El tiempo frente al clima: cómo distinguir el ruido de la señal exprés
En invierno, en un barrio de la ciudad cae el triple de nieve que en el vecino. Un año hace calor, otro frío. Son los caprichos del tiempo. Pero a lo largo de décadas se observa otro cambio, más lento: los inviernos, en promedio, se vuelven más suaves. Distinguir uno de otro es la tarea principal de los climatólogos.
En la nueva investigación se propone calcular cuánto de los datos de temperatura o precipitación son fluctuaciones aleatorias y cuánto es un cambio persistente. Se utilizan modelos computacionales que se ejecutan muchas veces con condiciones iniciales ligeramente diferentes, obteniendo así un abanico de posibles climas. Luego se compara la dispersión entre estas variantes con el desplazamiento causado por un forzamiento externo, como el aumento del dióxido de carbono.
Resultó que el nuevo método funciona de manera más fiable que los anteriores, incluso cuando los datos están muy "dispersos" o contienen valores extremos raros. Lo importante es que el conjunto tenga al menos cuarenta variantes de cálculo. Cuando el forzamiento se intensifica, la proporción de aleatoriedad disminuye, y esto se ve con especial claridad.
Esta herramienta ayuda a separar el grano de la paja: entender qué hay en los pronósticos climáticos que realmente se debe a la actividad humana y qué es simplemente variabilidad natural, como una nevada inesperada en mayo.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2608.14455v1
Quantifying forced and internal variability in climate data is fundamental to detecting the climate change signal and assessing uncertainty in climate projections. We propose a metric that quantifies the relative magnitude of internal variability in single-model initial-condition large ensembles (SMILEs). We measure forced and internal variability by two 1-Wasserstein distances, a form of optimal transport cost. The proposed metric is the distance for internal variability divided by the sum of the two. Computing this ratio requires only sorting the samples and differencing the resulting quantiles, with no additional parameters. The metric reflects the entire distribution shape and applies to non-Gaussian variables, because the 1-Wasserstein distance quantifies the difference between any two probability distributions. We validate the metric with synthetic climate data from Gaussian, uniform, and lognormal distributions. Unlike the two existing metrics, the proposed metric gives stable estimates irrespective of the distribution shape and the presence of outliers, provided that the ensemble has about 40 members or more. We then apply the proposed and existing metrics to the 2 m air temperature and total precipitation of the Community Earth System Model Large Ensemble (CESM-LE) under two different forcing scenarios. All the metrics indicate that the relative contribution of internal variability decreases as the forcing increases, but the proposed metric shows this response most clearly. The 1-Wasserstein distance thus provides a simple and useful tool for analyzing large-ensemble datasets.
En uno de los escenarios de simulación, el calentamiento resultó tan fuerte que las fluctuaciones aleatorias de temperatura casi dejaron de influir en el panorama general: la señal del cambio climático se volvió evidente.