El pronóstico en la escala subestacional (de dos semanas a dos meses) se conoce como el 'desierto de la predictibilidad': el caos atmosférico borra la memoria de las condiciones iniciales, mientras que los procesos lentos del océano y la superficie terrestre aún no han cobrado fuerza. Este trabajo se sitúa al margen de sus vecinos: cerca hay estudios que predicen El Niño con año y medio de antelación, enseñan a redes neuronales a leer el clima pasado para la sequía y trasladan los patrones meteorológicos terrestres a Marte. A diferencia de ellos, aquí el foco no está en un evento concreto ni en un planeta, sino en los propios regímenes de circulación a gran escala que sirven de esqueleto para todo el clima. Los autores ponen a prueba la hipótesis de que la predictibilidad proviene de distintos componentes del sistema terrestre según el horizonte del pronóstico, y lo hacen de manera sistemática, con un modelo por cada predictor.
Del reanálisis ERA5 se tomaron los campos diarios de altura geopotencial en 500 hPa sobre América del Norte para 1981–2020. Tras filtrar y estandarizar, se extrajeron 12 componentes principales y se dividieron en cuatro conglomerados mediante k-medias, que corresponden a los regímenes: vaguada del Pacífico, cresta del Pacífico, máximo de Groenlandia y cresta de Alaska. Una quinta clase, 'Sin régimen', agrupó los días en que el patrón no se parecía a ningún conglomerado. Luego se entrenaron múltiples modelos XGBoost, cada uno con una sola variable de entrada: de la atmósfera (geopotencial en 500 hPa, radiación de onda larga saliente, viento zonal en 200 y 10 hPa), del océano (temperatura superficial, contenido de calor a distintas profundidades, altura de la superficie, profundidad de la capa de mezcla, espesor y concentración de hielo) o de la superficie terrestre (humedad y temperatura del suelo a cuatro profundidades, altura de nieve). Todos los datos se convirtieron en anomalías semanales estandarizadas y se pronosticó el régimen dominante de cada semana con horizontes de 1 a 8 semanas. Los hiperparámetros se ajustaron mediante optimización bayesiana con validación cruzada por décadas.
La atmósfera proporciona la mayor predictibilidad en las primeras dos semanas, y luego su contribución se iguala con la del océano y la superficie terrestre. Los mejores modelos oceánicos se basan en el contenido de calor de las capas superiores, no en la temperatura superficial, lo que subraya la importancia de los procesos subsuperficiales. Para la superficie terrestre, la temperatura y la humedad del suelo aportan predictibilidad significativa, mientras que la nieve solo es útil en ciertas estaciones. La estratificación estacional mostró que en invierno y verano la predictibilidad es mayor que en primavera y otoño; en invierno destacan la atmósfera y el océano, y en verano los modelos distinguen bien el régimen 'Sin régimen'. Para la vaguada del Pacífico en otoño e invierno, la contribución clave proviene del océano, especialmente de las señales de El Niño; para la cresta del Pacífico en invierno, son importantes los vientos estratosféricos y el hielo marino; para el máximo de Groenlandia en invierno, funcionan la convección tropical y las condiciones del suelo. El análisis de los valores SHAP confirmó que los pronósticos precisos se asocian con anomalías concretas: por ejemplo, el fortalecimiento de la convección sobre el Pacífico tropical central precede a la vaguada del Pacífico, y las anomalías del viento zonal en la estratosfera tropical sur preceden a la cresta del Pacífico.
El trabajo demuestra que las fuentes de predictibilidad de los regímenes meteorológicos son mucho más variables según el horizonte, la estación y el tipo de régimen de lo que se pensaba. A diferencia de estudios vecinos que se centran en un solo componente (por ejemplo, El Niño o la humedad del suelo) o que usan un modelo único para todos los predictores, aquí cada fuente se evalúa por separado, lo que permite ver su contribución individual. Este es el primer análisis sistemático de la contribución de la atmósfera, el océano y la superficie terrestre a la predicción de los regímenes norteamericanos en escalas subestacionales mediante gradiente boosting. Los resultados subrayan que, para mejorar los pronósticos, no basta con añadir más datos, sino que hay que entender qué componente del sistema terrestre es importante en cada situación.
El tema podría evolucionar hacia la verificación de relaciones causales: ¿las anomalías del viento estratosférico realmente causan la cresta del Pacífico, o son una reacción común a otro proceso? Sería prometedor incluir datos de modelos numéricos del sistema terrestre para comprobar si reproducen las mismas fuentes de predictibilidad. También es importante estudiar cómo cambiarán estas fuentes bajo un clima más cálido, ya que los regímenes de circulación podrían desplazarse o alterar su frecuencia.
Los resultados afectan directamente al pronóstico operativo subestacional del tiempo y los riesgos climáticos en América del Norte, así como a áreas afines como la hidrología, la agricultura y la energía, donde las decisiones dependen de las anomalías esperadas de temperatura y precipitación.
Los próximos pasos incluyen verificar las relaciones encontradas mediante análisis causal y experimentos con modelos, así como ampliar el conjunto de predictores con datos de otros componentes, por ejemplo, de la criosfera o la composición atmosférica.
En las ciencias atmosféricas sigue sin resolverse hasta dónde se extiende la predictibilidad de la circulación a gran escala y qué mecanismos físicos la sustentan. Este trabajo vincula directamente la predictibilidad con procesos concretos (El Niño, oscilación de Madden-Julian, vórtice polar estratosférico, humedad del suelo), pero no demuestra causalidad. Esto deja abierto el problema de separar las verdaderas fuentes de predictibilidad de las señales correlacionadas.
Esta sección está dirigida al autor del trabajo y a sus colegas. Los trabajos vecinos los encontró la búsqueda por significado en nuestro archivo, no por coincidencia de palabras. No evaluamos: mostramos el campo alrededor.
Qué hace el trabajo
Los autores examinaron sistemáticamente la predictibilidad de cuatro regímenes meteorológicos sobre América del Norte en horizontes de 1 a 8 semanas, entrenando cientos de modelos XGBoost con predictores individuales de la atmósfera, el océano y la superficie terrestre. Se demostró que en las dos primeras semanas domina la atmósfera, y luego la contribución del océano y la superficie se vuelve comparable, siendo las fuentes clave de predictibilidad dependientes de la estación y del régimen.
Dónde está su fuerza
El punto fuerte es la comparación sistemática de las contribuciones de los diferentes componentes del sistema terrestre mediante una metodología unificada, lo que permite identificar qué predictores y en qué estaciones son más informativos para cada régimen.
Hacia dónde puede avanzar
Vale la pena probar
Por qué puede importar
Comprender las fuentes de predictibilidad de los regímenes meteorológicos puede mejorar los pronósticos subestacionales, lo cual es importante para la agricultura, la energía y la gestión de riesgos.
Trabajos cercanos en nuestro archivo
El archivo está vacío alrededor de este trabajo: el análisis más cercano queda en 0.53, frente a un 0.64 habitual. Parece que aquí al lado casi nadie ha perforado.
La frecuencia del régimen 'Sin régimen' varía del 18% en invierno al 44% en verano, lo que hace que los pronósticos estivales sean especialmente difíciles: la atmósfera se encuentra más a menudo en un estado transitorio sin una estructura de gran escala claramente definida.
En la novela de Kim Stanley Robinson 'Cuarenta señales de lluvia', los científicos intentan predecir cambios bruscos en los regímenes meteorológicos debido a la detención de la corriente del Golfo. Esta investigación resuena con esa idea: muestra qué componentes lentos del sistema terrestre pueden servir como indicadores tempranos de cambios en los regímenes de circulación.