Por qué el océano apaga las luces en Estados Unidos ✛ ✎

Original: "Spatio-temporal Patterns between ENSO and Weather-related Power Outages in the Continental United States"
arXiv:2406.14474 · 2024-06-20 · arXiv non-exclusive · análisis propio · 1 min
Cuando el Pacífico se vuelve más frío de lo normal, los apagones eléctricos son más frecuentes en EE. UU.

El océano Pacífico actúa como un director de orquesta que gobierna el clima en Estados Unidos. Cuando el agua del océano se enfría más de lo habitual, comienza la fase de La Niña y las luces se apagan con más frecuencia en el país. Los investigadores analizaron 24 años de datos y observaron un patrón claro: el océano altera el clima, y el clima rompe cables y transformadores.

La Niña es la fase fría de la mayor oscilación climática en el Pacífico tropical. El agua frente a las costas de Sudamérica se vuelve anómalamente fría, y esto cambia el tiempo en todo el planeta.

El océano da órdenes de tres maneras. En el oeste de EE. UU., La Niña trae frío y fuertes nevadas; en el sureste, calor; y en los estados centrales, lluvias torrenciales. La nieve derriba árboles sobre los cables, el calor sobrecarga los aires acondicionados y las lluvias inundan las subestaciones. Por eso aumentan los apagones. La conexión no es inmediata: el océano primero cambia el clima, y solo unos meses después el sistema eléctrico comienza a fallar.

Para finales de siglo, la situación podría empeorar mucho. Si las emisiones de gases de efecto invernadero se mantienen altas, para 2081–2100 los apagones por calor en el este de EE. UU. aumentarían casi 26 veces. Un sistema eléctrico diseñado para un clima antiguo se encontrará en uno nuevo. Pero ahora, conociendo el pronóstico del océano, los gestores de la red pueden prepararse con antelación para las temporadas difíciles.

En la primavera de 2018, una tormenta en California trajo fuertes nevadas y frío, dejando sin electricidad a 10 898 consumidores y causando una pérdida de 38 MW de demanda. Y en marzo de 2023, una serie de tornados con precipitaciones extremas dejó sin suministro a cerca de un millón de consumidores en más de diez estados.

x(t) = a + bt + \epsilon(t)
La serie original se descompone en una tendencia y un residuo aleatorio
x'(m,n) = \hat{x}(m,n) - \frac{1}{24}\sum_{n=1}^{24}\hat{x}(m,n)
Desviación de la media para un mes dado durante 24 años
R = \frac{\sum_{t=1}^{T-k}[\tilde{x}(t+k)-\bar{x}][\tilde{y}(t)-\bar{y}]}{\sqrt{\sum_{t=1}^{T}[\tilde{x}(t)-\bar{x}]^2\sum_{t=1}^{T}[\tilde{y}(t)-\bar{y}]^2}}
Mide la relación entre dos series cuando una se desplaza k meses respecto a la otra
Conceptos
ENSO La Niña spring predictability barrier El Niño-Southern Oscillation Southern Oscillation recharge oscillator model El Niño Multivariate ENSO Index Jin-Timmermann model NOAA CPC ERSST Westerly wind burst TAO/TRITON moorings equatorial wave propagation seasonal cycle seasonal forcing Indian Ocean capacitor effect interannual variability Warm water volume North Equatorial Countercurrent