Interpretación de:
Explained predictions of strong eastern Pacific El Niño events using deep learning
https://doi.org/10.1038/s41598-023-45739-3Rivera Tello, G., Takahashi, K., Karamperidou, C., 2023: Explained predictions of strong eastern Pacific El Niño events using deep learning, Sci Rep, https://doi.org/10.1038/s41598-023-45739-3
Intérprete
Takahashi Guevara Ken
Fecha de interpretación
07/12/2023
Resultados y conclusiones
Se implementó un modelo de inteligencia artificial (aprendizaje profundo) con buena habilidad para el pronóstico con hasta un año de anticipación de los índices E y C de la diversidad de El Niño y La Niña y de la probabilidad de eventos El Niño fuertes en el Pacífico oriental que pueden producir graves impactos en la costa del Perú por lluvias intensas, inundaciones y movimientos en masa, como los eventos de 1983 y 1998. Este modelo además explica sus predicciones, resaltando en los datos climáticos recientes aquellos aspectos más relevantes, tanto a favor como en contra, del desarrollo de un evento El Niño fuerte en el verano,, lo cual es importante para ayudar a los pronosticadores. Considerando datos hasta mayo de 2023, el modelo predijo la persistencia de El Niño en el Pacífico oriental hasta 2024, pero decreciendo, asemejándose al evento de 2015-2016, mucho más débil que el de 1997-1998.
Metodología y datos
El modelo IGP-UHM AI es una red neuronal convolucional que toma como entradas los campos espaciales de las anomalías de temperatura superficial del mar y nivel del mar, así como viento zonal y meridioal superficiales para los tres meses más recientes, considerando la estacionalidad. Sus salidas son los valores de los índices E y C (Takahashi et al. ,2011; salida de regresión) y la probabilidad de El Niño fuerte en el verano (E > 1.5 en enero; salida de clasificación). El modelo se entrenó inicialmente con 3200 años de datos de simulaciones de modelos climáticos globales CMIP6 seleccionados según su capacidad de reproducir la relación no-lineal entre E y C. Luego se hizo un ajuste fino con datos observacionales para el periodo 1871–1984 y se le evaluó con datos del periodo 1990–2022. Se entrenó 30 versiones del modelo (con diferencias aleatorias) para generar pronósticos de ensemble, del cual se puede derivar también la probabilidad de El Niño fuerte. Para la explicabilidad, se aplicó la técnica de Layerwise Relevance Propagation (LRP).
Limitaciones de la investigación
Si bien se utilizaron miles de años de datos de modelos globales para el entrenamiento inicial, el registro de datos observacionales de poco más de 100 años con el que se le hizo el ajuste fino es limitado si consideramos la diversidad de El Niño y La Niña, así como el cambio climático y la variabilidad natural decadal. Es posible que en la realidad ocurran eventos de un tipo que el modelo nunca haya visto en su entrenamiento, por lo que podría ser incapaz de pronosticarlos adecuadamente. Particularmente, el modelo no simula bien los eventos El Niño en el Pacífico central, como en 2010 y 2016. Además, el modelo generó una falsa alarma de El Niño fuerte en el Pacífico oriental para el verano 2003 con alta certeza, sin una razón clara conforme las explicaciones LRP, lo cual podría implicar un sobreajuste (ajustado a ruido) en el entrenamiento.
Recomendaciones
Promover las aplicaciones de inteligencia artificial como herramienta costo-efectiva para la alerta temprana asociados a fenómenos climáticos como una medida de adaptación, pero con mucho cuidado con los sesgos que puede introducir los limitados datos con que se cuentan, particularmente el efecto del cambio climático sobre los fenómenos de interés.
Adaptación: Agua, Pesca y acuicultura , Salud, Transporte, Bosques, Agricultura
Mitigación: ---
Escala: Regional
Ámbito geográfico: Pacífico oriental,Mar peruano,Costa norte,Costa central,Tumbes, Piura, Lambayeque, La Libertad, Ancash, Lima, Ica
Palabras clave: El Niño, Inteligencia artificial, Deep learning, Redes neuronales, Aprendizaje profundo, Machine learning, Aprendizaje automático
Cita de la interpretación
Takahashi Guevara, Ken, 2023: Interpretación de Rivera Tello et al. (2023, doi:10.1038/s41598-023-45739-3), Observatorio de Conocimiento Científico sobre Cambio Climático del Perú, IGP, https://cienciaclimatica.igp.gob.pe/entities/interpretation/9acb6d88-f0cb-4153-a6f5-19538ef3a0a5