El clima extremo ocasiona estragos, pero prepararse para hacer frente a los fenómenos meteorológicos extremos en un clima cambiante es literalmente un desafío. Las causas son complejas y las respuestas al calentamiento global al parecer no es bien comprendido por la humanidad. En este escenario un grupo de investigadores de Stanford desarrollaron una herramienta de aprendizaje automático para identificar las condiciones de los eventos de precipitaciones extremas en el Medio Oeste, que representan más de la mitad de todos los grandes desastres por inundaciones en EEUU.
El Político
Publicado en Geophysical Research Letters y reproducido en el sitio digital informativo Brighter, el enfoque del desarrollo tecnológico es uno de los primeros ejemplos que utilizan inteligencia artificial para analizar las causas de los cambios a largo plazo. Incluso en eventos extremos y que podría coadyuvar a que las proyecciones de tales eventos sean más precisas.
La autora principal del estudio se llama Frances Davenport, estudiante de doctorado en Ciencias del sistema terrestre en la Escuela de Ciencias de la Tierra, Energía y Medio Ambiente de Stanford (Stanford Earth). Ella explica: "Sabemos que las inundaciones han empeorado. Nuestro objetivo era comprender por qué están aumentando las precipitaciones extremas, lo que a su vez podría conducir a mejores predicciones sobre futuras inundaciones".
Entre otros impactos, se espera que el calentamiento global genere lluvias y nevadas más intensas al crear una atmósfera más cálida que pueda contener más humedad. Los científicos plantean la hipótesis de que el cambio climático también puede afectar las precipitaciones de otras formas, como cambiar cuándo y dónde ocurren las tormentas. Sin embargo, revelar estos impactos no ha sido fácil, en parte porque los modelos climáticos globales no necesariamente tienen la resolución espacial para modelar estos eventos extremos regionales.
Can ambitious interventions slow the pace of wildfires fed by extreme heat and drought? If so, what would they look like, how much would they cost and where would the money come from? Chris Field and Michael Wara discuss the possibilities: https://t.co/6e8w49TwG0 pic.twitter.com/uiekc4Fa7A
— Stanford Earth (@StanfordEarth) August 13, 2021
Inteligencia artificial a la orden del clima extremo
Noah Diffenbaugh, profesor de la Fundación Kara J en la Facultad de Ciencias de la Tierra, Energía y Medio Ambiente, fungió como coautor del estudio. Comentó: "Este nuevo enfoque para aprovechar las técnicas de aprendizaje automático está abriendo nuevas vías en nuestra comprensión de las causas subyacentes de los extremos cambiantes. Eso podría permitir que las comunidades y los tomadores de decisiones se preparen mejor para eventos de alto impacto. Entre ellos lo que son tan extremos que quedan fuera de nuestra experiencia histórica”.
Davenport y Diffenbaugh se concentraron en la cuenca del Alto Mississippi y la parte este de la cuenca del Missouri. La región altamente propensa a las inundaciones. Esta se extiende por partes de nueve estados y ha visto días de precipitaciones extremas y las grandes inundaciones se han vuelto más frecuentes en las últimas décadas. Los investigadores comenzaron utilizando datos climáticos disponibles públicamente para calcular la cantidad de días de precipitación extrema en la región desde 1981 hasta 2019. Luego entrenaron un algoritmo de aprendizaje automático diseñado para analizar datos de cuadrícula. Entre ellos imágenes para identificar patrones de circulación atmosférica a gran escala.
“El algoritmo que usamos identifica correctamente más del 90 por ciento de los días de precipitación extrema. Este resulta ser más alto que el rendimiento de los métodos estadísticos tradicionales que probamos”, dijo Davenport.
What can Northern California learn from the study of deadly Southern California wildfires? Noah Diffenbaugh contributes to the discussion in @mercurynews https://t.co/7XhuqdNfyG pic.twitter.com/ZHh4RYxRk4
— Stanford Earth (@StanfordEarth) August 5, 2021
Enfoques científicos ampliados
El algoritmo de aprendizaje automático entrenado reveló que múltiples factores son responsables del reciente aumento de las precipitaciones extremas en el Medio Oeste. Durante el siglo XXI, los patrones de presión atmosférica que conducen a precipitaciones extremas en el Medio Oeste se han vuelto más frecuentes. Aumentando además a un ritmo de aproximadamente un día adicional por año. Aunque los investigadores señalan que los cambios son mucho más débiles y se remontan más atrás en el tiempo a la década de 1980.
Sin embargo, los investigadores encontraron que cuando ocurren estos patrones de presión atmosférica, la cantidad de precipitación resultante ha aumentado claramente. Como resultado, los días con estas condiciones tienen más probabilidades de tener precipitaciones extremas ahora que en el pasado. Davenport y Diffenbaugh también encontraron que los aumentos en la intensidad de las precipitaciones en estos días estaban asociados con mayores flujos de humedad atmosférica. Puntualmente desde el Golfo de México hacia el Medio Oeste. Y que llevan el agua necesaria para las fuertes lluvias en la región.
Los investigadores esperan ampliar su enfoque para ver cómo estos diferentes factores afectarán las precipitaciones extremas en el futuro. También prevén redistribuir la herramienta para centrarse en otras regiones y tipos de eventos extremos, y analizar distintas causas de precipitaciones extremas, como frentes meteorológicos o ciclones tropicales. Estas aplicaciones ayudarán a analizar aún más las conexiones del cambio climático con el clima extremo.
Davenport concluyó: “Si bien inicialmente nos enfocamos en el Medio Oeste, nuestro enfoque puede aplicarse a otras regiones y usarse para comprender los cambios en eventos extremos de manera más amplia. Esto ayudará a la sociedad a prepararse mejor para los impactos del cambio climático".
“If you just look at the dollar amount, you’re missing one major component of the problem,” says Jenny Suckale. “What might be a nuisance in some communities is life-changing in other communities – it’s really about the proximity to a tipping point.” https://t.co/bo2wSgyTSp pic.twitter.com/xdUNO2fr2n
— Stanford Earth (@StanfordEarth) August 5, 2021
Fuente: Brighter
