El clima como música: por qué el tiempo tiene ritmo ✛

Original: "Detection of Temporal Variability in U.S. Climate Using Harmonic and Wavelet Decomposition"
· Thomas Xiao
arXiv:2511.08627 · 2025-11-09 · CC0 1.0 · 1 min
Un científico descompuso 130 años de clima en ondas y descubrió que el clima de EE. UU. no se predice con líneas, sino con ciclos.

El clima de EE. UU. no es una línea recta, sino una orquesta sin director. Cada instrumento toca su parte y juntos crean un patrón de años cálidos y fríos, húmedos y secos. El científico Thomas Xiao tomó 130 años de registros meteorológicos (temperatura, precipitaciones y sequías) y los descompuso en notas individuales, como un músico que analiza una melodía.

Resulta que en esta música hay dos motivos principales. El primero es el ciclo anual: el verano siempre es más cálido que el invierno. El segundo es la respiración lenta del océano, que dura de dos a siete años y se llama El Niño. Estos dos ritmos explican la variabilidad del clima mejor que cualquier línea recta.

Pero la orquesta no siempre toca igual. A veces la música cambia bruscamente, como en la década de 1930, cuando llegó la tormenta de polvo, o en 1976–1977, cuando el océano alteró su ritmo. Si se escuchan estas notas, se puede predecir el clima con más precisión con meses de antelación y prepararse para las sequías. Así, los agricultores y las autoridades del agua podrán planificar mejor su trabajo.

El pico del espectro de precipitaciones en la frecuencia de 3 ciclos por año significa que las oscilaciones más fuertes de precipitación en EE. UU. ocurren con un período de aproximadamente 4 meses, y no una vez al año, como cabría esperar. Esto se debe a que el ciclo estacional ya se eliminó al calcular las anomalías, y quedan modos más rápidos, por ejemplo los asociados a procesos intraestacionales.

La idea de predecir el clima mediante ritmos ocultos resuena con la «Fundación» de Isaac Asimov, donde la psicohistoria de Hari Seldon revela patrones cíclicos en la historia humana. En ambos casos, el futuro no es lineal, sino que está sujeto a la superposición de ondas de diferentes longitudes, y la tarea consiste en extraer esas ondas del ruido.

A_t = \sum_{k=1}^{N/2} [a_k \cos(2\pi f_k t) + b_k \sin(2\pi f_k t)]
Representa una serie temporal como suma de oscilaciones con diferentes frecuencias, lo que permite identificar los períodos dominantes.
W(s, \tau) = \frac{1}{\sqrt{s}} \int A(t) \psi^*\left(\frac{t-\tau}{s}\right) dt
Proporciona un mapa tiempo-frecuencia que muestra cómo la intensidad de cada periodicidad cambia con el tiempo.
RMSE = \sqrt{\frac{1}{N} \sum_{t=1}^{N} (A_t - \hat{A}_t)^2}
Cuantifica la precisión del pronóstico: cuanto menor es el RMSE, mejor reproduce el modelo los datos.
Conceptos
natural variability decadal variability seasonal cycle North Atlantic Oscillation ENSO Atlantic multidecadal oscillation clima NOAA CPC seasonal forcing spring predictability barrier análisis de ondículas El Niño TAO/TRITON moorings climate network Jin-Timmermann model UAH satellite record La Niña ocean-atmosphere coupling drought mixed mode oscillations