📊 statistics

Disentangling Forced and Internal Climate Variability in Single Realizations using Dynamic Mode Decomposition with Control

Este artículo presenta PullbackDMDc, un método novedoso basado en la teoría de sistemas dinámicos no autónomos que descompone con éxito una única realización climática en componentes de variabilidad forzada e interna, permitiendo así proyecciones climáticas y evaluación de modelos eficaces sin requerir grandes conjuntos de datos de ensambles.

Autores originales: Nathan Mankovich, Andrei Gavrilov, Gustau Camps-Valls

Publicado 2026-07-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nathan Mankovich, Andrei Gavrilov, Gustau Camps-Valls

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar comprender el clima observando una única película ininterrumpida del cielo. Ves nubes arremolinándose, tormentas gestándose y la luz del sol abriéndose paso, pero no puedes pausar la película para retroceder y preguntar: "¿Esa tormenta fue causada por el sol calentando el océano, o simplemente porque al viento le dio por cambiar de opinión?". Este es el enigma definitivo de la ciencia climática. El clima de la Tierra es una máquina gigante y caótica impulsada por dos fuerzas principales: la respuesta "forzada", que es la reacción del planeta a empujes externos como los gases de efecto invernadero, las erupciones volcánicas y el sol; y la "variabilidad interna", que es el propio temblor caótico del clima, como un perro sacudiéndose el agua después de un baño. Los científicos necesitan separar estas dos para saber si el planeta se está calentando debido a la actividad humana o simplemente por oscilaciones naturales. El problema es que solo tenemos una película de la historia de la Tierra, por lo que no podemos reproducir la misma escena dos veces para ver qué sucede si cambiamos el guion.

Para resolver esto, los investigadores han probado varios trucos. Algunos utilizan modelos computacionales gigantes que ejecutan la misma película cientos de veces con puntos de partida ligeramente diferentes para encontrar la historia "promedio" (la parte forzada) y tratar las diferencias como el "ruido" (variabilidad interna). Otros intentan adivinar la parte forzada observando patrones simples, como cómo aumenta la temperatura media global. Pero estos métodos suelen errar el tiro: los modelos computacionales son costosos y a veces equivocados, mientras que las suposiciones simples ignoran la compleja danza de la atmósfera. La gran pregunta sigue siendo: ¿Podemos tomar nuestra única y desordenada película del clima de la Tierra y dividirla matemáticamente en el "guion" (lo que están haciendo las fuerzas externas) y la "improvisación" (lo que el clima está haciendo por su cuenta) sin necesidad de una máquina del tiempo o de mil simulaciones por computadora?

Para resolver esto, este artículo presenta una herramienta ingeniosa llamada PullbackDMDc para responder a esa pregunta. Piensa en el sistema climático como un coche que recorre un camino accidentado. La parte "forzada" es el conductor pisando el acelerador (forzamiento externo), mientras que la parte "interna" es el coche rebotando sobre baches (variabilidad interna). PullbackDMDc es como un mecánico superinteligente que observa el viaje único de un coche y, sabiendo exactamente cómo responde el motor al acelerador, puede separar matemáticamente la aceleración suave del temblor brusco. Los autores tratan el clima como un sistema lineal donde las fuerzas externas actúan como un término de "control". Al utilizar un concepto de las matemáticas llamado "atractor de retroceso" (pullback attractor) —que es esencialmente una forma de decir "si retrocedemos el tiempo lo suficiente, el camino del coche está determinado solo por la carretera y el conductor, no por dónde empezó"—, pueden separar matemáticamente ambos componentes a partir de un solo registro de datos.

Los investigadores probaron esta nueva herramienta con datos del mundo real y con cuatro modelos climáticos gigantes (ESM) diferentes que se han ejecutado con docenas de condiciones iniciales distintas para crear una "verdad de base" para la comparación. Descubrieron que PullbackDMDc es sorprendentemente bueno adivinando la respuesta forzada, igualando o incluso superando a los métodos existentes que dependen de simulaciones computacionales masivas. Identificó con éxito que el "guion" del calentamiento global es claramente visible en los datos, especialmente cuando la herramienta recibe información detallada sobre diferentes tipos de forzamiento, como la ceniza volcánica y los gases de efecto invernadero.

Sin embargo, la herramienta también reveló algunas fallas interesantes en el comportamiento de nuestros modelos climáticos actuales. Cuando los investigadores utilizaron PullbackDMDc para observar la "improvisación" (variabilidad interna) en los modelos, encontraron una discrepancia. En las observaciones del mundo real, el clima tiene un "latido" lento y profundo que late cada 60 a 80 años (relacionado con patrones como la Oscilación Multidecadal del Atlántico), y este latido lento transporta la mayor parte de la señal de calentamiento. Pero en los modelos computacionales, este latido lento es débil o inexistente. En su lugar, los modelos parecen depender demasiado de ritmos más rápidos y de corto plazo (como el ciclo de El Niño de 2 a 7 años) para transportar la señal de calentamiento. El artículo sugiere que, si bien nuestros modelos son buenos capturando las partes rápidas y erráticas del clima, están subestimando sistemáticamente las oscilaciones lentas, profundas y de largo plazo que dominan el mundo real.

En resumen, PullbackDMDc ofrece una nueva y práctica forma de leer un único registro climático y separar la señal humana del ruido natural. Confirma que podemos hacerlo sin necesidad de mil simulaciones por computadora, pero también nos advierte que nuestros modelos actuales podrían estar perdiendo los ritmos lentos y profundos de la Tierra, lo que podría hacer que nuestras proyecciones futuras sean menos precisas de lo que esperamos. Los autores sugieren que, si bien su método es poderoso, se basa en matemáticas lineales, y el clima real podría ser más complejo y no lineal, lo que significa que las futuras versiones de la herramienta deberán volverse aún más inteligentes para capturar la historia completa.

Resumen Técnico: Desentrañando la Variabilidad Climática Forzada e Interna en Realizaciones Únicas mediante la Descomposición de Modos Dinámicos con Control

Planteamiento del Problema
La ciencia del clima enfrenta un desafío metodológico fundamental: el registro climático observado es una realización única donde se superponen la respuesta forzada (impulsada por agentes externos como los gases de efecto invernadero y los aerosoles) y la variabilidad interna (generada por la dinámica acoplada del sistema). El experimento controlado sobre el registro observacional es imposible. Aunque los Modelos de Sistemas Terrestres (ESM) pueden generar grandes conjuntos para definir una respuesta forzada mediante la media del conjunto, el análisis observacional requiere desentrañar estos componentes a partir de una serie temporal única. Los enfoques estadísticos existentes se dividen en dos categorías con limitaciones complementarias: los modelos de sistemas dinámicos (por ejemplo, Modelos Inversos Lineales, LIM) a menudo ignoran los predictores de forzamiento externo, mientras que los métodos basados en regresión incorporan el forzamiento pero omiten la dinámica intrínseca del sistema. Además, muchos métodos avanzados dependen del aprendizaje supervisado utilizando conjuntos de ESM como "verdad fundamental" (ground truth), lo que limita su aplicabilidad cuando la fidelidad de los ESM es incierta o los recursos computacionales son limitados.

Metodología: PullbackDMDc
Los autores presentan PullbackDMDc, un método lineal no supervisado basado en la teoría de sistemas dinámicos no autónomos y la Descomposición de Modos Dinámicos con Control (DMDc). El marco teórico central trata la trayectoria climática observada como si residiera en el atractor de retroceso (pullback attractor) de un sistema estocástico lineal impulsado por un forzamiento externo.

Modelo Estocástico Lineal con Forzamiento: El método modela el estado climático $x(t)$ utilizando una ecuación de tiempo discreto:
$x(t) = Ax(t-1) + By(t) + \xi(t)$
donde $A$ representa el núcleo dinámico autónomo, $B$ mapea el forzamiento externo $y(t)$ (por ejemplo, el forzamiento radiativo) al estado, y $\xi(t)$ representa el ruido estocástico interno.
Estimación del Atractor de Retroceso: Al asumir que el sistema es globalmente estable (los autovalores de $A$ $A$ tienen magnitud $<1$ $< 1$ ), los autores definen el atractor de retroceso como el límite de la evolución del sistema cuando el tiempo inicial $t_0 \to -\infty$ $t_{0} \to - \infty$ . En este límite lineal, el atractor colapsa en una trayectoria única que se separa claramente en:
- Respuesta Forzada ( $x^{(f)}(t)$ ): El componente determinista impulsado por la historia del forzamiento externo $y(t)$ .
- Variabilidad Interna ( $x^{(i)}(t)$ ): El componente estocástico impulsado por la historia del ruido $\xi(t)$ .
Descomposición Espaciotemporal: El método proyecta los datos sobre los automodos de la matriz $A$ . Esto produce una descomposición donde el registro espaciotemporal completo se expresa como una suma de modos dinámicos (patrones espaciales), cada uno acompañado de dos series temporales distintas: un componente forzado y un componente interno.
Implementación: Los autores aplican esto a los Componentes Principales (PC) de la temperatura del aire cerca de la superficie (SAT), la temperatura del océano cerca de la superficie (OSAT) y la presión al nivel del mar (SLP). Prueban varios inputs de forzamiento, incluyendo la temperatura media global, el forzamiento radiativo efectivo y componentes específicos como el forzamiento volcánico y de gases de efecto invernadero.

Contribuciones Clave

Unificación Teórica: PullbackDMDc cierra la breancia entre los modelos de sistemas dinámicos y la regresión al integrar el forzamiento externo directamente en el operador de evolución de un sistema estocástico lineal, permitiendo la separación exacta de los componentes forzado e interno en una realización única.
Descomposición Interpretable: A diferencia de EOF o DMD estándar, que proporcionan una única serie temporal por modo, PullbackDMDc proporciona un par de series temporales físicamente distintas (forzada e interna) para cada modo espacial, permitiendo la interrogación directa de cómo patrones específicos responden al forzamiento frente a la dinámica interna.
Marco No Supervisado: El método opera sin requerir grandes conjuntos de ESM para el entrenamiento, basándose en las propiedades matemáticas del atractor de retroceso y en los datos de forzamiento disponibles.

Resultos
El método fue evaluado contra cuatro grandes conjuntos de ESM (CanESM5, MIROC6, CESM2, MPI-ESM) y la Reanálisis del Siglo XX (20CRv3), utilizando la media del conjunto como la verdad fundamental para la respuesta forzada.

Estimación de la Respuesta Forzada: Las variantes de PullbackDMDc alcanzaron una destreza igual o superior a las líneas base establecidas (incluyendo la Regresión Lineal y LIM-opt). Específicamente:
- Los métodos que incorporan predictores de forzamiento (PullbackDMDc y Regresión Lineal) superaron significativamente a aquellos que no los incorporaban (LIM, RegGMST).
- Dimensionalidad del Forzamiento: El rendimiento fue sensible a la elección de los predictores de forzamiento. Para las variables de temperatura (OSAT/SAT), una representación de forzamiento 3D (gases de efecto invernadero, aerosoles, volcanes) produjo los mejores resultados. Para la Presión al Nivel del Mar (SLP), una representación 2D (Volcanes + GEI) funcionó mejor, lo que sugiere que los inputs de mayor dimensión pueden conducir al sobreajuste en regímenes de baja relación señal-ruido.
- Las variantes de PullbackDMDc mostraron una menor incertidumbre (varianza entre miembros del conjunto) en comparación con las líneas base que ignoraban el forzamiento, particularmente para la SLP.
Evaluación de ESM mediante Descomposición: La descomposición reveló diferencias estructurales sistemáticas entre la reanálisis y los ESM:
- Variabilidad Multidecadal: En la reanálisis, los modos principales capturaron una variabilidad lenta y multidecadal (que se asemeja a la Oscilación Multidecadal del Atlántico, AMO), y la respuesta forzada se proyectó predominantemente sobre estos modos lentos. En contraste, los ESM priorizaron sistemáticamente la dinámica más rápida, tipo ENSO, en sus modos principales y subrepresentaron la estructura multidecadal.
- Distribución de la Respuesta Forzada: En la reanálisis, la señal forzada se concentró en los modos más lentos. En los ESM, la respuesta forzada se distribuyó en un conjunto más amplio de modos, incluyendo dinámicas más rápidas de tipo ENSO y PDO.
- No Estacionariedad del Ciclo Estacional: El método detectó cambios no estacionarios en el ciclo estacional (retenidos en las anomalías) en la reanálisis para SAT y SLP, una característica que los ESM fallaron en reproducir en gran medida, apareciendo como periodos anuales más débiles o ausentes en los modos internos de los modelos.

Significancia y Reivindicaciones
El artículo sostiene que PullbackDDMc proporciona una herramienta práctica y físicamente interpretable para el análisis climático de realización única y la evaluación de ESM. Su principal significancia radica en su capacidad para:

Desentrañar Componentes: Separar con éxito la variabilidad forzada e interna en un registro único sin depender de grandes medias de conjuntos para la descomposición misma.
Diagnosticar Deficiencias de los Modelos: Revelar que los ESM actuales pueden representar erróneamente de forma sistemática la jerarquía de las escalas temporales de la variabilidad climática, específicamente subestimando la persistencia de los modos multidecadales y la amplitud de la proyección de la respuesta forzada sobre estas estructuras lentas.
Guiar la Selección de Forzamiento: Demostrar que la elección de los predictores de forzamiento es crítica y variable según la variable, ofreciendo un marco para seleccionar los predictores óptimos basados en la verdad fundamental del modelo.

Los autores mantienen una postura modesta, reconociendo que el método es actualmente lineal y que la separación exacta de los componentes forzado e interno es una propiedad de la aproximación lineal. Señalan que la estimación del operador dinámico $A$ a partir de datos finitos y ruidosos sigue siendo una fuente de incertidumbre, particularmente para las estructuras de larga escala temporal, y que trabajos futuros deberían explorar extensiones no lineales y mejores estrategias de estimación.

Más como este