Cómo escuchar el ritmo estacional del clima entre el ruido de los datos ✛ ✎

Original: "On the Cyclostationary Linear Inverse Models: A Mathematical Insight and Implication"
arXiv:2407.10931 · 2024-07-15 · arXiv non-exclusive · análisis propio · 1 min
Un nuevo modelo matemático ayuda a extraer de los datos climáticos el ritmo anual que se repite.

Cada invierno, el océano Pacífico frente a las costas de Perú se calienta, y cada verano se enfría. Este ritmo se parece a un reloj cuyos engranajes giran a velocidades distintas según la época del año. Los modelos antiguos no notaban esta diferencia: suponían que el reloj marcha igual durante todo el año. El nuevo trabajo añade un calendario al mecanismo del reloj para ver cómo cambia el ritmo de mes a mes.

Los científicos propusieron dos enfoques. El primero divide el año en tramos y mide en cada uno la velocidad de rotación de los engranajes, como si un relojero revisara el reloj cada hora, no una vez al día. El segundo deduce una fórmula que relaciona la velocidad de rotación en un momento dado con la rapidez con que se amortiguan las oscilaciones tras un golpe aleatorio.

El primer enfoque describe con más precisión el movimiento; el segundo estima mejor la fuerza de los golpes aleatorios que alteran la marcha.

La prueba con datos de El Niño mostró que el modelo capta el ritmo estacional: la dinámica cambia de forma suave, y la fuerza de los golpes aleatorios presenta dos picos, uno en primavera y otro en otoño. Esto explica por qué El Niño suele gestarse precisamente en esas estaciones. Ahora los científicos pueden elegir la herramienta según la tarea: para una descripción precisa del movimiento o para estimar las perturbaciones aleatorias. Antes no estaba claro cómo separar esas contribuciones en los datos estacionales; ahora el mecanismo del reloj climático se puede desmontar pieza por pieza.

El CS-LIM original presentaba un desfase sistemático que los autores eliminaron simplemente desplazando la coordenada temporal medio paso.

Científicos
Ludwig BoltzmannHenri PoincaréJohn von NeumannJosiah Willard Gibbs
Conceptos
linear inverse model modelado estocástico sistemas dinámicos dinámica de fluidos computacional stochastic dynamical system nonlinear laplacian spectral analysis simulación por computadora dinámica no lineal Jin-Timmermann model datos simulados regresión lineal computadora clásica seasonal cycle aprendizaje contrastivo recorte sigma método CLs mínimos cuadrados simulación de red cronometría cósmica imagen en tiempo real