La inteligencia artificial descubre extremos climáticos históricos no detectados anteriormente

Investigadores han aplicado inteligencia artificial (IA) a los datos sobre el tiempo y el clima acopiados por más de 30 mil estaciones meteorológicas para analizar los extremos de temperatura en Europa; han encontrado una excelente concordancia en comparación con los resultados obtenidos por métodos tradicionales, y también han descubierto extremos climáticos que no se conocían anteriormente.

Su trabajo ha sido publicado en Nature Communications.

Dado que el clima mundial está cambiando rápidamente, es importante saber cómo cambian los extremos de temperatura y precipitaciones, para que los planificadores puedan adaptarse a los extremos aquí y ahora y a lo que viene.

En algunas regiones llueve más fuerte, ahora "muy por encima del clima histórico", según un artículo de 2021 en Nature. Los extremos de calor también han aumentado: más del 30% de la superficie terrestre mundial registra ahora temperaturas mensuales superiores al nivel estadístico de dos sigma en un año determinado, frente a aproximadamente el 1% en 1950.

Un problema importante en el análisis de los promedios históricos de temperatura es la falta de datos de algunas estaciones meteorológicas, especialmente en la primera mitad del siglo pasado.

Un equipo dirigido por Étienne Plésiat del Centro Alemán de Computación Climática en Hamburgo, que incluye colegas del Reino Unido y España, vio las temperaturas extremas como un área propicia para la aplicación de las técnicas de redes neuronales de IA.

Se centraron en Europa, que cuenta con una cantidad especialmente densa de estaciones meteorológicas que se remontan a épocas más antiguas que las de cualquier otro lugar del mundo (por ejemplo, los datos mensuales de temperatura de Hadley Central England comienzan en 1659, el registro más antiguo del mundo).

Utilizando inteligencia artificial, el grupo reconstruyó observaciones de fenómenos climáticos extremos en Europa: días extremadamente cálidos y fríos, y noches extremadamente cálidas y frías.

Debido a la alta densidad de estaciones de temperatura europeas, los métodos estadísticos tradicionales como Kriging, Ponderación de Distancia Inversa y Ponderación de Distancia Angular funcionan bien para predecir valores de temperatura para cualquier ubicación que carezca de un termómetro pero tenga estaciones vecinas cercanas, pero funcionan mal cuando los datos cercanos son escasos.

Todos son métodos para utilizar valores medidos junto con la distancia desde el punto de interés hasta una estación meteorológica vecina para predecir la temperatura en la ubicación de interés, la principal diferencia es cómo se ponderan las distancias (o ángulos) en el cálculo.

En los últimos años, los métodos de IA han superado estas formas tradicionales de completar la información climática faltante y cuantificar las incertidumbres.

Los investigadores descubrieron que su técnica de aprendizaje profundo, a la que llaman CRAI (Climate Reconstruction AI), superó varios métodos de interpolación para calcular los días cálidos (el porcentaje de días en que la temperatura máxima diaria fue mayor que el percentil 90), los días fríos (el porcentaje de días en que la temperatura máxima diaria fue menor que el percentil 10) y, de manera similar, para las noches cálidas y las frías.

Además, su CRAI reveló extremos europeos previamente desconocidos, por ejemplo, olas de frío como la de 1929 y olas de calor, incluida la de 1911. Debido a la escasez de datos, tales extremos sólo se insinuaron de manera anecdótica.

"De hecho, encontramos que nuestra reconstrucción basada en IA muestra una mayor precisión que los métodos estadísticos tradicionales, particularmente en regiones con escasez pronunciada de datos", y agregó que el entrenamiento de estos modelos CRAI debería mejorar la precisión cuando se explotan grandes cantidades de información.

"Este trabajo subraya el potencial transformador de la IA para mejorar nuestra comprensión de los fenómenos climáticos extremos y sus cambios a largo plazo", indica la investigación.