From Hours to Daily Extremes: Evaluating ERA5 and ERA5-Land Biases Across Morocco’s Diverse Climates

El pronóstico meteorológico ha entrado en una nueva era donde potentes programas informáticos, entrenados en vastos archivos de datos meteorológicos pasados, están comenzando a rivalizar con los modelos tradicionales basados en la física. Estos sistemas de inteligencia artificial no simulan la atmósfera desde los primeros principios; en su lugar, aprenden patrones de registros históricos para predecir qué es lo que sigue. La fuente más confiable para estos registros históricos es un conjunto de datos global llamado ERA5, una reconstrucción detallada de la atmósfera que llena los vacíos donde no existen estaciones meteorológicas. Una versión más nueva y de mayor resolución llamada ERA5-Land se centra específicamente en la superficie terrestre, prometiendo una mayor precisión para el suelo que pisamos. Debido a que estos modelos de IA dependen enteramente de estos datos para aprender, la calidad de la reconstrucción es primordial. Si el registro histórico contiene errores ocultos o suaviza los extremos locales, la IA heredará esas fallas, fallando potencialmente en la predicción de los eventos peligrosos que la sociedad necesita conocer.

En Marruecos, un país donde el paisaje cambia drásticamente desde las llanuras costeras hasta las altas cadenas montañosas y los desiertos áridos, un grupo de investigadores se propuso probar la fiabilidad de estos dos conjuntos de datos. Querían saber si los mapas digitales del pasado coincidían realmente con la realidad registrada por las estaciones meteorológicas sobre el terreno. El equipo recopiló observaciones horarias de treinta y seis estaciones diferentes en todo el país, cubriendo una amplia gama de climas y topografías desde 2016 hasta 2024. Compararon la temperatura, la humedad, la velocidad del viento y la precipitación registradas por las estaciones contra los valores proporcionados tanto por el ERA5 estándar como por el ERA5-Land, centrado en la tierra. El objetivo era ver si las reconstrucciones digitales podían capturar los detalles sutiles y locales del clima, especialmente durante los eventos más extremos de calor, frío y viento que definen la región.

La investigación reveló que, para comprender los patrones climáticos generales, ambos conjuntos de datos son notablemente buenos. Reproducen con éxito el ritmo diario del clima, capturando cómo las temperaturas suben y bajan a lo largo del día y cómo cambian las estaciones a lo largo del año. Para condiciones promedio, ambos productos son ampliamente intercambiables, aunque el ERA5 estándar tiende a ser ligeramente más preciso para la temperatura y la humedad, mientras que el ERA5-Land, específico para la tierra, ofrece una pequeña ventaja en la medición de la velocidad del viento sobre terrenos complejos y montañosos. Sin embargo, la historia cambia cuando los investigadores observaron los extremos. Aunque los modelos manejan bien el clima moderado, su capacidad para predecir los eventos más severos depende en gran medida de qué tan raros sean esos eventos.

Cuando los investigadores probaron los modelos frente a umbrales de calor, frío y viento extremos, encontraron un patrón claro. Ambos conjuntos de datos funcionaron bien al detectar extremos moderados, como un día muy caluroso o una ráfaga de viento fuerte. Pero a medida que los eventos se volvían más raros e intensos, la habilidad de los modelos disminuía significamente. Para los días más calurosos o los vientos más fuertes, los modelos a menudo fallaban por completo. Los investigadores señalaron que este fallo no es necesariamente un defecto único del software, sino una limitación fundamental de intentar hacer coincidir un mapa digital amplio y basado en cuadrículas con un punto específico y único en el suelo. Una estación meteorológica se encuentra en un microclima único, quizás en un valle o en una pendiente específica, mientras que el modelo digital representa un área grande que promedia esos detalles locales. Este desajuste significa que incluso un modelo perfecto no puede predecir el valor máximo exacto en una estación específica si ese pico es impulsado por una geografía local que el modelo no puede ver.

El estudio también descubrió un obstáculo técnico específico para el conjunto de datos centrado en la tierra. Debido a que ERA5-Land está diseñado solo para la tierra, deja fuera al océano. Esto crea un problema para las estaciones ubicadas en la costa o cerca de islas, donde el modelo no tiene un punto de cuadrícula válido para coincidir con la observación. En algunos casos, los datos para estas estaciones costeras simplemente no existen en la versión de solo tierra, un vacío que podría confundirse fácilmente con registros meteorológicos faltantes si no se comprueba cuidadosamente. Además, los investigadores encontraron que la mayor resolución del conjunto de datos de tierra no siempre ayudaba. En algunas zonas desérticas y montañosas, la cuadrícula más fina de hecho introdujo más ruido en las lecturas de temperatura y humedad, particularmente durante la noche, sin mejorar la precisión general.

En última instancia, la investigación sugiere que, si bien estos conjuntos de datos globales son herramientas excelentes para estudiar las tendencias climáticas generales y entrenar modelos de IA, deben usarse con precaución al predecir eventos climáticos específicos y potencialmente mortales a nivel local. Los modelos no están rotos, pero no están diseñados para ver los detalles más pequeños del paisaje. Los autores recomiendan que cualquier persona que utilice estos datos para estudios de impacto o verificación de IA se concentre en los extremos relativos —qué tan inusual es un día en comparación con el promedio local— en lugar de umbrales absolutos como "un día más caliente de 45 grados". También aconsejan verificar explícitamente los vacíos de cobertura cerca de la costa e informar los errores de una manera que tenga en cuenta la variabilidad natural del viento y la temperatura. Al comprender estas limitaciones, los científicos y pronosticadores pueden interpretar mejor los mapas digitales del pasado, asegurando que la próxima generación de predicciones meteorológicas permanezca arraigada en la compleja realidad del mundo.