Nuevo método de IA revela patrones de bloqueo atmosférico históricos y futuros
MadridEventos de bloqueo atmosférico son patrones climáticos significativos en los que sistemas de alta presión permanecen estacionarios durante mucho tiempo, interrumpiendo el flujo de la corriente en chorro y la trayectoria de tormentas. Estos fenómenos han provocado condiciones climáticas extremas, como inundaciones severas y olas de calor, especialmente en Europa en 2023. Investigaciones recientes realizadas por Christina Karamperidou de la Universidad de Hawái en Manoa emplean aprendizaje profundo para estudiar estos eventos a lo largo de los últimos mil años y prever posibles futuros escenarios.
El estudio de Karamperidou emplea un modelo de aprendizaje profundo que se entrena con datos históricos y trabaja con simulaciones climáticas extensas. Este modelo es capaz de determinar con qué frecuencia ocurrieron los eventos de bloqueo atmosférico mediante el análisis de anomalías de temperatura en los últimos 1,000 años. Este enfoque utiliza datos de temperatura provenientes de registros de anillos de árboles para proporcionar información sobre patrones climáticos pasados.
Algunos aspectos esenciales de este estudio incluyen:
- Elaborar un modelo de aprendizaje profundo para identificar frecuencias de bloqueo a partir de datos históricos de temperatura.
- Relacionar los registros paleoclimáticos con señales paleoclimáticas mediante aprendizaje automático.
- Ofrecer perspectivas sobre fenómenos climáticos y mejorar las predicciones de modelos climáticos.
Comprender la frecuencia y la intensidad con la que se producen los bloqueos atmosféricos es fundamental, especialmente a medida que el cambio climático avanza. Estos patrones influyen en los extremos climáticos tanto locales como globales, y afectan a regiones como Hawái, el Noroeste del Pacífico y Europa. Con posibles efectos asociados a fenómenos como El Niño y las temperaturas de la superficie marina del Pacífico tropical, la precisión en reconstrucciones y predicciones es crucial.
31 de octubre de 2024 · 20:55
Preocupación por la desinformación electoral en español generada por IA
La investigación de Karamperidou va más allá del estudio histórico. Al vincular la frecuencia de los eventos de bloqueo con las alteraciones en el clima del Pacífico tropical, su modelo mejora la precisión de los modelos climáticos. Este enfoque ayuda a disminuir las incertidumbres en las predicciones climáticas futuras, haciendo una valiosa contribución a la capacidad de la comunidad científica para prever los efectos climáticos con mayor precisión.
Este estudio resalta la utilización de métodos de investigación abierta. Estudiantes de UH Manoa colaboraron en la creación de una interfaz web para examinar el modelo y sus resultados. Esta herramienta está alojada en Jetstream-2 y subraya la importancia de tener un acceso claro y sencillo a la investigación climática, especialmente ahora que la inteligencia artificial y el aprendizaje automático están cobrando mayor protagonismo en los estudios científicos.
En el futuro, se prevé mejorar el modelo y posiblemente emplearlo para algo más que eventos de bloqueo atmosférico. Esto podría incluir el estudio de otros fenómenos climáticos que tengan un gran impacto social y económico, ampliando así el conocimiento obtenido del uso de aprendizaje profundo en la ciencia del clima.
El estudio se publica aquí:
http://dx.doi.org/10.1038/s43247-024-01687-yy su cita oficial - incluidos autores y revista - es
Christina Karamperidou. Extracting paleoweather from paleoclimate through a deep learning reconstruction of Last Millennium atmospheric blocking. Communications Earth & Environment, 2024; 5 (1) DOI: 10.1038/s43247-024-01687-y28 de octubre de 2024 · 13:31
Hombre en el Reino Unido encarcelado por crear imágenes abusivas con IA
28 de octubre de 2024 · 13:27
Apple integra IA en iPhone con actualización de software gratuita
27 de octubre de 2024 · 4:35
Autoría percibida: el desafío de la IA en la creación de historias
Compartir este artículo