El estudio de la variabilidad de la temperatura superficial del Pacífico se ha basado durante mucho tiempo en métodos lineales, como el análisis de componentes principales, que exigen ortogonalidad de los modos y maximización de la varianza explicada. Sin embargo, modos como El Niño, la Oscilación Decenal del Pacífico y el Modo Meridional del Pacífico se superponen espacialmente e interactúan de forma no lineal, por lo que las descomposiciones lineales ofrecen solo una imagen parcial. En el archivo, alrededor de este trabajo hay investigaciones que utilizan la transformada de Fourier, filtrado y procesamiento de señales para separar escalas temporales, pero a menudo requieren bandas de frecuencia o regiones geográficas predefinidas. Este trabajo se sitúa en un camino distinto: aplica aprendizaje profundo con restricciones físicamente motivadas para separar los modos según sus escalas temporales características, sin filtros predeterminados.
Los autores construyeron un Autoencoder Guiado por Conocimiento (KGAE) basado en un autoencoder variacional con cinco dimensiones latentes. Los datos de entrada fueron anomalías mensuales de la temperatura superficial del mar (SST, por sus siglas en inglés) en el Pacífico, del reanálisis ERA5, de 1940 a 2023, a las que se les eliminaron previamente la tendencia y el ciclo estacional. La función de pérdida incluía varios términos adicionales: una penalización por solapamiento de espectros de potencia entre dimensiones latentes, una penalización por correlación espacial cuando hay solapamiento espectral, y un incentivo para que el espectro de cada dimensión latente fuera unimodal. Para evaluar la incertidumbre se utilizó un conjunto de 100 modelos con inicialización aleatoria y validación cruzada con segmentos temporales alternados, para conservar el acceso a la variabilidad de baja frecuencia. La sensibilidad del decodificador se analizó mediante diferencias finitas en el espacio latente, lo que permitió distinguir respuestas lineales y no lineales.
KGAE extrajo tres modos dominantes de variabilidad: uno decenal con períodos de 10 a 20 años, uno interanual con períodos de 3 a 7 años y uno cuasi-bienal con un período de aproximadamente 2 años. Los patrones espaciales de estos modos resultaron robustos frente a la inicialización aleatoria y al submuestreo de datos. El modo decenal, por su estructura espacial, recuerda a la Oscilación Decenal del Pacífico (PDO, por sus siglas en inglés), con una correlación de alrededor de 0.84 en la cuenca y de 0.92 en el Pacífico norte; en los trópicos se asemeja a la fase negativa de la Oscilación del Giro del Pacífico Norte (NPGO, por sus siglas en inglés), con una correlación de aproximadamente -0.88. El modo interanual está estrechamente vinculado al índice Niño-3.4 (correlación de las series temporales de alrededor de 0.82) y a los índices de los tipos oriental y central de El Niño (correlaciones espaciales de aproximadamente 0.80 a 0.81). El modo cuasi-bienal es el que más correlaciona con el índice del Pacífico oriental (alrededor de 0.84), pero su espectro se concentra en períodos más cortos que los de los índices estándar de El Niño. El análisis de las interacciones no lineales mostró que el modo decenal modula la respuesta del modo interanual, y esta modulación correlaciona fuertemente con el patrón del Modo Meridional del Pacífico (PMM, por sus siglas en inglés), con una correlación de aproximadamente -0.86 en la cuenca. Los compuestos conjuntos mostraron que cuando los modos decenal e interanual tienen el mismo signo, surgen anomalías similares a El Niño del Pacífico central (correlación con el índice C de alrededor de 0.95), mientras que con signos opuestos aparecen anomalías parecidas a El Niño del Pacífico oriental, pero más débiles. El análisis estacional reveló que el modo cuasi-bienal se intensifica de julio a noviembre, y el interanual, de noviembre a enero, lo que corresponde a las fases de desarrollo y madurez de El Niño. La aplicación de KGAE a los modelos climáticos E3SM2 y CESM2 mostró que CESM2 sobreestima la frecuencia de El Niño del Pacífico central y tiene un ciclo estacional de transición de fases sesgado.
Este trabajo se distingue de investigaciones afines porque, en lugar de descomposiciones lineales o filtros predefinidos, utiliza aprendizaje profundo con restricciones físicamente motivadas para separar simultáneamente las escalas espaciales y temporales. Esto permite caracterizar directamente las interacciones no lineales entre modos, que los métodos tradicionales pasan por alto. Los resultados confirman que la variabilidad decenal modula el tipo de El Niño y que el modo cuasi-bienal está vinculado a su desarrollo y disipación, lo que concuerda con mecanismos conocidos, pero por primera vez se muestra con un método unificado y sin supuestos a priori.
El método KGAE puede ampliarse a datos multidimensionales, incluyendo, por ejemplo, presión atmosférica, viento y capacidad calorífica del océano, para investigar los modos acoplados de todo el sistema climático. También es posible aplicarlo a otras cuencas o al océano global. El modelado explícito de la potencia espectral variable en el tiempo y la separación de la variabilidad interna de la señal forzada siguen siendo tareas abiertas. En el futuro, KGAE podría contribuir a mejorar los pronósticos a largo plazo de El Niño, al resaltar componentes más predecibles.
El método puede ser útil para evaluar el realismo de los modelos climáticos y para mejorar los pronósticos estacionales y decenales. También ofrece una nueva forma de analizar las interacciones no lineales en el sistema climático.
El siguiente paso podría ser incorporar a KGAE variables adicionales, como la capacidad calorífica de la capa superior del océano, y aplicarlo a tareas de pronóstico para comprobar si la separación de modos mejora la predictibilidad de El Niño.
Este trabajo se relaciona directamente con el problema no resuelto de separar la variabilidad interna del clima de la señal forzada, así como con la cuestión de hasta qué punto la variabilidad decenal del Pacífico es independiente de la interanual. También aborda el problema de la predictibilidad de El Niño, en particular la barrera de predictibilidad primaveral, que, como se demuestra, se concentra en el modo cuasi-bienal.
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 desarrollaron un autocodificador guiado por conocimiento (KGAE, por sus siglas en inglés) para separar los modos de variabilidad de la temperatura superficial del océano Pacífico sin filtros predefinidos. El modelo identificó modos decadales, interanuales y cuasi-bienales, y el análisis de sensibilidad del decodificador reveló la conexión del modo decadal con la modulación del tipo de El Niño y del modo cuasi-bienal con su desarrollo y decaimiento. El método también permitió detectar errores sistemáticos en los modelos climáticos E3SM2 y CESM2.
Dónde está su fuerza
La fortaleza del trabajo radica en el uso de restricciones físicamente motivadas en la función de pérdida (penalizaciones por solapamiento espectral, correlación espacial y fomento de la unimodalidad del espectro), lo que permitió obtener modos interpretables y estables sin filtros predefinidos. El análisis de sensibilidad en el espacio latente ofrece la posibilidad de explorar respuestas no lineales que los métodos lineales no pueden captar.
Hacia dónde puede avanzar
Vale la pena probar
Por qué puede importar
La separación de los modos de variabilidad del Pacífico mediante aprendizaje profundo, sin filtros predefinidos, abre el camino hacia una comprensión más precisa de las interacciones no lineales en el sistema climático, lo que podría mejorar tanto el diagnóstico de los modelos climáticos como la predicción de fenómenos similares a El Niño.
Trabajos cercanos en nuestro archivo
El archivo está vacío alrededor de este trabajo: el análisis más cercano queda en 0.52, frente a un 0.64 habitual. Parece que aquí al lado casi nadie ha perforado.
La barrera de predictibilidad primaveral de El Niño, conocida desde la década de 1980, en este trabajo resultó ser característica solo del modo cuasi-bienal, mientras que el modo interanual conserva la predictibilidad durante más tiempo.
La idea de separar una señal compleja en componentes ocultos e independientes recuerda los intentos de los héroes de la ciencia ficción por descifrar mensajes extraterrestres, distinguiendo una estructura en medio del ruido. En la novela «Contacto» de Carl Sagan, la señal contiene capas de información anidadas que se revelan a medida que se analiza, de manera similar a como KGAE revela modos ocultos en la temperatura del océano.