main concepts scientists sections
SimplePopularAvanzado

El clima como una orquesta: cómo escuchar la respuesta a los sonidos bruscos ✛

Original: "Kolmogorov Modes and Linear Response of Jump-Diffusion Models"
· Mickaël D. Chekroun, Niccolò Zagli, Valerio Lucarini
arXiv:2411.14769 · 2024-11-22 · CC BY 4.0 · 1 min
Dinámica caótica Mecánica estadística Física Matemática Física Atmosférica y Oceánica
Los científicos han encontrado una manera de predecir cómo responderá el clima a eventos repentinos, como una ráfaga de viento.

El clima se parece a una orquesta. Tiene sus propios ritmos naturales, como las partes de violines y vientos. A veces, sonidos bruscos irrumpen en la música: una ráfaga de viento repentina o un aguacero intenso. Antes, los científicos solo sabían predecir cómo respondería el sistema a cambios graduales, mientras que los sonidos bruscos seguían siendo un misterio.

Ahora han surgido fórmulas que ayudan a entender la reacción ante cualquier empujón brusco. La idea es sencilla: descomponer la respuesta en los mismos ritmos que suenan en estado de calma. Así, la reacción a una perturbación se convierte en una melodía conocida, no en una cacofonía.

En el modelo de El Niño, que describe las oscilaciones de temperatura en el océano Pacífico, la teoría predijo con precisión la respuesta al cambio en el acoplamiento entre océano y atmósfera. Es como si la orquesta siguiera tocando sin desafinar, incluso cuando el director altera ligeramente el tempo.

La prueba con otro modelo climático mostró que los cálculos coinciden con la realidad, aunque requieren más computación. Pero ahora es posible evaluar cómo responderá el clima ante eventos extremos y prepararse mejor para ellos.

Todo el grafo →

El método de Ulam, utilizado para estimar los modos, fue propuesto originalmente por Stanislaw Ulam en la década de 1960 para estudiar propiedades ergódicas de sistemas dinámicos, y ahora ayuda a analizar modelos climáticos con saltos.

\partial_t p(x,t) = -\nabla \cdot (F(x) p(x,t)) + \frac{1}{2} \sum_{i,j=1}^d \partial_{ij} (a_{ij}(x) p(x,t)) + \int_{\mathbb{R}^d \setminus \{0\}} [p(x-y,t) - p(x,t) + y \cdot \nabla p(x,t) \mathbf{1}_{\{\|y\|<1\}}] \nu(dy)
El cambio en la densidad de probabilidad se compone de la deriva, la difusión y la contribución no local de los saltos, descrita por la integral respecto a la medida de Lévy ν.
\delta^{(1)}[\Psi](t) = \epsilon \int_{-\infty}^{t} G_{\Psi,G}(t-s) g(s) ds + \epsilon \int_{-\infty}^{t} ds \int_{\mathbb{R}^d \setminus \{0\}} G_{\Psi,\nu}(t-s,y) \delta\nu_s(dy)
La respuesta es la suma de dos contribuciones: una local, debida al cambio en la deriva, y otra no local, debida al cambio en la ley de saltos; cada una se expresa mediante su propia función de Green.
Conceptos
teorema de fluctuación-disipación coupled general circulation model linear inverse model Teorema de Kolmogórov-Arnold-Moser ecuación de Lotka-Volterra regresión lineal teoría de juegos