El clima se parece a una orquesta sin director: cada músico escucha a los demás con retraso y la partitura cambia en pleno concierto. El océano, la atmósfera, el hielo y la tierra intercambian energía continuamente, y la más mínima falla en un instrumento puede convertirse en un cambio de toda la melodía. Los modelos climáticos tradicionales, basados en ecuaciones físicas, son cada vez más detallados, pero su complejidad computacional crece y la comprensión de las relaciones causales sigue siendo limitada.

Los autores de la revisión proponen no construir otro modelo gigante, sino mirar los datos de otra manera. En lugar de intentar reproducir cada pieza del sistema, buscan patrones en los registros de varios años: cómo han cambiado las precipitaciones, la temperatura superficial del océano, los índices de El Niño y la Oscilación del Atlántico Norte. Primero, mediante la función de autocorrelación se identifican periodicidades significativas, que luego se modelan con series de Fourier. Para seleccionar los armónicos más importantes se aplica el método LASSO. La memoria a corto plazo del sistema se describe con el modelo de causalidad de Granger, que comprueba si los valores pasados de una variable ayudan a predecir el valor actual de otra. La correlación espacial entre estaciones se tiene en cuenta mediante un proceso gaussiano. Este enfoque híbrido permite separar tendencias a largo plazo, ciclos estacionales e interacciones rápidas.

En el primer estudio, dedicado a las sequías en el suroeste de Australia, el análisis de 194 estaciones meteorológicas durante 58 años reveló una periodicidad de las precipitaciones de aproximadamente 5,5 años. La estructura de correlación entre el índice de precipitaciones, la temperatura del océano, el dipolo del océano Índico y El Niño cambió con el tiempo: antes de 2008, el dipolo influía directamente en las precipitaciones, mientras que después de 2009 esa influencia se debilitó y el dipolo comenzó a actuar indirectamente a través de la temperatura del océano y El Niño. Los modelos que incluyen la temperatura del océano y la corrección espacial mostraron el menor error de pronóstico: 0,34 para el índice de precipitaciones de 12 meses.

En el segundo estudio, que abarcó el Atlántico Norte desde 1982 hasta 2019, se detectó un bucle de retroalimentación entre la Oscilación del Atlántico Norte, la temperatura superficial del océano y la extensión del hielo marino. Las pruebas de Granger confirmaron la causalidad mutua entre todos los pares de variables. La asimetría negativa de la distribución del índice de oscilación indica que el sistema se acerca a una inestabilidad crítica, lo que podría presagiar enfriamientos extremos más frecuentes en la región.

El trabajo muestra que los métodos de aprendizaje estadístico y análisis de series temporales pueden complementar los modelos climáticos físicos, revelando dependencias ocultas y precursores de cambios bruscos. A diferencia de estudios vecinos que a menudo se centran en pronosticar un fenómeno específico, aquí se propone un marco metodológico general aplicable a diferentes subsistemas climáticos. Detectar bucles de retroalimentación y signos de inestabilidad es importante para la evaluación de riesgos: tales sistemas pueden transitar a nuevos estados más rápido de lo que predicen los modelos tradicionales.

La orquesta sin director sigue tocando, pero ahora podemos oír qué instrumentos desafinan y cuándo la melodía podría cambiar. La metodología puede ampliarse a otras regiones y conjuntos de variables, incluidos datos sobre gases de efecto invernadero, vegetación y factores antropogénicos. Es prometedora la combinación de enfoques estadísticos con modelos físicos para mejorar los pronósticos a décadas vista. También es posible aplicar métodos de aprendizaje automático para la detección automática de inestabilidades en tiempo real.