Las técnicas de aprendizaje profundo e inteligencia artificial logran mejorar los pronósticos de ENSO, El Niño y La Niña
Los científicos han combinado dos métodos de inteligencia artificial para predecir un indicador clave de ENSO con hasta un año y medio de antelación
El Niño-Oscilación del Sur, ENOS o ENSO (inglés), es un patrón climático que consiste en la oscilación de los parámetros meteorológicos del Pacífico ecuatorial cada cierto número de años.
ENSO presenta dos fases opuestas, una de calentamiento y lluvias en el Pacífico oriental conocido como el fenómeno de El Niño y la otra fase de enfriamiento llamada La Niña. Actualmente, tenemos un evento de El Niño debilitándose y nos dirigimos a La Niña en los próximos meses.
La Inteligencia Artificial aplicada a ENSO
Un nuevo artículo financiado con fondos del Programa de Modelado, Análisis, Predicciones y Proyecciones (MAPP) de la Oficina del Programa Climático mejora la precisión de la predicción de la Oscilación del Sur de El Niño (ENSO por sus siglas en inglés) utilizando técnicas de aprendizaje profundo.
La autora principal, Chibuike Ibebuchi, investigadora postdoctoral en la Universidad Estatal de Kent, trabaja con el científico Cameron Lee, financiado por MAPP, en un proyecto destinado a monitorear condiciones de temperatura peligrosas en América del Norte.
La investigación, publicada en Climate Dynamics, demuestra un enfoque innovador que combina dos métodos de inteligencia artificial (redes neuronales Autoencoder y modelos de aprendizaje profundo de memoria a corto plazo) para predecir un indicador clave de ENSO con hasta un año y medio de antelación.
Una mejor predicción de ENSO es fundamental para comprender y mitigar los impactos de este fenómeno climático en los patrones climáticos globales, las condiciones de los océanos, la agricultura y las economías.
Los métodos tradicionales para pronosticar ENSO tienen limitaciones, particularmente en los plazos de entrega y durante las temporadas de transición. Las técnicas de aprendizaje profundo utilizadas en este estudio presentan un enfoque prometedor para mejorar la precisión de la predicción y capturar mejor patrones temporales complejos, proporcionando una herramienta valiosa para diversas aplicaciones de pronóstico más allá de la predicción ENSO.
Referencia
Ibebuchi, C.C., Richman, M.B. Deep learning with autoencoders and LSTM for ENSO forecasting. Clim Dyn (2024). https://doi.org/10.1007/s00382-024-07180-8