main concepts scientists sections
SimplePopularAvanzado

Por qué el clima está torcido: una nueva lente para los datos ✛ ✎

Original: "Beyond Gaussian Assumptions: A Nonlinear Generalization of Linear Inverse Modeling"
· Justin Lien, Hiroyasu Ando
arXiv:2503.24234 · 2025-03-31 · arXiv non-exclusive · análisis propio · 1 min
Análisis Numérico
Los modelos habituales ven un clima simétrico, pero una nueva lente capta la asimetría entre el cálido El Niño y la fría La Niña.

Un vidrio plano no distorsiona la imagen, pero tampoco muestra la inclinación. Durante mucho tiempo, los climatólogos miraron El Niño a través de ese vidrio y vieron oscilaciones simétricas: hacia arriba y hacia abajo, calor y frío. En realidad, la fase cálida de El Niño suele ser más intensa que la fría La Niña, pero el vidrio no lo notaba.

Los científicos fabricaron una lente con curvatura: añadieron términos cuadráticos a la ecuación. Es como darle al vidrio una forma curva para que enfoque no solo el promedio, sino también la asimetría. La forma de la lente se ajusta según cómo se relacionan los datos entre sí en distintos momentos. Si antes solo se miraban las relaciones por pares, ahora se tienen en cuenta las relaciones de tres y cuatro muestras a la vez.

Con datos del Pacífico de 42 años, la nueva lente reveló una asimetría que antes no se veía. La distancia entre el modelo y la realidad se redujo casi a la mitad.

Ahora los climatólogos pueden ver la asimetría en otros lugares: en la atmósfera, en el océano, incluso en sistemas caóticos. La lente es más precisa, y el mundo que muestra está más cerca del real.

Todo el grafo →

La dimensión mínima para el caos en un sistema autónomo diferenciable es tres, por lo que los autores primero prueban el método en un sistema bidimensional (donde no hay caos) y luego en el sistema tridimensional de Lorenz.

\frac{d}{dt}x_i = \sum_{j,k} B_{ijk} x_j x_k + \sum_j A_{ij} x_j + C_i + \sum_j (\sqrt{2Q})_{ij} \cdot \text{noise}_j
La velocidad de cambio de cada variable depende de las interacciones cuadráticas, la disipación lineal, un desplazamiento constante y una perturbación aleatoria.
0 = \text{Sym}\left( B \times_2 M(0) + A \times_1 K(0) + C \times_0 E^T + Q \right)
En estado estacionario, la disipación determinista y la inyección estocástica se equilibran, lo que permite hallar la matriz de ruido.
Q_{C-nLIM} = \arg\min_Q \left( \|R\|_F + \|K(0) - K_{obs}(0)\|_F + \|M(0) - M_{obs}(0)\|_F \right)
La matriz de ruido se ajusta de modo que las correlaciones sintéticas y el residuo de balance sean lo más cercanos posible a los observados.
Conceptos
linear inverse model nonlinear laplacian spectral analysis flujos normalizadores modelo probabilístico modelado estocástico modelado de lentes gravitacionales dinámica no lineal proceso gaussiano aprendizaje contrastivo regresión lineal modelos de tipo cuántico grandes modelos de lenguaje distribución gaussiana media ponderada aprendizaje supervisado débil filtro adaptado datos simulados no linealidad red neuronal informada por la física simulación de red