Cómo una red neuronal predice el tiempo en el océano con tres meses de antelación ✛ ✎

Original: "CAS-Canglong: A skillful 3D Transformer model for sub-seasonal to seasonal global sea surface temperature prediction"
arXiv:2409.05369 · 2024-09-09 · arXiv non-exclusive · análisis propio · 1 min
El programa aprende de registros meteorológicos antiguos y predice la temperatura del mar mejor que los complejos modelos físicos.

Un intérprete en una gran sala escucha todas las conversaciones a la vez y, gracias a ellas, deduce de qué se hablará dentro de una hora. Así funciona la red neuronal CAS-Canglong: observa la presión, el viento y el calor en toda la Tierra y predice la temperatura del océano con tres meses de antelación.

Antes, pronosticar con ese horizonte era muy complicado. La atmósfera cambia rápido, mientras que el océano acumula calor lentamente. Los modelos físicos requieren ordenadores enormes y a menudo se equivocan. El nuevo programa aprendió de registros meteorológicos antiguos y ahora hace el pronóstico en segundos.

La red neuronal predijo correctamente el 85% de los eventos de El Niño y La Niña con tres meses de antelación. Son las fases cálida y fría del océano que afectan al clima en todo el mundo.

En los océanos del sur, el pronóstico coincide con la realidad en un 90% para un mes y en un 70% para tres meses. Esto significa que si el programa anuncia un calentamiento del agua, lo más probable es que ocurra. Este pronóstico ayudará a agricultores, empresas energéticas y servicios de emergencia a prepararse ante posibles desastres.

El nombre del modelo, Canglong, hace referencia al dragón mítico de la antigua mitología china que controla las lluvias. El modelo se entrenó con datos desde 1959; durante ese período, la temperatura del océano en los trópicos ha aumentado aproximadamente 0,5 °C.

En la novela de Kim Stanley Robinson 'El Ministerio del Futuro', el calor extremo en la India se convierte en el detonante de cambios globales. Un pronóstico preciso de la temperatura del océano con meses de antelación podría dar tiempo para prepararse ante tales eventos.

L_{fmse} = \frac{1}{T_{out}} \sum_{t=1}^{T_{out}} (X_{t,l} - \hat{X}_{t,l})^2
Penalización por la desviación entre la temperatura predicha y la real, promediada sobre todos los meses del pronóstico
L_{corr} = \frac{1}{T_{out}} \sum_{l=2}^{T_{out}} \max\{0, 0.5 - \frac{\sum_{t=1}^{T} (x_{t,l} - \bar{X}_l)(\hat{x}_{t,l} - \bar{\hat{X}}_l)}{\sqrt{\sum_{t=1}^{T} (x_{t,l} - \bar{X}_l)^2} \sqrt{\sum_{t=1}^{T} (\hat{x}_{t,l} - \bar{\hat{X}}_l)^2}}\}
Penalización adicional si la correlación entre el pronóstico y las observaciones cae por debajo de 0,5 en horizontes de dos meses o más
RMSE = \sqrt{\frac{\sum_{i=1}^{N_{lon}} \sum_{j=1}^{N_{lat}} W(i) (\hat{X}_{i,j,l} - X_{i,j,l})^2}{N_{lon} \times N_{lat}}}
Error del pronóstico ponderado por el coseno de la latitud, para tener en cuenta el diferente tamaño de las celdas de la malla
Conceptos
sea surface temperature anomaly sea surface temperature NOAA CPC ENSO spring predictability barrier pronóstico El Niño La Niña NOAA PMEL / TAO ERSST Niño 4 Jin-Timmermann model OISST v2.1 forecast skill zebiak cane model IRI Indian Ocean Dipole North Atlantic Oscillation Southern Oscillation ocean-atmosphere coupling