Dual-Scale Temporal Fusion Reveals Structured Predictability in Subseasonal-to-Seasonal Temperature Prediction

Resumen Técnico: Fusión Temporal de Doble Escala para la Predicción de Temperatura Subestacional a Estacional

Planteamiento del Problema
La predicción de temperaturas subestacionales a estacionales (S2S) (30–90 días) representa una brecha crítica entre la predicción meteorológica de rango medio y las perspectivas estacionales. Aunque es esencial para la agricultura, la planificación energética y la gestión de riesgos, la fiabilidad de los pronósticos en esta ventana es limitada. La comprensión actual suele atribuir la degradación de la habilidad principalmente al tiempo de anticipación del pronóstico (un decaimiento monótono), lo cual no logra explicar completamente los complejos patrones espaciotemporales de la predictibilidad. El desafío radica en conectar el rápido decaimiento de las señales de las condiciones iniciales con la lenta emergencia de las señales forzadas por los límites, todo ello teniendo en cuenta la heterogeneidad estacional y regional.

Metodología
Los autores proponen un Marco de Fusión Temporal de Doble Escala diseñado para separar y recombinar explícitamente componentes temporales distintos de los datos climáticos. La arquitectura (Fig. 1) consta de los siguientes módulos clave:

1. Generadores Duales (Descomposición Temporal):

   • Contexto Interanual: Una rama que procesa datos climáticos históricos alineados con el calendario (mismo día del año en años anteriores) para capturar patrones a largo plazo y de baja frecuencia.
   • Dinámicas Recientes: Una rama que procesa estados meteorológicos recientes coincidentes con el tiempo de anticipación para capturar la evolución a corto plazo.
   • Estas ramas se implementan como redes paralelas de codificador-descodificador estilo U-Net con conexiones residuales.

2. Fusión Temporal Adaptativa Espacialmente:

   • En lugar de ponderaciones fijas, el modelo predice un mapa de pesos de fusión resuelto espacialmente ($\lambda$).
   • Este mapa de $\lambda$ modula dinámicamente la contribución del contexto interanual frente a las dinámicas recientes en cada punto de la cuadrícula.
   • La fusión se condiciona a los campos de entrada, pero no toma el tiempo de anticipación ($\tau$) como una entrada directa explícita, lo que permite que el modelo aprenda cómo cambian las ponderaciones temporales basándose en regímenes estacionales y dificultades geográficas, en lugar de solo en la longitud del horizonte.

3. Refinamiento Condicionado al Tiempo de Anticipación:

   • Una red de refinamiento residual procesa la salida fusionada.
   • El tiempo de anticipación normalizado ($\tau$) se codifica como un mapa de condición inyectado en capas intermedias, permitiendo que la red ajuste las correcciones basándose en el horizonte de pronóstico sin alterar el mecanismo de fusión principal.

4. Restricciones Estructurales Conscientes de la Topología:

   • Para abordar artefactos espaciales y mejorar la coherencia, el modelo incorpora descriptores topológicos (tipos de puntos críticos, magnitudes escalares, contornos de nivel de silla) como canales de entrada auxiliares.
   • Se aplica una función de pérdida de consistencia durante el entrenamiento para preservar la organización espacial a gran escala, particularmente sobre terrenos complejos.

5. Entrenamiento y Datos:

   • Datos: Temperatura media diaria del aire a 2 metros de la reanálisis ERA5 sobre los Estados Unidos Continentales (CONUS) desde 2010 hasta 2024 (2010–2019 para entrenamiento, 2020–2024 para prueba).
   • Objetivo: Una función de pérdida compuesta que combina la reconstrucción a nivel de píxel, la similitud estructural, la consistencia adversaria y la regularización topológica (activada después de un período de calentamiento).

Resultados Clave

• Eficacia de Doble Escala: El modelo de fusión de doble escala supera consistentemente a las variantes de escala única (que dependen únicamente de la historia o de las dinámicas recientes) en términos de RMSE y correlación espacial a lo largo de la ventana de 30–90 días (Fig. 2B).
• Dominio Estacional vs. Tiempo de Anticipación: Los errores de pronóstico exhiben una organización estacional pronunciada. Los errores en invierno (DJF) son significativamente mayores y más heterogéneos espacialmente que los errores en verano (JJA). El contraste estacional en la magnitud del error supera la variación causada por el tiempo de anticipación dentro de la misma estación (Fig. 3).
• Pesos de Fusión Adaptativos ($\lambda$):
  • Invierno: El modelo aprende a asignar pesos más altos al contexto interanual ($\lambda \to 1$) en regiones de latitud alta y terreno complejo donde la predictibilidad es más baja.
  • Verano: Los pesos son más equilibrados ($\lambda \approx 0.5$) en todo el dominio.
  • Dependencia del Régimen: En invierno, $\lambda$ aumenta monótonamente con el RMSE local, lo que indica que el modelo depende más del contexto histórico cuando las dinámicas recientes son poco fiables. En verano, $\lambda$ es estable a través de los intervalos de error. Crucialmente, $\lambda$ no varía sistemáticamente con el tiempo de anticipación, lo que sugiere que el régimen estacional y la dificultad local impulsan la estrategia de fusión más que el horizonte de pronóstico en sí mismo (Fig. 4).
• Mejoras Conscientes de la Topología: La incorporación de restricciones topológicas reduce el RMSE y elimina los artefactos alineados con la cuadrícula observados en las líneas base no topológicas. Mejora la coherencia de los patrones a gran escala y los gradientes regionales, particularmente en terrenos complejos (Fig. 5).
• Comparativa: El modelo demuestra un rendimiento comparable al modelo fundacional de IA estocástica externa Swift (hasta 75 días), mientras mantiene un comportamiento de error estable a lo largo de toda la ventana de 30–90 días (Fig. 2C).

Significado y Afirmaciones
El artículo replantea la predictibilidad S2S no como una función simple del tiempo de anticipación decreciente, sino como un fenómeno estructurado y multiescala impulsado por la interacción de componentes temporales, heterogeneidad espacial y coherencia de patrones.

• Predictibilidad Estructurada: Los autores definen la "predictibilidad estructurada" como la representación explícita de la descomposición temporal (interanual vs. reciente), la heterogeneidad espacial (ponderación dependiente de la región) y la coherencia geométrica (restricciones topológicas).
• Interpretabilidad: Los pesos de fusión aprendidos ($\lambda$) proporcionan un indicador interpretable de cuándo y dónde el contexto climático interanual ofrece un beneficio estabilizador sobre la evolución meteorológica reciente. Esto revela que el modelo se adapta a desafíos físicos (por ejemplo, inestabilidad baroclínica en invierno) desplazando la dependencia hacia líneas base históricas.
• Utilidad Práctica: El marco ofrece un mecanismo para estabilizar los pronósticos en regímenes difíciles (invierno, terreno complejo) sin sacrificar el rendimiento en regímenes más predecibles. Al ir más allá del modelado uniforme basado en el horizonte, el enfoque proporciona una base para sistemas de pronóstico S2S más interpretables y robustos.

Los autores señalan limitaciones, incluida la falta de cuantificación explícita de las conexiones con modos climáticos específicos (por ejemplo, MJO), la escasez de puntos de referencia públicos para toda la ventana de 30–90 días y el enfoque actual en una sola variable (temperatura) y dominio regional. Sugieren que el trabajo futuro podría extender esto a la modelización del sistema terrestre multivariable y a conexiones explícitas con patrones de teleconexión.