Cómo elegir los mejores pronósticos de El Niño: el consejo de los ancianos ✛

Original: "Leveraging GNN to Enhance MEF Method in Predicting ENSO"
arXiv:2508.07410 · 2025-08-10 · CC0 1.0 · 1 min
De 80 pronósticos de El Niño, los científicos seleccionaron los 20 más consistentes, construyendo una red donde los pronósticos similares se conectan con líneas.

Cuando 80 personas intentan adivinar el clima con dos años de antelación, unas se equivocan menos que otras. En lugar de escuchar a todos y tomar el promedio, los científicos construyeron una red: cada pronóstico es un punto, y una línea entre dos puntos significa que los pronósticos son similares en su error y en cómo sus valores cambian sincronizadamente.

En esta red se encontró un grupo denso de 20 pronósticos que se mantienen unidos. Su promedio resultó más preciso que el promedio de los 80.

Estos 20 pronósticos se dispersan menos entre diferentes plazos y transitan más suavemente de El Niño a La Niña. En un horizonte de hasta 23 meses, capturan casi la mitad de todos los eventos, y la correlación con la realidad se mantiene por encima de 0.4. Antes no estaba claro cómo elegir pronósticos fiables, pero ahora está claro: hay que buscar un núcleo consistente, como un consejo de ancianos entre la multitud. Este método se puede aplicar a otras áreas donde haya muchos pronósticos, desde el clima hasta las finanzas.

El modelo se entrenó con datos de 1875 a 1975 y se probó en los años 2000–2017. Entre estos períodos hay un cuarto de siglo que el modelo nunca vio. Esta brecha se dejó a propósito para evitar el efecto de la memoria del océano y comprobar si el pronóstico funciona en condiciones completamente diferentes.

Conceptos
Multivariate ENSO Index ensemble forecast El Niño index ENSO spring predictability barrier Jin-Timmermann model El Niño-Southern Oscillation red neuronal de grafos TAO/TRITON moorings regresión de red neuronal equatorial wave propagation pronóstico NOAA PMEL / TAO ERA5 ERSST zebiak cane model Redes Generativas Antagónicas bosque aleatorio máxima verosimilitud promedio de conjunto