Reducing forced-signal uncertainty in the INM RAS climate models using a pattern-recognition based approach
Este artículo integra restricciones emergentes con una metodología de reconocimiento de patrones para reducir la incertidumbre intermodelo en las proyecciones de la temperatura del aire en la superficie cercana a través de los modelos climáticos INM RAS, logrando estrechar con éxito los patrones de calentamiento histórico pero sin lograr restringir la señal congruente con el CO2 proyectada para finales del siglo XXI.
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
Los científicos climáticos dependen de complejos programas informáticos, conocidos como Modelos del Sistema Tierra, para simular cómo nuestro planeta ha comportado su atmósfera y sus océanos en el pasado y para predecir cómo cambiarán en el futuro. Estos modelos son herramientas esenciales para comprender las consecuencias del aumento de los niveles de gases de efecto invernadero, pero a menudo discrepan entre sí. Cuando diferentes modelos ejecutan el mismo escenario, pueden producir predicciones muy variadas sobre cuánto se calentará el mundo o cómo se distribuirá ese calentamiento en todo el globo. Este desacuerdo, o incertidumbre, dificulta que las sociedades planifiquen respuestas eficaces al cambio climático. Una fuente importante de esta incertidumbre radica en cómo los modelos gestionan procesos físicos invisibles, como la formación de las nubes, que son demasiado pequeños para ser vistos directamente por la cuadrícula de la computadora pero tienen un enorme impacto en el clima. Para lograr mejores predicciones, los investigadores buscan constantemente formas de estrechar la brecha entre estos diferentes resultados de los modelos y la realidad que observamos en el registro histórico.
Un equipo de investigadores liderado por Sergey Kravtsov, junto con colegas de la Academia de Ciencias de Rusia, ha desarrollado un nuevo método para abordar este problema del desacuerdo entre modelos. Se centraron en tres versiones específicas de un modelo climático desarrollado en el Instituto de Matemática Numérica de Rusia, que varían en su resolución y en cómo gestionan la física de las nubes. Los investigadores querían ver si podían utilizar una técnica llamada reconocimiento de patrones para ajustar las proyecciones futuras de los modelos de modo que coincidieran más estrechamente con la historia observada de las temperaturas globales. Su enfoque consistió en descomponer los datos de temperatura en dos partes: una tendencia de calentamiento constante impulsada por el dióxido de carbono y una señal de fondo más compleja y fluctuante causada por otros factores. Al analizar cómo se comportaron estos patrones durante el período histórico de 1880 a 2005, crearon un conjunto de reglas para reescalar los resultados de los modelos. El objetivo era forzar a los modelos a alinearse con los registros de temperatura reales que poseemos, efectivamente "ajustándolos" antes de mirar hacia el futuro.
Los resultados de este experimento mostraron que el método funcionó bien para el pasado inmediato, pero chocó contra un muro al mirar más hacia adelante. Cuando los investigadores aplicaron sus reglas de reescalado a las proyecciones de los modelos para el año 2100, la dispersión de las predicciones entre los diferentes modelos se redujo significativamente. Los tres modelos, que originalmente predecían diferentes cantidades de calentamiento, se acercaron mucho más, convergiendo todos en un aumento de la temperatura global de aproximadamente 3 grados Celsius para finales de siglo. Esto sugiere que el método logró reducir con éxito la incertidumbre en los pronósticos de corto plazo de los modelos al corregir los sesgos que eran visibles en los datos históricos. Los investigadores descubrieron que los modelos tendían a sobreestimar la velocidad del calentamiento en el futuro, y su proceso de ajuste redujo estas proyecciones a un nivel más consistente.
Sin embargo, el estudio también reveló una limitación crítica. Si bien el reescalado funcionó para el período histórico y el futuro cercano, falló al intentar restringir un tipo específico de señal climática que emerge más adelante en el siglo XXI. Los investigadores descubrieron que existe un componente de cambio climático de movimiento lento, probablemente relacionado con la forma en que el océano y la atmósfera se ajustan al calentamiento a lo largo de las décadas, que no aparece claramente en los datos históricos. Debido a que esta señal no era visible en el pasado, el método de reconocimiento de patrones no pudo identificarla ni corregirla. En consecuencia, incluso después de que los modelos fueran reescalados, seguían discrepando sobre la magnitud de este calentamiento de finales de siglo. El estudio sugiere que, si bien podemos mejorar nuestros modelos haciéndolos coincidir con lo que ya hemos visto, todavía existen procesos ocultos y de acción lenta en el sistema climático que siguen siendo difíciles de predecir con los métodos actuales.
Los investigadores probaron su idea utilizando una versión de su modelo como sustituto del "mundo real" para ver si el reescalado podía acercar a los otros modelos a este. Este experimento confirmó que el método podía, de hecho, reducir las diferencias entre los modelos, demostrando que la técnica es matemáticamente sólida. Sin embargo, el hallazgo central sigue siendo que el método es tan bueno como los datos de los que aprende. Si una señal de cambio climático es demasiado lenta para ser detectada en el registro histórico, el método no puede corregir el error del modelo respecto a esa señal. Esto implica que, si bien podemos refinar nuestras proyecciones climáticas aprendiendo del pasado, existe un límite fundamental en cuanto a cuánto podemos reducir la incertidumbre sin comprender estos mecanismos más profundos y lentos del sistema climático de la Tierra. El trabajo no resuelve el problema de la incertidumbre de los modelos por completo, pero ofrece un camino más claro para entender dónde nuestras herramientas actuales tienen éxito y dónde fallan.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.