A mathematical framework for dynamic emergent constraints in climate science

Este artículo establece un marco matemático riguroso para las restricciones emergentes dinámicas en la ciencia climática utilizando la teoría de respuesta lineal, introduciendo las "restricciones emergentes dinámicas integrales" que relacionan las respuestas de diferentes observables ante el mismo forzamiento mediante la convolución y una función de Green de proximidad, y valida este enfoque utilizando simulaciones de calentamiento global del modelo MPI-ESM.

Lo esencial

Imagina el sistema climático de la Tierra como una orquesta gigante y compleja. Cuando un director (como un aumento repentino de dióxido de carbono) agita su batuta, cada instrumento (temperatura, lluvia, corrientes oceánicas) reacciona. Pero los instrumentos no reaccionan todos a la misma velocidad ni de la misma manera. Algunos comienzan a tocar de inmediato, mientras que otros tardan años en encontrar su ritmo.

Durante décadas, los científicos del clima han intentado predecir cómo sonará toda la orquesta en el futuro observando cómo se comportan instrumentos específicos hoy en día. Buscan "restricciones emergentes" (emergent constraints): reglas simples que digan: "Si el Instrumento A cambia en X cantidad, entonces el Instrumento B cambiará en Y cantidad".

Este artículo, escrito por Francesco Ragone y Valerio Lucarini, introduce una forma nueva y más sofisticada de encontrar estas reglas. Argumentan que la vieja forma de buscar conexiones simples e instantáneas suele ser demasiado rígida. En su lugar, proponen un enfoque de "viaje en el tiempo" que tiene en cuenta la historia de los instrumentos.

Aquí hay un desglose de sus hallazgos utilizando analogías cotidianas:

1. La vieja forma vs. La nueva forma

La vieja forma (Instantáneas instantáneas):
Imagina intentar adivinar cómo se sentirá un amigo mañana con solo mirar su rostro ahora mismo. Podrías decir: "Si está sonriendo ahora, estará feliz en una hora". Esto es lo que los científicos solían hacer: buscaban un vínculo directo e instantáneo entre dos cosas (como la temperatura y la lluvia).

La nueva forma (La cinta de película):
Los autores dicen: "Eso no es suficiente". Para saber cómo se sentirá un amigo mañana, necesitas saber qué le pasó durante todo el día. ¿Almorzó bien? ¿Recibió una mala noticia hace una hora?
En términos climáticos, el nuevo método (llamado Restricciones Emergentes Dinámicas Integrales) dice: Para predecir cómo cambiará la lluvia en el futuro, no puedes limitarte a mirar la temperatura en este segundo exacto. Tienes que mirar la historia completa de los cambios de temperatura que condujeron hasta este momento.

2. El "Proxy" y la "Función de Green"

El artículo utiliza el concepto de una Función de Green de Proxy. Piensa en esto como un "traductor" o un "libro de recetas".

• El Predictor: Este es el instrumento que podemos medir fácilmente (como la temperatura global).
• El Predictando: Este es el instrumento que queremos predecir (como la lluvia o las corrientes oceánicas).
• El Traductor: Esta es la regla matemática que nos dice cómo convertir la historia del Predictor en el futuro del Predictando.

Los autores descubrieron que este "traductor" funciona como una convolución. Imagina que estás haciendo un batido. El sabor final (la lluvia) no es solo la fruta que añades justo ahora; es el resultado de mezclar toda la fruta que añadiste durante los últimos minutos. El "traductor" te dice exactamente cuánto peso darle a la fruta añadida hace 10 minutos frente a la fruta añadida hace 1 minuto.

3. El secreto del "Filtro de Tiempo"

El descubrimiento más sorprendente del artículo es sobre las escalas de tiempo.

Imagina que estás escuchando una habitación ruidosa. Si escuchas cada segundo de ruido (alta resolución), la conexión entre dos personas hablando puede parecer caótica e imposible de predecir. Sin embargo, si te pones auriculares con cancelación de ruido que solo te permitan escuchar el sonido "promedio" durante 10 o 20 años (baja resolución), emerge un patrón claro.

Los autores descubrieron que:

• A escalas de tiempo cortas (1 año): La conexión entre la temperatura y la lluvia (o las corrientes oceánicas) es desordenada y "no causal". Es como intentar predecir el clima basándose en un solo estornudo. Las matemáticas fallan porque el "traductor" necesita conocer el futuro para explicar el presente, lo cual es imposible.
• A escalas de tiempo largas (10–30 años): Cuando suavizas los datos y observas el "panorama general", la conexión se vuelve causal. La historia de la temperatura sí predice de manera fiable la historia de la lluvia. El "traductor" funciona perfectamente.

4. Una calle de un solo sentido

El artículo también destaca que estas relaciones suelen ser calles de un solo sentido.

• Temperatura $\rightarrow$ Lluvia: Si conoces la historia de la temperatura global, puedes predecir la lluvia muy bien (una vez que miras una escala de 10+ años).
• Lluvia $\rightarrow$ Temperatura: Sin embargo, conocer la historia de la lluvia no ayuda a predecir la temperatura. El "traductor" solo funciona en una dirección.

Esto es como saber que una fuerte tormenta (Lluvia) es causada por un día caluroso (Temperatura), pero saber que llovió no te dice qué tan caluroso estuvo ayer. El artículo muestra que, para algunos pares de variables climáticas, el "traductor" solo existe en una dirección, y solo si se observa la data durante periodos lo suficientemente largos.

5. El ejemplo de la AMOC

Los autores probaron esto con la AMOC (la cinta transportadora de corrientes del Océano Atlántico).

• Descubrieron que la temperatura global es un gran predictor para la corriente oceánica, pero solo si se observan los datos durante décadas.
• Sin embargo, la corriente oceánica es un predictor pésimo para la temperatura, sin importar cuánto tiempo se espere. La corriente oceánica reacciona lentamente y tiene sus propios retrasos internos complejos que no se traducen de forma ordenada hacia la temperatura.

Resumen

El artículo no pretende haber resuelto el cambio climático, sino que ha construido un mejor kit de herramientas matemáticas para entenderlo.

• El Problema: Los métodos antiguos intentaban encontrar vínculos instantáneos entre las variables climáticas, lo que a menudo fallaba.
• La Solución: Usar un enfoque "basado en la historia" que observa cómo cambian las variables a lo largo del tiempo.
• El Matiz: Esto solo funciona si se observan los datos durante periodos lo suficientemente largos (como de 10 a 30 años). Si se observa demasiado de cerca (año tras año), las reglas desaparecen.
• El Resultado: Esto ofrece a los científicos una forma riguro el de decir: "Sí, podemos usar la historia de la temperatura para predecir la historia de la lluvia, pero solo si suavizamos los datos y observamos las tendencias a largo plazo".

En resumen, el artículo nos enseña que para entender el futuro del clima, debemos dejar de mirar instantáneas y empezar a ver la película, prestando atención a los giros de la trama que ocurren a lo largo de décadas, no solo de días.

Resumen técnico

Resumen Técnico: Un Marco Matemático para las Restricciones Emergentes Dinámicas en la Ciencia Climática

Planteamiento del Problema
Las proyecciones climáticas están intrínsecamente caracterizadas por incertidumbres derivadas de los escenarios, la física de los modelos y la variabilidad interna. Se ha propuesto que las "restricciones emergentes" (emergent constraints) son un método para reducir estas incertididades mediante el establecimiento de relaciones empíricas entre la respuesta de una variable objetivo (el predictando) a un forzamiento y las propiedades de otra variable (el predictor). Mientras que las restricciones emergentes estáticas relacionan la respuesta del predictando con las estadísticas no perturbadas del predictor, las restricciones emergentes dinámicas relacionan las respuestas de ambas variables al mismo forzamiento a lo largo del tiempo.

A pesar de su utilidad, carece la ciencia de una teoría matemática rigurosa para las restricciones emergentes dinámicas. Específicamente, no existe un marco completo que defina:

1. Bajo qué condiciones se puede vincular un par predictor-predictando específico.
2. La expresión matemática precisa que gobierna el vínculo entre sus respuestas.
3. El papel de la causalidad y las escalas temporales en la validación de estas relaciones.

Intentos previos han vinculado estas restricciones con la teoría de respuesta lineal y las relaciones de fluctuación-disipación, pero no se ha desarrollado plenamente una teoría generalizada capaz de manejar la historia temporal de las respuestas y las dependencias no instantáneas.

Metodología
Los autores desarrollan un marco matemático basado en la teoría de respuesta lineal y resultados recientes sobre fórmulas de respuesta de proximidad (proxy response formulas). El enfoque central consiste en:

1. Formulación Teórica:

   • El sistema climático se modela como un sistema dinámico estocástico sujeto a un forzamiento externo.
   • La respuesta de un observable $\Phi$ a un forzamiento $f(t)$ se expresa mediante una función de Green lineal $G_\Phi(t)$.
   • Los autores derivan una fórmula de respuesta de proximidad que relaciona la respuesta de un predictando $\Phi_1$ con la respuesta de un predictor $\Phi_2$ mediante una función de Green de proximidad $G_{\Phi_1\Phi_2}(t)$. Esta función es la transformada inversa de Fourier del cociente de sus susceptibilidades ($\chi_{\Phi_1}/\chi_{\Phi_2}$).
   • Distinguen entre restricciones emergentes dinámicas instantáneas (donde $G_{\Phi_1\Phi_2}$ aproxima una delta de Dirac) y restricciones emergentes dinámicas integrales (donde la respuesta es una convolución de la historia del predictor y la función de Green de proximidad).
   • Una condición crítica para la existencia de estas restricciones es la causalidad de la función de Green de proximidad. Si $G_{\Phi_1\Phi_2}(t)$ no es causal (no es cero para $t<0$), la respuesta del predictando no puede reconstruirse a partir de la historia pasada del predictor por sí sola.

2. Índice de Causalidad y Coarse-Graining Temporal:

   • Se define un índice de causalidad ($C_{\Phi_1\Phi_2}$) para cuantificar el grado de causalidad, midiendo la relación entre la parte no causal de la función de Green de proximidad y su parte causal.
   • Los autores hipotetizan que la causalidad de la función de Green de proximidad depende de la escala de coarse-graining temporal ($\tau$) en la que se observa la data. Las singularidades en la susceptibilidad de proximidad (que causan la no-causalidad) pueden filtrarse si la escala de tiempo de observación es suficientemente gruesa (coarse).

3. Aplicación Numérica:

   • El marco se aplica a simulaciones utilizando la versión de resolución gruesa del MPI-ESM v.1.24 (Modelo del Sistema de la Tierra del Instituto Max Planck).
   • Se utilizan dos escenarios de forzamiento: un duplicación abrupta de CO2 (H2) y un incremento de CO2 del 1% anual (R2).
   • Los observables incluyen la temperatura media superficial global ($T_s$), la precipitación global ($P$, dividida en convectiva $P_c$ y de gran escala $P_l$) y el índice de la Circulación Meridional de Retorno del Atlántico Norte (AMOC, $M$).
   • Las funciones de Green de proximidad se computan a partir del conjunto H2 y se utilizan para predecir la respuesta R2 mediante convolución, probando la validez de las restricciones en diferentes escalas de coarse-graining (de 1 a 80 años).

Contribuciones Clave

• Generalización de las Restricciones Dinámicas: El artículo formaliza las "restricciones emergentes dinámicas integrales", mostrando que las restricciones instantáneas tradicionales son un caso especial (límite de la delta de Dirac) de una relación de convolución más general.
• La Causalidad como Prerrequisito: Los autores establecen que la existencia de una restricción emergente dinámica depende de la causalidad de la función de Green de proximidad. Si la función no es causal, la historia pasada del predictor es insuficiente para determinar el estado futuro del predictando.
• Dependencia de la Escala de Tiempo: El estudio demuestra que la causalidad no es una propiedad intrínseca del par de variables por sí solo, sino que depende de la escala de tiempo de observación. El coarse-graining de los datos puede filtrar las singularidades de alta frecuencia en la susceptibilidad de proximidad, imponiendo así la causalidad y permitiendo la emergencia de restricciones válidas.
• Asimetría: El marco destaca la asimetría inherente en estas relaciones; una variable puede servir como un predictor causal válido para otra solo en escalas de tiempo específicas, y lo inverso puede no cumplirse.

Resultados

• Temperatura y Precipitación:
  • En escalas temporales anuales ($\tau=1$), la función de Green de proximidad es mayormente no causal y las predicciones fallan.
  • A medida que aumenta la escala de coarse-graining, la causalidad mejora. Para $T_s$ prediciendo a $P$, emerge una relación causal en $\tau \approx 10$ años. Para $P$ prediciendo a $T_s$, se requiere una escala mayor ($\tau \approx 20$ años).
  • En escalas multidecadales ($\tau \ge 30$ años), el índice de causalidad se aproxima a 1 en ambas direcciones, lo que sugiere que las restricciones instantáneas pueden volverse válidas a medida que el sistema se termaliza.
• Temperatura y AMOC:
  • $T_s$ actúa como un predictor causal para el AMOC ($M$) en escalas de tiempo $\tau > 10$ años. La función de Green de proximidad es causal, reflejando el mecanismo físico donde el calentamiento impulsa el debilitamiento del AMOC y su posterior recuperación.
  • Por el contrario, el AMOC ($M$) nunca actúa como un predictor causal para $T_s$, independientemente de la escala de coarse-graining. La función de Green de proximidad permanece no causal (con retardos temporales negativos significativos), lo que indica que la historia de la respuesta del AMOC no contiene información suficiente para reconstruir la respuesta de la temperatura.
• Análisis Espectral: La no-causalidad está vinculada a singularidades en la susceptibilidad de proximidad (ceros de la susceptibilidad del predictor que no coinciden con los del predictando). El coarse-graining actúa como un filtro de paso bajo, eliminando estas singularidades del rango de frecuencia de los observables, restaurando así la causalidad.

Significancia y Reivindicaciones
Los autores afirman situar la teoría de las restricciones emergentes dinámicas sobre un "fundamento matemático firme". La principal significancia radica en proporcionar un protocolo para identificar las condiciones necesarias para la existencia de tales relaciones en los datos climáticos.

• Más allá de las Relaciones Instantáneas: El artículo argumenta que muchas restricciones emergentes "espurias" o fallidas en la literatura resultan de buscar relaciones instantáneas donde solo existen relaciones integrales (dependientes de la historia), o donde la escala de tiempo de observación es demasiado fina para satisfacer la causalidad.
• Universalidad de los Predictores: El análisis sugiere que los buenos predictores (como la temperatura media global en escalas decadales) son "universalmente buenos" para diversos predictandos porque actúan efectivamente como un sustituto del impacto del forzamiento externo sobre las propiedades macroscópicas del sistema.
• Causalidad vs. Correlación: El marco distingue entre la correlación estadística y el tipo específico de causalidad requerido para la predicción (causalidad de Granger en el contexto de la teoría de respuesta). Aclara que, si bien una función de Green de proximidad causal permite la predicción, esto no implica necesariamente un vínculo causal físico directo (causalidad de Pearl) entre las variables, ya que ambas son impulsadas por un forzamiento externo común a través de redes complejas de retroalimentación.
• Implicación Práctica: Los resultados sugieren que la validez de las restricciones emergentes no es absoluta sino condicional a la resolución temporal de los datos. Esto ofrece una explicación teórica de por qué algunas restricciones funcionan en ciertas escalas (por ejemplo, escalas climatológicas de 30 años) pero fallan en otras.

El artículo concluye que, si bien la metodología no es una "solución mágica" aplicable a todos los casos, proporciona un marco riguroso y testeable para validar las restricciones emergentes dinámicas y comprender los límites de la predictibilidad en los sistemas climáticos.