La inteligencia artificial, IA, descubre extremos climáticos históricos no detectados anteriormente

Hay más de 30.000 estaciones meteorológicas en el mundo que miden la temperatura, las precipitaciones y otros indicadores a menudo a diario. Se trata de una enorme cantidad de datos que los investigadores del tiempo y el clima deben recopilar y analizar para producir las temperaturas mensuales y anuales globales y regionales (especialmente) que aparecen en las noticias.

Ahora, los investigadores han aplicado inteligencia artificial (IA) a estos conjuntos de datos para analizar los extremos de temperatura en Europa, y han encontrado una excelente concordancia en comparación con los resultados existentes obtenidos con métodos tradicionales, y también han descubierto extremos climáticos que no se conocían anteriormente. Su trabajo ha sido publicado en Nature Communications.

Dado que el clima mundial está cambiando rápidamente, es importante saber cómo cambian los extremos de temperatura y precipitaciones, para que los planificadores puedan adaptarse a los extremos aquí y ahora y a lo que viene.

En algunas regiones llueve más fuerte, ahora "muy por encima del clima histórico", según un artículo de 2021 en Nature. Los extremos de calor también han aumentado: más del 30% de la superficie terrestre mundial registra ahora temperaturas mensuales superiores al nivel estadístico de dos sigma en un año determinado, frente a aproximadamente el 1% en 1950.

Un problema importante en el análisis de los promedios históricos de temperatura es la falta de datos de algunas estaciones meteorológicas, especialmente en la primera mitad del siglo pasado.

Una estación meteorológica operada puede pasar años sin ser monitoreada si se daña, si su encargado se mudó o murió, si dejó de funcionar y no fue reemplazada de inmediato, o tal vez nunca fue reemplazada. Las nuevas tecnologías de las estaciones deben correlacionarse con los instrumentos anteriores, y grandes áreas en África y los polos ofrecen poca información, si es que ofrecen alguna.

Los investigadores del clima han dedicado mucho tiempo a intentar solucionar estas lagunas. Un área de investigación conocida como homogeneización de datos y las diferentes opciones de metodologías de homogeneización explican en gran medida las ligeras diferencias observadas en los resultados de los distintos grupos que publican promedios y tendencias de temperatura global.

Un equipo dirigido por Étienne Plésiat del Centro Alemán de Computación Climática en Hamburgo, que incluye colegas del Reino Unido y España, vio las temperaturas extremas como un área propicia para la aplicación de las técnicas de redes neuronales de IA.

Se centraron en Europa, que cuenta con una cantidad especialmente densa de estaciones meteorológicas que se remontan a épocas más antiguas que las de cualquier otro lugar del mundo (por ejemplo, los datos mensuales de temperatura de Hadley Central England comienzan en 1659, el registro más antiguo del mundo). Utilizando inteligencia artificial, el grupo reconstruyó observaciones de fenómenos climáticos extremos en Europa: días extremadamente cálidos y fríos, y noches extremadamente cálidas y frías.

Aplicando la IA a datos meteorológicos observados

Debido a la alta densidad de estaciones de temperatura europeas, los métodos estadísticos tradicionales como Kriging, Ponderación de Distancia Inversa y Ponderación de Distancia Angular funcionan bien para predecir valores de temperatura para cualquier ubicación que carezca de un termómetro pero tenga estaciones vecinas cercanas, pero funcionan mal cuando los datos cercanos son escasos.

Todos son métodos para utilizar valores medidos junto con la distancia desde el punto de interés hasta una estación meteorológica vecina para predecir la temperatura en la ubicación de interés, la principal diferencia es cómo se ponderan las distancias (o ángulos) en el cálculo.

Los modelos de IA utilizados por Plésiat y sus colegas fueron entrenados y comparados con simulaciones históricas con modelos del sistema terrestre del archivo CMIP6 (Proyecto de intercomparación de modelos acoplados, una colaboración global de modelos climáticos que acoplan la atmósfera y los océanos para calcular el clima pasado, el clima actual y el clima futuro).

Los resultados de su IA se evalúan mediante comparación con dichas simulaciones de reanálisis, utilizando métodos aceptados como el error cuadrático medio, el coeficiente de correlación de orden de rango de Spearman, que indica la cantidad de asociación entre una variable independiente y una variable dependiente (generaliza el conocido coeficiente R de Pearson pero incluye dependencias no lineales), y más.

Los investigadores descubrieron que su técnica de aprendizaje profundo, a la que llaman CRAI (Climate Reconstruction AI), superó varios métodos de interpolación como los descritos anteriormente para calcular los días cálidos (el porcentaje de días en que la temperatura máxima diaria fue mayor que el percentil 90), los días fríos (el porcentaje de días en que la temperatura máxima diaria fue menor que el percentil 10) y, de manera similar, para las noches cálidas y las noches frías.

Luego lo aplicaron a la reconstrucción de todos los campos del conjunto de datos HadEX3 en el dominio europeo; HadEX3 consta de más de 80 índices de temperatura y precipitación extremas en una superficie terrestre cuadriculada desde 1901 hasta 2018.

En este caso, su técnica también demostró su capacidad para reconstruir fenómenos extremos pasados y revelar tendencias espaciales en intervalos de tiempo no cubiertos por los denominados "conjuntos de datos de reanálisis" (el reanálisis climático llena los vacíos en las bases de datos observacionales utilizando un modelo climático junto con las observaciones disponibles).

Además, su CRAI reveló extremos europeos previamente desconocidos, por ejemplo, olas de frío como la de 1929 y olas de calor, incluida la de 1911. Debido a la escasez de datos, tales extremos sólo se insinuaron de manera anecdótica.

"De hecho, encontramos que nuestra reconstrucción basada en IA muestra una mayor precisión que los métodos estadísticos tradicionales, particularmente en regiones con escasez pronunciada de datos", y agregó que el entrenamiento de estos modelos CRAI debería mejorar la precisión cuando se explotan grandes cantidades de información.

"Este trabajo subraya el potencial transformador de la IA para mejorar nuestra comprensión de los fenómenos climáticos extremos y sus cambios a largo plazo".

Referencia

Étienne Plésiat et al, Artificial intelligence reveals past climate extremes by reconstructing historical records, Nature Communications (2024). DOI: 10.1038/s41467-024-53464-2