📄 earth_science

Using decadal forecasts of modes of variability to refine the first few years of climate projections

Este artículo introduce un método para integrar de manera fluida los pronósticos decadales con las proyecciones climáticas a largo plazo mediante la ponderación de estos basándose en la evolución a corto plazo tras eliminar las señales forzadas, mejorando así la precisión de las predicciones de la temperatura global y de climas regionales específicos para los primeros años, al tiempo que proporciona orientación sobre los tiempos de adelanto adecuados para los responsables de la toma de decisiones.

Autores originales: David Sexton, Jason Lowe, Carol McSweeney

Publicado 2026-08-27

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: David Sexton, Jason Lowe, Carol McSweeney

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 planificadores climáticos se enfrentan a una elección difícil al mirar hacia el futuro. Para las decisiones que se tomarán dentro de décadas, dependen de proyecciones a largo plazo que simulan cómo responderá el planeta a la actividad humana, como la quema de combustibles fósiles. Estas simulaciones son esenciales para construir infraestructuras resilientes, pero tratan el futuro como un rango de posibilidades sin tener en cuenta en qué estado se encuentra el sistema climático en este momento. Para las decisiones que se toman en el futuro inmediato, como la planificación de las inundaciones del próximo invierno, los pronosticadores utilizan modelos inicializados que parten del estado actual del océano y la atmósfera. Estos pronósticos a corto plazo suelen ser más precisos porque capturan los ritios naturales del clima, pero pierden su poder predictivo después de unos pocos años. El desafío ha sido tender un puente entre estos dos mundos: crear una imagen única y coherente que utilice la precisión de los pronósticos a corto plazo para refinar las proyecciones a largo plazo, sin permitir que los datos a corto plazo distorsionen el panorama general.

Un equipo de investigadores del Met Office en el Reino Unido ha desarrollado un nuevo método para resolver este problema. Crearon un "producto fusionado" que combina proyecciones climáticas a largo plazo con pronósticos decenales a corto plazo. En lugar de simplemente elegir el mejor pronóstico a corto plazo y descartar el resto, su enfoque pondera las proyecciones a largo plazo basándose en qué tan bien sus variaciones naturales coinciden con los patrones observados en los pronósticos a corto plazo. Esto permite que los datos a largo plazo se beneficien del estado actual del sistema climático, pero solo durante el tiempo que dicho estado permanezca predecible. El resultado es una transición fluida desde el futuro cercano, donde el estado de ánimo actual del clima importa, hacia el futuro distante, donde la tendencia a largo plazo toma el control.

Los investigadores probaron su método en cuatro indicadores climáticos específicos: la temperatura del Atlántico Norte subpolar en verano, la temperatura media global anual, El Niño-Oscilación del Sur (ENSO) en el Pacífico y la Oscilación del Atlántico Norte en invierno. Para las temperaturas del Atlántico Norte en verano, el producto fusionado mostró una clara ventaja. En el primer año tras el inicio de un pronóstico, el nuevo método capturó los cambios de temperatura observados casi tan bien como los propios pronósticos a corto plazo. Esta destreza se desvaneció gradualmente con el tiempo, pero el método siguió siendo útil hasta por cinco años, una mejora significativa respecto a las proyecciones a largo plazo no ajustadas. Los investigadores encontraron que, para las temperaturas globales, el beneficio de esta fusión fue más visible en el primer año, ayudando a corregir la magnitud de la tendencia de calentamiento y capturando periodos de enfriamiento a corto plazo que los modelos a largo plazo pasaron por alto.

Para el fenómeno de El Niño, que impulsa los patrones climáticos en todo el mundo, el método funcionó bien durante los tres primeros años. Los pronósticos a corto plazo son altamente hábiles para predecir los eventos de El Niño porque parten de la temperatura real del Océano Pacífico. El producto fusionado utilizó con éxito esta destreza temprana para refinar las proyecciones a largo plazo, manteniendo las predicciones precisas durante unos pocos años antes de que la variabilidad natural del sistema climático hiciera que los pronósticos fueran demasiado inciertos para ser útiles. Sin embargo, el método enfrentó desafíos con la Oscilación del Atlántico Norte en invierno, un patrón de presión atmosférica que afecta el clima europeo. En este caso, los modelos climáticos subyacentes tuvieron dificultades para simular con precisión la variabilidad natural del sistema. Debido a que los modelos ya tenían problemas para lograr lo básico, el proceso de fusión no pudo corregir completamente los errores, y el producto final resultó menos fiable de lo que los investigadores esperaban.

Una característica clave de este nuevo enfoque es que no obliga a las proyecciones a largo plazo a seguir a los pronósticos a corto plazo para siempre. Los investigadores diseñaron el sistema de modo que la influencia del estado climático actual se desvanezca naturalmente a medida que aumenta el tiempo de adelanto del pronóstico. Esto evita que las proyecciones a largo plazo se vean excesivamente constreñidas por una instantánea única del presente, lo que podría conducir a conclusiones demasiado confiadas y potencialmente erróneas sobre el futuro distante. En su lugar, el método actúa como un filtro que es más fuerte al principio y se relaja gradualmente, permitiendo que las tendencias a largo plazo vuelvan a emerger como el motor principal de la predicción. Esto asegura que el producto fusionado siga siendo útil para los responsables de la toma de decisiones que necesitan planificar tanto para los próximos años como para las próximas décadas.

El estudio también destacó la importancia de saber en qué herramienta confiar. Para variables como la temperatura global y El Niño, el producto fusionado ofrece una guía fiable durante los dos o tres primeros años, tras los cuales los planificadores deberían confiar más en las proyecciones a largo plazo. Para las temperaturas del Atlántico Norte en verano, la ventana de valor añadido se extiende hasta aproximadamente cinco años. Sin embargo, para la Oscilación del Atlántico Norte en invierno, los investigadores advierten que los modelos actuales aún no son lo suficientemente buenos como para sustentar este tipo de fusión, y utilizar el método en ese caso podría ser engañoso. El trabajo sugiere que, si bien la tecnología para combinar estos diferentes tipos de información climática está lista, su éxito depende en gran medida de la calidad de los modelos subyacentes. A medida que los modelos climáticos sigan mejorando, este método podría convertirse en una herramienta estándar para proporcionar una visión clara y continua de nuestro clima cambiante, desde el próximo invierno hasta el próximo siglo.

Resumen Técnico: Uso de pronósticos decadales de modos de variabilidad para refinar los primeros años de las proyecciones climáticas

Planteamiento del problema
Los planificadores de la adaptación climática enfrentan el desafío de integrar dos fuentes distintas de información climática: las proyecciones a largo plazo y los pronósticos inicializados decadales. Las proyecciones a largo plazo (por ejemplo, CMIP6) capturan la respuesta forzada a los forzamientos antropogénicos y naturales, pero no asimilan el estado actual del sistema climático, perdiendo la predictibilidad de corto plazo derivada de la variabilidad interna. Por el contrario, los pronósticos decadales inicializados ofrecen una mayor precisión a corto plazo al constreñir la variabilidad interna basándose en los estados observados de los océanos y la atmósfera. Sin embargo, estas dos fuentes difieren en complejidad, escenarios de forzamiento y paradigmas de toma de decisiones (basados en la precisión frente a los basados en la resiliencia). Los métodos existentes para fusionarlas, como el "sombreado" (selección de un subconjunto fijo de proyecciones que coinciden con un pronóstico), suelen sufrir problemas como el de constreñir excesivamente las proyecciones más allá de la escala temporal de predictibilidad, la subdispersión debido a tamaños de muestra pequeños y la posibilidad de duplicar la información si las proyecciones ya han sido ponderadas por tendencias históricas.

Metodología
Los autores proponen un "producto fusionado" que pondera las proyecciones a largo plazo basándose en su evolución a corto plazo respecto a los pronósticos decadales inicializados, sin utilizar directamente los valores del pronóstico como el resultado final. La metodología consta de los siguientes pasos:

Modelo conceptual: El enfoque trata los datos de la proyección como la suma de una señal verdadera (escalas de tiempo largas y cortas) y la variabilidad interna. Los datos del pronóstico se descomponen en deriva (drift), choques de inicialización, una señal forzada (relacionada linealmente con las ejecuciones no inicializadas), una señal residual predecible (contribución de la inicialización) y variabilidad interna.
Eliminación de la señal: Para garantizar la independencia de las restricciones aplicadas previamente (como la ponderación de tendencias), el método elimina la señal forzada tanto de los pronósticos como de las proyecciones a largo plazo.
- Para las proyecciones, la señal forzada se estima utilizando un filtro de paso bajo de 32 años sobre las medias del conjunto (o realizaciones individuales) para aislar las señales antropogénicas a largo plazo, seguido de la eliminación de las señales forzadas de corto plazo (por ejemplo, volcánicas, solares) mediante el promedio de las desviaciones.
- Para los pronósticos, la señal forzada se estima mediante la regresión de la anomalía del pronóstico corregida por la deriva respecto al promedio de un conjunto de proyección no inicializado correspondiente (o el conjunto no inicializado más correlacionado).
Ponderación por verosimilitud: El método calcula pesos de verosimilitud para cada realización de la proyección en tiempos de adelanto específicos ( $T+1$ a $T+9$ ). Estos pesos se derivan de una distribución gaussiana multivariante que compara las variaciones residuales de las proyecciones contra la media y la dispersión del "conjunto de la contribución de la inicialización" derivado de los hindcasts decadales.
Suavizado: Para asegurar una transición fluida y evitar saltos bruscos en los pesos, estos se suavizan a través de los tiempos de adelanto utilizando un enfoque de máximo hasta el tiempo de adelanto, reteniendo la información sobre la predictibilidad inicial mientras se permite que la influencia de la inicialización disminuya a medida que la predictibilidad decae.
Evaluación: El desempeño del producto fusionado se evalúa frente a la reanálisis (ERA5) utilizando tres métricas:
- Coeficiente de Correlación de Anomalías (ACC): Mide la destreza (precisión).
- Dispersión sobre el Error (SOE): Mide la fiabilidad (dispersión).
- Fracción dentro del Intervalo de Confianza del 80% (FRAC80): Mide la fiabilidad.
- Tamaño de Conjunto Efectivo: Cuantifica la información independiente retenida tras la ponderación.

Contribuciones Clave

Integración Fluida: El método proporciona un marco coherente para fusionar pronósticos inicializados con proyecciones a largo plazo, cerrando la brecha entre la precisión a corto plazo y la resiliencia a largo plazo.
Independencia de la Señal Forzada: Al eliminar la señal forzada antes de la ponderación, el método evita la duplicidad de información y asegura que los pesos sean independientes de cualquier restricción previa basada en tendencias aplicada a las proyecciones.
Ponderación Dinámica: A diferencia de los métodos de sombreado estático que seleccionan un subconjunto fijo, este enfoque aplica pesos basados en la verosimilitud que evolucionan con el tiempo de adelanto, relajando naturalmente las restricciones a medida que la predictibilidad disminuye.
Tamaño de Conjunto Efectivo: El método elimina la necesidad de una selección subjetiva del número de proyecciones a retener, derivando en su lugar un tamaño de conjunto efectivo basado en los pesos calculados.

Resultados
El método fue probado en cuatro índices de gran escala: temperaturas del Verano del Atlántico Norte Subpolar (SPNA), Temperatura Media Global Anual (AGMT), ENSO de diciembre-febrero y la Oscilación del Atlántico Norte (NAO) de enero-marzo.

Temperaturas de la SPNA: El producto fusionado añade valor sobre las proyecciones puras para tiempos de adelanto de hasta 5 años. Sin embargo, el producto fusionado se volvió subdispersivo (las observaciones se situaron dentro del intervalo del 80% solo el 60% de las veces), principalmente porque los hindcasts subyacentes subestimaron las tendencias de calentamiento y exhibieron una amplia incertidumbre.
AGMT: El producto fusionado mostró una alta destreza en todos los tiempos de adelanto, impulsada por la fuerte señal forzada. La ponderación por inicialización aportó valor principalmente en $T+1$ , capturando mejor la variabilidad alrededor de la tendencia (por ejemplo, el enfriamiento post-1998) que las proyecciones sin ponderar.
ENSO: El producto fusionado capturó la alta destreza de los hindcasts en $T+1$ (correlación ~0.87), pero esta destreza decayó rápidamente, sin aporte de valor de la inicialización para $T+4$ . El producto fusionado se volvió subdispersivo porque el conjunto CMIP6 subyacente ya era subdispersivo respecto a la variabilidad de ENSO.
NAO: Debido a las bajas relaciones señal-ruido y a los sesgos en la variabilidad de los modelos, el producto fusionado mostró solo una destreza modesta en $T+1$ y permaneció subdispersivo. El método no pudo superar las deficiencias fundamentales de los modelos en la representación de la variabilidad de la NAO.

Significación y Afirmaciones
El artículo afirma que el producto fusionado ofrece una herramienta práctica para los tomadores de decisiones que requieren información climática consistente a través de diversas escalas temporales. Permite a los planificadores identificar "ventanas de oportunidad" específicas (fechas de inicio) donde los pronósticos inicializados añaden valor a las proyecciones a largo plazo. Los autores enfatizan que el método es más efectivo para variables donde la señal forzada está bien representada y donde los pronósticos decadales demuestran una destreza genuina en la predicción de modos de variabilidad. Específicamente, el producto fusionado añade valor sobre las proyecciones puras para tiempos de adelanto de 2 años para la temperatura global, 3 años para ENSO y 5 años para las temperaturas del giro subpolar del Atlántico Norte.

Los autores declaran explícitamente que el producto fusionado hereda las limitaciones de sus conjuntos de datos de origen. Para variables con una representación de la variabilidad o de la señal deficiente (como la NAO), el producto fusionado no resuelve estos problemas fundamentales. Advierten que, si bien el método mejora la transición entre escalas temporales, su uso operativo requiere una consideración cuidadosa de la disponibilidad de datos (específicamente los datos de hindcast para modelos más nuevos) y de la fiabilidad (dispersión) del producto resultante. El artículo concluye que el producto fusionado aún no está listo operativamente para todas las variables, pero proporciona un marco robusto para evaluar cuándo y dónde la información inicializada puede refinar las proyecciones a largo plazo.

Más como este