Los eventos de bloqueo atmosférico son patrones climáticos persistentes y de alto impacto que ocurren cuando sistemas de alta presión a gran escala se vuelven estacionarios y desvían la corriente en chorro y las trayectorias de las tormentas durante días o semanas, y estos podrían estar asociados con inundaciones u olas de calor sin precedentes. como en Europa en 2023. En un nuevo estudio, la científica Christina Crampardo de la Universidad de Hawaii en Mānoa utilizó un modelo de aprendizaje profundo para predecir la frecuencia de eventos extremos que han ocurrido en los últimos 1.000 años y arrojar luz sobre cómo el clima futuro puede cambiar y cómo los cambios podrían afectarlos. Fenómenos importantes.
“Este estudio se propuso extraer una señal paleoclimática de los registros paleoclimáticos utilizando un modelo de aprendizaje profundo que estima la frecuencia del bloqueo atmosférico a partir de la temperatura de la superficie”, dijo Karamperidou. “Este es un estudio único y el primer intento de reconstruir un largo registro de frecuencias de parada basándose en su relación con la temperatura de la superficie, que es compleja y desconocida. Los métodos de aprendizaje automático son muy útiles para tales tareas. Pueden ser poderosos”.
Entrenando un modelo de aprendizaje profundo
Karamperidou desarrolló un modelo especial de aprendizaje profundo, que entrenó utilizando grandes conjuntos de datos históricos y simulaciones de modelos climáticos. Luego, el modelo pudo estimar la frecuencia de los eventos de bloqueo debido a las anomalías en la reconstrucción de la temperatura climática durante el último milenio. Estas reconstrucciones de temperaturas pasadas están relativamente bien limitadas por extensas redes de registros de anillos de árboles que son sensibles a la temperatura durante la temporada de crecimiento.
“Este enfoque muestra que los modelos de aprendizaje profundo son herramientas poderosas para superar el problema de larga data de extraer paleoclima del paleoclima”, dijo Kramperido. “Este enfoque también se puede utilizar para el período instrumental de la historia del clima, que comenzó en el siglo XVIII, cuando el clima se medía de forma rutinaria, porque sólo tenemos bloques de la década de 1940. Tenemos datos fiables para identificar, o posiblemente sólo la era de los satélites (posteriormente). -1979).”
Frecuencia de futuros eventos de bloqueo
Todavía no existe un consenso científico sobre cómo el cambio climático cambiará la frecuencia de los eventos de bloqueo. Estos fuertes y persistentes sistemas de alta presión en latitudes medias pueden tener efectos significativos en Hawái, donde las inundaciones son consistentes con los bloques del Pacífico Norte, y en todo el mundo, por ejemplo, en el noroeste del Pacífico y Europa, donde los bloqueos de verano pueden provocar un calor intenso. las olas
Por lo tanto, para Hawái es muy importante comprender los cambios en la frecuencia de estos eventos, particularmente en su relación con otros actores climáticos importantes, como El Niño y los patrones a largo plazo de las temperaturas de la superficie del mar en el Pacífico tropical. El estudio permitió a Karamperidou vincular las frecuencias de bloqueo en latitudes medias y altas con la variabilidad climática del Pacífico tropical en el contexto prolongado del último milenio, lo cual es esencial para la validación de modelos climáticos y las proyecciones climáticas futuras.
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 – Cyber Infrastructure y el Hawaii Data Science Institute.
En el futuro, Karamperidou planea explorar varias características y mejoras arquitectónicas del modelo de aprendizaje profundo para expandir su aplicación a fenómenos y variables climáticas que están directamente relacionadas con altos impactos socioeconómicos.
