Interpretación de:
Deep learning for multi-year ENSO forecasts
https://doi.org/10.1038/s41586-019-1559-7Ham, Y., Kim, J., Luo, J., 2019: Deep learning for multi-year ENSO forecasts, Nature, 573, 568-572, https://doi.org/10.1038/s41586-019-1559-7
Intérprete
Rivera Gerardo
Fecha de interpretación
12/06/2023
Revisor
Orihuela Pinto Bryam
Resultados y conclusiones
Se desarrolla un modelo usando redes neuronales convolucionales para realizar pronósticos de eventos El Niño con tiempos de anticipación de hasta 18 meses. A diferencia de los modelos climáticos y estadísticos, este modelo no tiene problemas con la barrera de predictabilidad de primavera, alcanzando correlaciones mayores a 0.5 al realizar un pronóstico para la estación Mayo - Junio - Julio con 11 meses de antelación. Además, el modelo permite identificar las regiones que más contribuyen al pronóstico.
Metodología y datos
Se diseña una red neuronal convolucional que toma como datos de entrada 3 meses de anomalía de temperatura superficial del mar y contenido de calor ecuatorial. Usando estos datos, el modelo es entrenado para pronosticar el valor del índice El Niño 3.4 con hasta 24 meses de anticipación. El modelo es entrenado con una selección de modelos climáticos pertenecientes a CMIP5 que van desde 1850 hasta el 2005. Luego de entrenar el modelo con datos climáticos, se realiza un ajuste fino con data de reanálisis SODA para el periodo 1871 - 1973. Finalmente, la habilidad de pronóstico del modelo es evaluada usando datos de GODAS para el periodo 1984 - 2017.
Limitaciones de la investigación
Al realizar el pronóstico para cada mes por separado se pierde coherencia en la secuencialidad del pronóstico. Esto afecta el resultado del modelo porque no tiene una noción de estacionalidad. Las variables usadas pueden no ser suficientes como predictores para varios meses de anticipación. El indice El Niño 3.4 no captura de manera óptima la variabilidad del pacífico este, por lo que el pronóstico puede estar sesgado a eventos El Niño del pacífico central.
Adaptación: ---
Mitigación: ---
Escala: Global
Ámbito geográfico: Océano Pacífico
Palabras clave: El Niño, ENSO, Inteligencia artificial
Cita de la interpretación
Rivera, Gerardo, 2023: Interpretación de Ham et al. (2019, doi:10.1038/s41586-019-1559-7), Observatorio de Conocimiento Científico sobre Cambio Climático del Perú, IGP, https://cienciaclimatica.igp.gob.pe/entities/interpretation/52c28203-cc06-44ad-8c31-039458134fbd