La mancha cálida frente a las costas de Perú no aparece todos los años, pero cuando lo hace, las lluvias inundan los desiertos y en Australia arden los incendios. Este es El Niño, un fenómeno que los modelos climáticos reproducen con dificultad. Los modelos simples calculan bien la frecuencia con que ocurre, pero pierden detalles espaciales. Los modelos complejos ven el panorama tridimensional, pero cometen errores sistemáticos y exigen enormes recursos computacionales.
Los autores del nuevo estudio actuaron como un director que une a un solista con una orquesta. El solista aquí es un modelo estocástico simple, que marca el ritmo: genera la secuencia de eventos cálidos y fríos en una franja estrecha a lo largo del ecuador. La orquesta es un modelo intermedio con una red neuronal que se ajusta al solista y completa el resto del panorama oceánico. La red neuronal, con 40 millones de parámetros, fue preentrenada con una simulación de 1200 años del CESM2 y luego afinada con datos reales de GODAS.
El modelo se ejecutó durante 1000 años y se analizaron los últimos 960. Resultado: picos espectrales en períodos de 3 a 4 años para la temperatura superficial en las regiones Niño-3 y Niño-4, con un ciclo estacional cuyo mínimo ocurre en junio. La distribución de las longitudes de los máximos de anomalías de temperatura mostró dos picos, como en las observaciones, mientras que el CESM2 produce un solo pico en el Pacífico central. Para los eventos de El Niño del Pacífico oriental, el modelo ubicó correctamente las anomalías de temperatura, tensión del viento y altura de la superficie del mar, corrigiendo los sesgos del CESM2.
El análisis del balance de calor confirmó que los principales mecanismos positivos son el transporte de calor a lo largo del ecuador por las corrientes y la influencia de la temperatura subsuperficial en la superficie. El término residual actúa como una retroalimentación negativa, evitando que el modelo se descontrole.
Este enfoque abre el camino a modelos climáticos multimodulares, donde cada bloque se encarga de una parte de la tarea. Las series largas generadas por el modelo de dos núcleos son útiles para preentrenar modelos de pronóstico basados en redes neuronales y para analizar eventos raros. Quizás en el futuro aparezcan versiones con un océano o una atmósfera más detallados. Por ahora, la orquesta toca con más armonía que un gran conjunto sinfónico y, además, resulta más económica.
El modelo con 40 millones de parámetros en la red neuronal trabaja en conjunto con un modelo estocástico simple que casi no requiere recursos computacionales: juntos son más rápidos que el CESM2 y más precisos en cuanto a estadística.