gran escala se vuelven estacionarios y cambian la dirección de la corriente en chorro y las trayectorias de las tormentas durante días o semanas, y pueden vincularse a inundaciones u olas de calor sin precedentes, como como los de Europa en 2023

En un estudio reciente publicado en Comunicación Tierra y medio ambienteChristina Karamperidou, científica atmosférica de la Universidad de Hawai'i en Mānoa, utilizó un modelo de aprendizaje profundo para inferir la frecuencia de los eventos de bloqueo en los últimos 1.000 años y arrojar luz sobre cómo el cambio climático futuro puede afectar estos importantes fenómenos.

“Este estudio tuvo como objetivo extraer la señal del clima pálido de los registros paleoclimáticos utilizando un modelo de aprendizaje profundo que infiere las tasas de bloqueo atmosférico en función de la temperatura de la superficie”, dijo Karamperidou. “Este es un estudio único y el primer intento de reconstruir un largo registro de frecuencias de bloqueo en función de su relación con la temperatura de la superficie, que es compleja y desconocida. Los métodos de aprendizaje automático pueden resultar muy eficaces para este tipo de tareas”.

Entrenando un modelo de aprendizaje profundo

Karamperidou desarrolló un modelo de aprendizaje profundo especializado que utilizó datos históricos y grandes conjuntos de simulaciones de modelos climáticos durante el entrenamiento. Luego, el modelo pudo inferir la frecuencia de los eventos de bloqueo basándose en anomalías en las reconstrucciones de temperatura estacional durante el último milenio. Estas reconstrucciones de temperaturas pasadas están relativamente bien limitadas por extensas redes de registros de temperatura de la temporada de crecimiento sensibles a los anillos de los árboles.

“Este enfoque muestra que los modelos de aprendizaje profundo son herramientas poderosas para superar el problema de larga data de extraer un meteoro paleoclimático del paleoclima”, dijo Karamperidou. “Este enfoque también se puede aplicar al período instrumental de la historia del clima que comenzó en el siglo XVIII, cuando se realizaron mediciones meteorológicas de rutina, ya que sólo tenemos datos confiables para identificar el bloqueo a partir de la década de 1940, o quizás solo desde la era de los satélites ( después de 1979).

La frecuencia de futuros eventos de bloqueo.

Todavía no existe un consenso científico sobre cómo el cambio climático cambiará la frecuencia de los eventos de bloqueo. Estos fuertes y persistentes sistemas de alta presión en latitudes medias podrían tener impactos significativos en Hawaii, donde las inundaciones acompañan a los bloques persistentes en el Pacífico Norte, y también en todo el mundo, como en el noroeste del Pacífico y Europa, donde los bloqueos de verano pueden causar calor extremo. ondas.

Por lo tanto, para Hawái es muy importante comprender los cambios en la frecuencia de estos eventos, particularmente en relación con otros grandes impulsores climáticos como El Niño y los patrones a largo plazo de la temperatura de la superficie del mar en el Pacífico tropical. Este estudio permitió a Karamperidou vincular las frecuencias de bloqueo de latitudes medias y altas con la variabilidad climática del Pacífico tropical durante el largo contexto del último milenio, lo cual es esencial para la validación del modelo climático y la reducción de las incertidumbres en las futuras proyecciones climáticas de bloqueo.

Investigación abierta y transparencia

Karamperidou colaboró ​​con dos estudiantes de UH Mānoa para crear un trabajo de interfaz web único que examina un modelo de aprendizaje profundo y las reconstrucciones resultantes. Destacó que compartir resultados y métodos de esta manera es importante para la investigación abierta, las mejores prácticas y la transparencia, especialmente porque la aplicación del aprendizaje automático y la inteligencia artificial está cubriendo rápidamente muchos aspectos de la vida cotidiana.

En el futuro, Karamperidou planea explorar una serie de características y mejoras arquitectónicas del modelo de aprendizaje profundo para expandir sus aplicaciones a fenómenos climáticos y variables directamente relacionadas con grandes impactos socioeconómicos.