Los eventos de bloqueo atmosférico son patrones climáticos persistentes y de alto impacto que ocurren cuando sistemas de alta presión a gran escala se detienen y desvían la corriente en chorro y las trayectorias de las tormentas durante semanas, y pueden estar asociados con inundaciones u olas de calor sin precedentes, como las de Europa en 2023. como En un nuevo estudio, la científica atmosférica Christina Caramperidor de la Universidad de Hawaii en Manoa utilizó un modelo de aprendizaje profundo para estimar la frecuencia de los eventos de bloqueo en los últimos 1.000 años y arrojar luz sobre cómo el cambio climático podría afectar estos eventos significativos en el futuro.
“Esta investigación se propuso extraer una señal paleoclimática del registro paleoclimático utilizando un modelo de aprendizaje profundo que estima la frecuencia de bloqueo atmosférico a partir de la temperatura de la superficie”, dijo Caramperido. “Este es un estudio único y el primer intento de reconstruir un largo registro de frecuencias de bloques basándose en su relación con la temperatura de la superficie, que es compleja y desconocida. Los métodos de aprendizaje automático pueden ser muy poderosos para este tipo de trabajo”.
Entrenamiento de modelos de aprendizaje profundo
Karamperidou desarrolló un modelo especial de aprendizaje profundo, que entrenó utilizando grandes cantidades de datos históricos y simulaciones de modelos climáticos. Luego, el modelo pudo estimar la frecuencia de eventos de bloqueo debido a anomalías en las reconstrucciones de temperatura estacional durante el último milenio. Estas reconstrucciones de temperaturas pasadas están relativamente bien limitadas por una extensa red de registros de anillos de árboles sensibles a la temperatura de la temporada de crecimiento.
“Este enfoque muestra que los modelos de aprendizaje profundo son herramientas poderosas para superar el problema de larga data de derivar el paleoclima del paleoclima”, dijo Caramperido. “Este método también se puede utilizar para el período de los instrumentos de la historia del clima, a partir del siglo XVIII, cuando se realizaban mediciones meteorológicas periódicas, ya que sólo tenemos datos fiables para detectar el bloqueo desde la década de 1940, o quizás sólo desde la era de los satélites (posterior a 1979). ).
Frecuencia de futuros eventos de bloqueo
Todavía no existe un consenso científico sobre cómo el cambio climático alterará la frecuencia de los eventos de bloqueo. Estos fuertes y persistentes sistemas de alta presión en latitudes medias pueden tener efectos significativos para Hawaii, donde las inundaciones están asociadas con bloques persistentes del Pacífico Norte, y a nivel mundial, por ejemplo, en el noroeste del Pacífico y Europa, donde los bloques de verano pueden traer calor extremo. la ola
Por lo tanto, para Hawái es fundamental comprender los cambios en la frecuencia de estos eventos, especialmente en lo que se relacionan con otros actores climáticos importantes, como El Niño y los patrones a largo plazo de la temperatura de la superficie del mar en el Pacífico tropical. Este estudio permitió a Karamperidou relacionar las frecuencias de bloqueo en latitudes medias y altas con la variabilidad climática del Pacífico tropical a lo largo del último milenio, lo cual es necesario para la validación de modelos climáticos y para reducir la incertidumbre en las futuras proyecciones climáticas de bloqueo.
Investigación abierta y transparencia
Karamperidou trabajó con dos estudiantes de UH Manoa para crear una interfaz web única para explorar modelos de aprendizaje profundo y las reconstrucciones resultantes. Destacó que compartir resultados y métodos de esta manera es importante para las mejores prácticas de investigación abierta y la transparencia, especialmente porque la aplicación del aprendizaje automático y la inteligencia artificial se expande rápidamente a muchos aspectos de la vida cotidiana. La interfaz web está alojada en Jetstream-2, un sistema de computación en la nube respaldado por NSF cuyos socios regionales incluyen los Servicios de Tecnología de la Información de la Universidad de Hawaii – Cyberinfrastructure y el Hawaii Data Science Institute.
En el futuro, Karamperidou planea explorar una serie de mejoras en las propiedades y la arquitectura del modelo de aprendizaje profundo para ampliar sus aplicaciones a eventos climáticos y variables directamente relacionadas con altos impactos socioeconómicos.