Los fenómenos extremos de temperatura y lluvia están aumentando en todo el mundo, incluida Australia. Lo que los hace extremos es su rareza y gravedad en comparación con el clima típico.
Por Milton Speer y Lance M Leslie
El «clima» de una región se define por un promedio de 30 años de precipitaciones y temperaturas, principalmente. Cada vez más, estas definiciones climáticas se han vuelto menos apropiadas: necesitamos analizar los eventos en períodos de tiempo más cortos para obtener una imagen más precisa.
Podemos ver esto en la reciente proliferación mundial de inundaciones extremas y olas de calor prolongadas .
Tomando el sur de Australia como principal ejemplo, nuestra investigación recientemente publicada en Academia Environmental Sciences and Sustainability muestra que las técnicas de aprendizaje automático pueden ayudar a identificar los principales impulsores del clima, respaldando una redefinición del clima en un mundo en calentamiento.
Aumento de eventos ‘flash’
En Australia, las regiones costeras orientales de Queensland y Nueva Gales del Sur siguen recibiendo lluvias torrenciales e inundaciones repentinas récord , intercaladas con períodos secos que duran unos pocos meses a unos pocos años.
En marcado contraste, las regiones costeras del sur se están secando y enfrentando olas de calor más extremas. Con una vegetación ya reseca y peligros catastróficos de incendios, esta región está experimentando condiciones de sequía debido a la disminución de las precipitaciones en la estación fría y al aumento de las temperaturas.
Cabe destacar que las sequías repentinas y las inundaciones repentinas han afectado negativamente tanto al rendimiento de los cultivos agrícolas como a la calidad de los pastos. Las sequías repentinas reducen en gran medida la humedad necesaria para la germinación y las inundaciones repentinas arruinan los cultivos cuando se acerca la época de la cosecha.
El problema con estos fenómenos «relámpago» es lo difícil que es pronosticarlos. Para hacer predicciones estacionales y anuales más precisas sobre las precipitaciones y las temperaturas, necesitamos actualizar nuestros modelos climáticos. Pero ¿cómo sabemos qué factores climáticos debemos incluir?
En busca de una nueva normalidad
Para realizar un seguimiento de las condiciones climáticas típicas y proporcionar contexto para los pronósticos meteorológicos y climáticos, la Organización Meteorológica Mundial utiliza un conjunto de productos de datos conocidos como normales climatológicas estándar .
Definen el clima como promedios de variables meteorológicas mensuales, estacionales y anuales, como la temperatura y las precipitaciones, durante períodos consecutivos de 30 años.
Las normales climáticas se pueden utilizar para evaluar qué tan típico fue un evento en particular en un lugar determinado con respecto al clima actual. Así es como llegamos a las anomalías de temperatura.
Por ejemplo, para determinar si un año fue relativamente «caluroso» o «frío», observamos la anomalía: la diferencia entre la temperatura promedio del año calendario en cuestión, en comparación con la normal climática.
Pero ahora se producen variaciones extremas en períodos de diez años o incluso más cortos. En consecuencia, múltiples aumentos y disminuciones pueden anularse entre sí a lo largo de un período de 30 años, lo que ocultaría los grandes cambios en las estadísticas de las variables meteorológicas dentro de ese período.
Por ejemplo, los grandes cambios en las precipitaciones en las cantidades medias mensuales, estacionales y anuales pueden quedar ocultos en los promedios de 30 años. El calentamiento global suele amplificar o disminuir los impactos de múltiples fases de factores climáticos en períodos de aproximadamente diez años . Cuando se promedian durante 30 años consecutivos, se pierde cierta información.
¿Qué encontramos?
En la última década, el aprendizaje automático (en el que las computadoras aprenden de datos pasados para hacer inferencias sobre el futuro) se ha convertido en una herramienta poderosa para detectar posibles vínculos entre el calentamiento global y los fenómenos meteorológicos extremos. Esto se conoce como atribución.
Las técnicas de aprendizaje automático son fáciles de codificar y se adaptan bien a la tarea altamente repetitiva de buscar entre numerosas combinaciones de datos de observación posibles desencadenantes de fenómenos meteorológicos severos.
En nuestro nuevo estudio , el aprendizaje automático nos ayudó a desentrañar los factores climáticos dominantes responsables de las recientes inundaciones repentinas en la costa este de Australia y la falta de precipitaciones en la costa sur.
A lo largo de la costa sur, la estación fría, de mayo a octubre, suele estar producida por vientos del oeste de latitudes medias. En los últimos años, estos vientos soplaban más lejos de los continentes australianos, lo que provocó la reciente sequía de 2017-19 y la sequía repentina de 2023-24 .
En cambio, después del fenómeno de La Niña de 2020-22, la costa este sigue experimentando condiciones más húmedas, debido a que las temperaturas de la superficie del mar en general son más altas que el promedio en la costa este y el océano Pacífico, debido a la presencia de vientos terrestres.
El aprendizaje automático identificó los impulsores dominantes del escenario anterior: El Niño-Oscilación del Sur, el Modo Anular del Sur, el Dipolo del Océano Índico y las temperaturas superficiales del mar tanto locales como globales.
El modo anular sur se refiere a los vientos del oeste de latitudes medias.
Un hallazgo clave fue la importancia del calentamiento global como atributo, tanto de manera individual como en combinación con otros factores climáticos. Los factores climáticos y sus combinaciones pueden cambiar con el aumento del calentamiento global en períodos más cortos que contienen extremos climáticos. Por lo tanto, el uso de períodos de 30 años como valores normales climáticos resulta menos útil.
Encontrar atributos regionales para una mejor previsión
Los modelos climáticos a menudo difieren en cuanto a los factores climáticos que probablemente sean relevantes para los eventos extremos.
Una característica clave del aprendizaje automático es la capacidad de manejar datos de múltiples fuentes mediante la identificación de atributos regionales . Podemos combinar posibles predictores de factores climáticos con predicciones de modelos climáticos de alta resolución, especialmente después de que los datos de los modelos climáticos se reduzcan para cubrir regiones específicas de interés. Esto puede ayudar con la predicción de eventos extremos a escala local.
Los científicos están desarrollando continuamente nuevos métodos para aplicar el aprendizaje automático a la predicción del tiempo y el clima.
El consenso científico es que el calentamiento global ha aumentado drásticamente la frecuencia de fenómenos extremos de lluvia y temperatura. Sin embargo, los impactos no son uniformes en todo el mundo, ni siquiera en Australia. Algunas regiones se han visto más afectadas que otras.
Actualmente no existe una única definición alternativa a la normal climática tradicional de 30 años, dados los impactos variables en todo el planeta. Cada región deberá determinar su propia definición de período climático relevante, y las herramientas de aprendizaje automático pueden ayudar.
Este artículo se publica nuevamente en The Conversation bajo una licencia Creative Commons. Lea el artículo original .
