📄 ciencias de la Tierra

Forced and Internal Variability of Ocean Temperature Diagnosed via Multi-Model Ensemble Linear Dynamical Mode (M-ELDM) Decomposition

Este artículo presenta el método de descomposición de Modos Dinámicos Lineales de Ensamblaje Multimodelo (M-ELDM) para comparar objetivamente las simulaciones históricas de la temperatura oceánica a través de los Modelos del Sistema Tierra, revelando patrones compartidos de variabilidad forzada e interna, al tiempo que destaca una ausencia significativa de señales multidecadales pronunciadas en los modelos en comparación con los datos observacionales.

Autores originales: Aleksei Seleznev, Maria Buyanova, Sergey Kravtsov, Andrei Gavrilov, Evgeny Loskutov, Alexander Feigin

Publicado 2026-09-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Aleksei Seleznev, Maria Buyanova, Sergey Kravtsov, Andrei Gavrilov, Evgeny Loskutov, Alexander Feigin

Artículo original bajo licencia CC BY 4.0 (https://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

El océano actúa como la principal esponja de calor de la Tierra, absorbiendo la gran mayoría del exceso de calor generado por las actividades humanas y los cambios naturales en la atmósfera. Este calor almacenado no se eleva de manera uniforme; en cambio, se mueve en patrones complejos, creando regiones de calentamiento y enfriamiento que cambian con el tiempo. Los científicos han intentado durante mucho tiempo separar dos impulsores distintos de estos cambios: el calentamiento global constante causado por los gases de efecto invernadero y la variabilidad natural y turbulenta que ocurre dentro del propio sistema climático, como el calentamiento periódico del Pacífico conocido como El Niño. Comprender la diferencia entre estas dos fuerzas es crítico. Si no podemos distinguir con precisión la señal provocada por el hombre del ruido natural, nuestras predicciones sobre el futuro del cambio climático seguirán siendo inciertas, dejándonos sin saber con certeza qué tan rápido se calentará el planeta o cómo evolucionará el clima extremo.

Un equipo de investigadores ha desarrollado una nueva forma de desenredar estas señales superpuestas utilizando datos de seis de los modelos climáticos más avanzados del mundo. En lugar de tratar cada modelo como una entidad separada, crearon un método unificado para observar las seis simulaciones simultáneamente. Este enfoque, llamado Descomposición de Modos Dinámicos Lineales de Conjunto Multimodelo, permite a los científicos identificar patrones que son comunes en todos los modelos mientras aíslan las peculiaridades únicas de cada uno. Al aplicar esta técnica a las temperaturas de la superficie del mar y al calor almacenado en los 300 metros superiores del océano desde 1950 hasta 2014, el equipo pudo reconstruir la historia del cambio climático con un nuevo nivel de claridad, separando la marcha constante del calentamiento global de los saltos erráticos de la variabilidad natural.

El análisis reveló que los modelos son bastante buenos para capturar la historia general del calentamiento inducido por el hombre. El patrón dominante en todos los seis modelos muestra un aumento claro y constante del calor oceánico, impulsado por el incremento de los gases de efecto invernadero, con caídas temporales causadas por grandes erupciones volcánicas que enfriaron brevemente el planeta. Sin embargo, los modelos también mostraron diferencias significativas en la rapidez con la que se calentaron y en la fuerza con la que reaccionaron a los eventos volcánicos. Por ejemplo, un modelo predijo una tasa de calentamiento mucho más lenta que los demás, mientras que otro mostró una respuesta de enfriamiento exagerada ante la ceniza volcánica. Estas diferencias resaltan que, si bien la dirección general del cambio climático es consistente, la velocidad y la intensidad específicas de ese cambio siguen siendo inciertas en las simulaciones actuales.

Cuando los investigadores observaron la variabilidad interna natural del océano —específicamente los oscilaciones lentas y multidecadenales que ocurren sin la influencia humana— encontraron una brecha preocupante entre los modelos y la realidad. En el mundo real, el océano exhibe una onda de cambio de temperatura masiva y de movimiento lento que abarca el globo, conectando el Atlántico Norte, el Pacífico Norte y el Hemisferio Sur. Este fenómeno, que los autores denominan la "Ola del Estadio Global" (Global Stadium Wave), es claramente visible en los datos observacionales. Implica un patrón distintivo donde el Atlántico Norte se calienta mientras el Hemisferio Sur se enfría, y viceversa, creando un pulso rítmico que dura décadas.

En marcado contraste, los modelos climáticos no lograron reproducir este ritmo global específico. Aunque los modelos generaron algunas variaciones naturales lentas, sus patrones no se parecían en nada a las observaciones del mundo real. Las ondas simuladas eran más débiles, carecían de la conexión específica entre los océanos Atlántico y Pacífico, y no capturaban una firma crucial de la Oscilación Decadal del Pacífico que es evidente en los datos reales. Los investigadores probaron si este patrón faltante podría ser un artefacto de cómo calcularon la señal de calentamiento provocada por el hombre, pero incluso después de ajustar posibles errores en la respuesta forzada, los modelos aún no podían generar la onda global observada. Esto sugiere que la generación actual de modelos climáticos carece de una pieza fundamental del rompecabezas, fallando probablemente en capturar las interacciones profundas y complejas entre diferentes partes del océano que impulsan estos ciclos a largo plazo.

El estudio también examinó las variaciones más rápidas, de año a año, asociadas con El Niño y La Niña. Aquí, los modelos funcionaron mejor, capturando con éxito el tiempo y la ubicación básicos de estos eventos. Sin embargo, un examen más detallado reveló que los modelos todavía luchan con la verdadera naturaleza de estos fenómenos. En el océano real, los eventos de El Niño son altamente asimétricos; los eventos cálidos intensos son mucho más fuertes de lo que los eventos fríos son intensos. Los modelos, no obstante, tienden a tratar los eventos cálidos y fríos de manera más equilibrada y simétrica. También subestiman la complejidad no lineal del sistema, al no lograr replicar plenamente el comportamiento agudo e irregular que se observa en la naturaleza. Esto indica que, si bien los modelos pueden predecir cuándo podría ocurrir un El Niño, es posible que no estén simulando con precisión la intensidad extrema o el carácter específico del evento.

En última instancia, este trabajo proporciona una nueva y poderosa lente para comparar los modelos climáticos, yendo más allá de los simples promedios para comprender las dinámicas específicas que los impulsan. Los hallazgos sugieren que, si bien tenemos una comprensión sólida de la tendencia general de calentamiento causada por el hombre, nuestra capacidad para simular los ritmos naturales multidecadenales del sistema climático es aún limitada. La ausencia de la onda global observada en los modelos implica que nos faltan mecanismos clave que vinculan las distintas cuencas oceánicas entre sí. Hasta que estas dinámicas internas se comprendan y representen mejor, nuestra confianza en las proyecciones climáticas a largo plazo seguirá limitada por esta brecha entre lo que los modelos simulan y lo que la Tierra realmente hace.

Resumen Técnico: Diagnóstico de la Variabilidad Forzada e Interna de la Temperatura Oceánica mediante la Descomposición de Modos Dinámicos Lineales de Conjunto Multimodelo (M-ELDM)

Planteamiento del Problema
Los Modelos del Sistema Tierra (ESM) de vanguardia generalmente reproducen el comportamiento climático histórico observado, pero exhiben trayectorias divergentes en las proyecciones futuras. Esta divergencia crea una incertidumbre significativa en el pronóstico climático. Un desafío principal para reducir esta incertidumbre es la delineación precisa de la respuesta climática forzada (impulsada por agentes externos como los gases de efecto invernadero y los aerosoles) de la variabilidad interna de fondo (impulsada por la dinámica interna caótica). Los métodos tradicionales para separar estos signos suelen depender de supuestos a priori con respecto a diferencias espaciotemporales, tales como escalas de tiempo distintas o patrones espaciales específicos, que pueden no cumplirse universalmente. Además, los esfuerzos de intercomparación existentes a menudo tienen dificultades para identificar patrones compartidos y robustos entre diversos modelos, mientras que simultáneamente cuantifican las desviaciones específicas de cada modelo.

Metodología
Los autores desarrollan y aplican una nueva metodología objetiva denominada descomposición de Modos Dinámicos Lineales de Conjunto Multimodelo (M-ELDM). Este enfoque extiende el método previamente establecido de LDM de Conjunto de Modelo Único (S-ELDM) (Gavrilov et al., 2024) a un contexto multimodelo.

Marco Central: El M-ELDM descompone un conjunto multimodelo de simulaciones climáticas en un conjunto de modos espaciotemporales. Postula que:
1. Patrones Espaciales: Tanto los modos de variabilidad forzada como los de variabilidad interna comparten patrones espaciales comunes en todos los modelos del conjunto (aunque estos patrones se desconocen a priori).
2. Componentes Temporales: Las series temporales (componentes) asociadas con estos patrones difieren entre los modelos. Específicamente, para un modelo dado, la señal forzada es idéntica en todas sus realizaciones de conjunto, mientras que los modos de variabilidad interna exhiben una dependencia temporal diferente a través de las realizaciones.
Formulación Matemática: La descomposición se formula como una técnica de reducción de dimensionalidad dentro de un marco probabilístico bayesiano. El modelo representa los datos $x^{(m,k)}_n$ (donde $k$ es el índice del modelo y $m$ es el índice de la realización) como:
$x^{(m,k)}_n = A p^{(m,k)}_n + B f^{(k)}_n + c + \sigma \xi^{(m,k)}_n$
Aquí, $A$ y $B$ son matrices de patrones espaciales para los modos internos y forzados, respectivamente; $p^{(m,k)}_n$ y $f^{(k)}_n$ son las series temporales correspondientes; y $\xi$ es ruido blanco gaussiano.
Optimización: Todos los parámetros, incluyendo el número de modos, sus escalas de tiempo y los patrones espaciales, se determinan objetivamente mediante optimización bayesiana. El método minimiza una función de pérdida que comprende un término de log-verosimilitud negativa, un término de regularización de suavizado (que impone prioris de procesos estocásticos lineales con escalas de tiempo específicas) y un término de regularización $L_2$ . Esto evita el sobreajuste y elimina la necesidad de supuestos sobre las escalas de tiempo características que separan las señales de forzamiento e internas.
Aplicación de Datos: El método se aplicó a las anomalías de la Temperatura de la Superficie del Mar (SST) y del Contenido de Calor del Océano Superior (OHC, 0–300m) de un conjunto multimodelo de seis ESM (incluyendo modelos CMIP6 e INMCM6P) con 10 realizaciones cada uno (1950–2014). Se analizaron datos observacionales (ERSSTv5 e IAPv4) utilizando un enfoque LDM relacionado donde la serie temporal de la señal forzada fue prescrita basándose en la media del conjunto multimodelo.

Contribuciones Clave

Metodología M-ELDM: El artículo introduce un marco unificado para analizar conjuntos multimodelo que identifica patrones espaciales robustos comunes a todos los modelos, mientras encapsula las diferencias de los modelos en sus respectivos series temporales.
Separación Objetiva: A diferencia de los métodos de ajuste dinámico o de patrones de maximización de la relación señal-ruido, el M-ELDM no asume escalas de tiempo o estructuras espaciales distintas entre los modos forzados e internos, basándose en cambio en la consistencia de la señal forzada a través de los miembros del conjunto de un solo modelo.
Estrategia de Clasificación: Los autores diseñan una estrategia para clasificar los comportamientos de los modelos frente a las observaciones comparando los modos forzados e internos reconstruidos derivados de la descomposición M-ELDM.

Resultados

Respuesta Forzada: El M-ELDM identificó que la respuesta forzada dominante en SST y OHC es capturada por un único modo principal (que explica el 95% de la varianza forzada de SST y el 85% de la de OHC). Este modo refleja la tendencia de calentamiento global modulada por aerosoles antropogénicos (enfriamiento pre-1980) y erupciones volcánicas. Mientras que los patrones simulados coinciden con las observaciones en el Atlántico y el Índico, divergen significamente en el Pacífico, careciendo de la pronunciada firma tipo Oscilación Decadal del Pacífico (PDO) evidente en los datos observacionales. El método destacó con éxito las diferencias inter-modelo en la sensibilidad climática (por ejemplo, INMCM5 mostrando la tasa de calentamiento más baja, CanESM5 la más alta) y la respuesta volcánica.
Variabilidad Interna Multidecadal: El análisis de los modos internos de baja frecuencia reveló que los modelos no logran reproducir las pronunciadas señales multidecadales observadas en los datos. Específicamente, la "Ola de Estadio Global" (GSW) observada —caracterizada por un componente tipo AMO y un componente ortogonal a la AMO vinculado a la variabilidad tipo PDO— no fue capturada de manera robusta por los modelos. Los patrones multidecadales simulados fueron espacialmente distintos y exhibieron relaciones señal-ruido más bajas.
Hipótesis sobre el Origen de la GSW: Los autores probaron si la GSW observada podría ser un artefacto de los sesgos de la señal forzada. Al construir un conjunto de datos "F+I" (modos de baja frecuencia simulados menos la respuesta forzada de la media del conjunto), encontraron que los patrones resultantes aún diferían significamente de las observaciones. Esto sugiere que los modelos climáticos actuales están omitiendo o representando erróneamente la dinámica subyacente a la GSW observada, en lugar de que la señal sea puramente un artefacto de los errores de estimación de la respuesta forzada.
Variabilidad de ENSO: El método separó eficazmente las señales de ENSO cuasi-bienales y cuasi-cuatrienales. Aunque los modelos capturaron los patrones espaciales principales, subestimaron sustancialmente la no linealidad y la asimetría de los eventos de ENSO (específicamente la asimetría entre El Niño y La Niña). Respecto a la diversidad de ENSO, el estudio encontró que, si bien la mayoría de los modelos exhibieron sesgos en la reproducción de los sabores de ENSO del Pacífico Central (C) y del Pacífico Oriental (E), los modelos HadGEM3 y MPI-ESM1 fueron capaces de reproducir relativamente bien los patrones espaciales y la intensidad de estos modos observados.

Significancia
El artículo afirma que la descomposición M-ELDM proporciona una herramienta eficiente y objetiva para la intercomparación de modelos climáticos. Al identificar subconjuntos de baja dimensión de modos forzados e internos compartidos entre modelos, permite una comparación directa de los comportamientos y las series temporales de los modelos. El estudio demuestra que, si bien los modelos capturan la tendencia general de calentamiento forzado, exhiben deficiencias significativas en la representación de características específicas de la variabilidad interna, particularmente la GSW multidecadal y la asimetría no lineal de ENSO. Los autores concluyen que estas discrepancias sugieren que los modelos climáticos actuales subestiman la intensidad y/o el acoplamiento de los "osciladores" climáticos internos, lo que conduce a una representación errónea tanto de la variabilidad interna como de la respuesta dinámica forzada asociada. El método se presenta como un marco versátil aplicable a cualquier número de modelos y campos climáticos, útil para la intercomparación de modelos, el aislamiento de señales forzadas en datos observacionales y la construcción de emuladores climáticos basados en datos.

Más como este