📄 ciencias de la Tierra

From Physics-Based Parameterization to Data-Driven Emulation of Planetary Boundary Layer Turbulence in BAM- 1D

Este estudio demuestra que una red neuronal de perceptrón multicapa puede emular con éxito la parametrización de la turbulencia de la capa límite planetaria de Holtslag–Boville en el modelo BAM-1D con alta fidelidad y estabilidad numérica, ofreciendo una vía prometedora para futuras simulaciones atmosféricas híbridas de física y aprendizaje automático.

Autores originales: Antonio Vicente Pereira Neto, Enver Manuel Amador, Ramirez Gutierrez, José Cristiano Pereira

Publicado 2026-10-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Antonio Vicente Pereira Neto, Enver Manuel Amador, Ramirez Gutierrez, José Cristiano Pereira

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 aire que respiramos no es una manta estática; es un fluido agitado, constantemente remodelado por el calor del sol y la fricción del suelo debajo de nosotros. En la capa más baja de la atmósfera, conocida como la capa límite planetaria, esta agitación es más intensa. Aquí, remolinos invisibles de aire —la turbulencia— mezclan calor, humedad y cantidad de movimiento, determinando si el día será tranquilo y despejado o tormentoso y húmedo. Debido a que estos diminutos remolinos son demasiado pequeños para ser vistos por los modelos meteorológicos, los científicos deben utilizar atajos matemáticos, llamados parametrizaciones, para adivinar cómo se comportan. Estos atajos son esenciales para predecir el tiempo, pero también son imperfectos, ya que suelen tener dificultades cuando las condiciones cambian rápidamente o se vuelven muy estables. A medida que las computadoras se han vuelto más potentes, ha surgido una nueva pregunta: ¿podemos enseñar a una computadora a aprender estos atajos directamente de los datos, en lugar de depender únicamente de las antiguas fórmulas diseñadas a mano?

Un equipo de investigadores en Brasil ha dado un paso significativo para responder a esa pregunta. Trabajando con el Modelo Atmosférico Global Brasileño, se centraron en una parte específica del sistema que gestiona la mezcla del aire cerca del suelo. En lugar de intentar predecir el tiempo desde cero usando solo observaciones puras, plantearon una pregunta diferente: ¿puede una computadora aprender a imitar el comportamiento de las fórmulas matemáticas existentes y confiables? Para averiguarlo, construyeron un modelo "sustituto" digital —una versión simplificada de la física compleja— utilizando un tipo de inteligencia artificial llamada red neuronal. Esta red no fue enseñada mirando directamente al cielo, sino estudiando la salida del modelo original. Los investigadores alimentaron a la computadora con millones de instantáneas de la atmósfera, mostrándole las condiciones en un lado y la turbulencia resultante en el otro, permitiéndole aprender los patrones ocultos que las conectan.

El estudio se llevó a cabo durante dos años, utilizando datos de simulaciones realizadas sobre la selva amazónica, una región conocida por su clima intenso y complejo. El equipo entrenó su red neuronal con casi 174,000 perfiles atmosféricos, un conjunto de datos masivo que capturó la estructura vertical de la atmósfera hasta el suelo. Enseñaron a la computadora a predecir cuatro cantidades clave que describen cómo se mezcla el aire: qué tan rápido se mueve el momentum, qué tan rápido se mueve el calor y dos términos específicos que dan cuenta de la forma en que el aire a veces se mueve en contra de la dirección esperada del viento o del gradiente de temperatura. El objetivo era ver si la computadora podía reproducir los resultados de las fórmulas originales basadas en la física con alta precisión, pero sin el pesado costo computacional de resolver las ecuaciones complejas cada vez.

Cuando los investigadores probaron su nuevo sistema, los resultados fueron sorprendentemente cercanos al original. La red neuronal recreó con éxito la estructura vertical de la turbulencia, coincidiendo con las predicciones del modelo original sobre cómo el calor y el momentum se difunden a través del aire. Capturó las capas de aire tranquilas y delgadas que se forman por la noche y la mezcla vigorosa y profunda que ocurre durante el día. Incluso para los términos más difíciles de predecir, donde el aire se mueve de maneras inesperadas, los errores de la computadora fueron pequeños y no alteraron el panorama general. El estudio demostró que la inteligencia artificial podía actuar como un sustituto fiel de la física tradicional, preservando el comportamiento esencial de la atmósfera sin introducir los errores caóticos que a veces plagan a los nuevos modelos.

Para asegurar que esto no fuera solo un ejercicio teórico, los investigadores conectaron su nueva red neuronal directamente al modelo meteorológico y lo dejaron funcionar. Observaron para ver si la computadora fallaba o producía resultados imposibles, un riesgo común al reemplazar la física establecida con aprendizaje automático. El sistema se mantuvo estable. La temperatura, el viento y la lluvia simulados evolucionaron de una manera casi idéntica a las ejecuciones utilizando las fórmulas originales. El ciclo día-noche de enfriamiento y calentamiento permaneció intacto, y el tiempo de los eventos de lluvia se preservó. Esto confirmó que el nuevo enfoque no solo era preciso de forma aislada, sino también lo suficientemente estable como para trabajar dentro de una simulación compleja y viva de la atmósfera.

Si bien las fórmulas físicas originales eran ligeramente más rápidas de ejecutar en este test específico de una dimensión, los investigadores señalaron que el método de la computadora está construido para un tipo de velocidad diferente. La red neuronal depende de cálculos simples y repetitivos que son perfectamente adecuados para la potencia de la computación paralela moderna. Esto sugiere que, a medida que los modelos meteorológicos crezcan en tamaño y detalle, el enfoque de la inteligencia artificial podría eventualmente convertirse en la opción más eficiente. El estudio no pretende haber resuelto el problema de la turbulencia ni haber mejorado la física en sí; más bien, ha demostrado una forma confiable de copiar el trabajo de la física existente con una herramienta diferente. Al demostrar que una máquina puede aprender a imitar la compleja danza de la atmósfera inferior sin perder el equilibrio, los investigadores han abierto un camino práctico hacia una nueva generación de modelos meteorológicos que combinan la ciencia diseñada por humanos con el poder de reconocimiento de patrones de la inteligencia artificial.

Resumen Técnico: De la parametrización basada en la física a la emulación basada en datos de la turbulencia de la capa límite planetaria en BAM-1D

Planteamiento del problema
Los modelos de predicción numérica del tiempo (NWP) dependen de parametrizaciones físicas para representar procesos de escala subrejilla, como la turbulencia en la capa límite planetaria (PBL), que no pueden resolverse explícitamente a las resoluciones de rejilla típicas. Aunque los esquemas establecidos como el de primer orden de Holtslag–Boville (HB) son ampliamente utilizados, enfrentan limitaciones en regímenes que involucran estabilidad fuerte, transiciones rápidas o mezcla no local. Los avances recientes en aprendizaje automático (ML) sugieren que los métodos basados en datos podrían emular estas complejas relaciones físicas. Sin embargo, integrar tales emuladores en modelos pronósticos requiere asegurar que reproduzcan cierres de turbulencia físicamente consistentes sin introducir inestabilidades numéricas. Este estudio aborda el desafío de desarrollar un modelo sustituto que emule con precisión la parametrización de turbulencia HB dentro del Modelo Atmosférico Brasileño BAM-1D, la versión de columna unidimensional del modelo brasileño.

Metodología
El estudio emplea una red neuronal de Perceptrón Multicapa (MLP) para emular las relaciones no lineales entrada–salida del esquema HB original. En lugar de inferir la turbulencia directamente de datos observacionales, el enfoque entrena a la red para reproducir las cantidades generadas por el propio esquema HB, utilizando simulaciones de BAM-1D impulsadas por los datos de la campaña GoAmazon 2014/15 como verdad de terreno.

Conjunto de datos: El conjunto de datos de entrenamiento comprende aproximadamente 174,000 perfiles atmosféricos (4.88 millones de muestras de niveles verticales) de dos años de simulaciones de BAM-1D (2014–2015) sobre la Amazonía central. Los datos incluyen la columna atmosférica completa de 28 niveles muestreada cada 6 minutos. Para asegurar la independencia temporal, se reservó un conjunto de datos de 48 días que abarca diferentes estaciones para la evaluación.
Variables objetivo: Cuatro redes MLP independientes fueron entrenadas para predecir cantidades específicas relacionadas con la turbulencia (difusividad de cantidad de movimiento $k_{vm}$ , difusividad de calor $k_{vh}$ , transporte de contra-gradiente de cantidad de movimiento $c_{gs}$ y transporte de contra-gradiente de calor $c_{gh}$ ).
Arquitectura: La arquitectura seleccionada es un MLP de alimentación hacia adelante (feed-forward) con 15 neuronas de entrada, una única capa oculta de 10 neuronas y una neurona de salida. Las entradas consisten en 14 predictores atmosféricos (por ejemplo, temperatura potencial, componentes del viento, flujos superficiales, altura de la PBL) y un predictor recursivo (la variable objetivo del paso de tiempo anterior) para proporcionar memoria temporal.
Estrategia de entrenamiento: El conjunto de datos fue filtrado para incluir solo los niveles dentro de la PBL diagnosticada. Para mejorar la generalización, se aplicó aumentación de datos añadiendo ruido gaussiano (amplitud relativa del 2%) a los predictores. Los modelos fueron entrenados en GNU/Octave mediante retropropagación con una tasa de aprendizaje de 0.3 y un coeficiente de momentum de 0.2.
Integración: Los pesos entrenados fueron exportados e implementados en una rutina dedicada de Fortran dentro del módulo de turbulencia de BAM-1D. El emulador fue evaluado mediante simulaciones online totalmente pronósticas, reemplazando los cálculos de HB para las cuatro variables objetivo mientras se mantenía el resto de la estructura del modelo.

Resultos clave

Precisión de la emulación: El emulador de red neuronal reprodujo con éxito la estructura vertical y la magnitud de las difusividades turbulentas ( $k_{vm}$ y $k_{vh}$ ) a través de condiciones de capa límite estables, convectivas y de transición. La evaluación estadística en el conjunto de prueba independiente mostró coeficientes de determinación elevados ( $R^2 > 0.99$ ) para las difusividades. Los términos de contra-gradiente ( $c_{gs}$ y $c_{gh}$ ) exhibieron valores de $R^2$ más bajos (0.73 y 0.81, respectivamente) debido a sus magnitudes menores y mayor variabilidad, pero sus errores absolutos y sesgos se mantuvieron bajos.
Desempeño pronóstico: Los experimentos online de BAM-1D demostraron que reemplazar el esquema HB con el emulador MLP preservó la evolución temporal de la temperatura, los componentes del viento y la precipitación. El emulador mantuvo las características del ciclo diurno, incluyendo el enfriamiento nocturno y el calentamiento diurno, sin introducir inestabilidades numéricas, oscilaciones irreales o discontinuidades.
Desempeño computacional: En la configuración unidimensional actual, el esquema HB original fue más rápido (aprox. $10^{-6}$ s por llamada) que la inferencia del MLP (aprox. $10^{-5}$ s por llamada). Sin embargo, los autores señalan que la dependencia del MLP de las operaciones matriciales lo hace inherentemente adecuado para la ejecución vectorizada y paralela, sugiriendo posibles ganancias de rendimiento en futuras implementaciones de computación de alto rendimiento.

Significancia y afirmaciones
El artículo afirma que el modelado de sustitución basado en MLP puede reproducir una parametrización de turbulencia operativa con alta fidelidad y estabilidad numérica. La contribución principal es la demostración de que un emulador basado en datos puede reemplazar una parametrización física específica dentro de un modelo atmosférico pronóstico manteniendo la compatibilidad dinámica.

Los autores posicionan este trabajo como un paso hacia las "parametrizaciones híbridas de física–aprendizaje automático". A diferencia de los sistemas de pronóstico totalmente basados en datos (por ejemplo, GraphCast, NeuralGCM) que reemplazan la dinámica completa del modelo, este enfoque preserva la estructura física del modelo numérico mientras sustituye solo un proceso de escala subrejilla específico. Esto ofrece una vía controlada para la integración del ML en modelos operativos, manteniendo la interpretabilidad física. El estudio reconoce limitaciones, incluyendo la dependencia del rango de los datos de entrenamiento (GoAmazon 2014/15) y la herencia de las limitaciones estructurales del esquema HB original, pero concluye que el marco proporciona una base prometedora para la investigación futura en modelos atmosféricos híbridos.

Más como este