Usar IA para relacionar olas de calor con el cambio climático

Las emisiones humanas de gases de efecto invernadero han desencadenado un rápido período de calentamiento global sin precedentes en al menos los últimos 2000 años. Muchas de las consecuencias más destructivas se sienten a través de fenómenos meteorológicos extremos, como olas de calor, precipitaciones intensas y sequías, que han aumentado en frecuencia e intensidad en muchas partes del mundo.

A pesar de estos avances recientes, las herramientas actuales para atribuir estos eventos a la actividad humana aún tienen numerosas limitaciones. La principal desventaja es que se basan en simulaciones de modelos climáticos que pueden tener grandes sesgos en la forma en que la circulación atmosférica (y otros procesos que influyen en los extremos) responde a la actividad humana. Por lo tanto, es difícil discernir si los cambios simulados en eventos extremos son el resultado de cambios termodinámicos generales o modificaciones que hemos provocado los humanos y que resultan más complejas de medir.

Para intentar responder a esto, un equipo de científicos de las universidades de Stanford y la Estatal de Colorado han desarrollado un método rápido y de bajo coste para estudiar cómo los eventos climáticos extremos individuales se han visto afectados por el calentamiento global. El método, publicado en la revista Science Advances, utiliza el aprendizaje automático para determinar cuánto ha contribuido el calentamiento global a las olas de calor.

De acuerdo con los autores, liderados por Jared Trok, el método demostró ser muy preciso y podría cambiar la forma en que los científicos estudian y predicen el impacto del cambio climático en una variedad de eventos meteorológicos extremos. Los resultados también pueden ayudar a guiar las estrategias de adaptación climática y son relevantes para las demandas que buscan cobrar una compensación por los daños causados por el cambio climático.

“Hemos visto los impactos que los eventos climáticos extremos pueden tener en la salud humana, la infraestructura y los ecosistemas – explica Trok -. Para diseñar soluciones efectivas, necesitamos comprender mejor hasta qué punto el calentamiento global impulsa cambios en estos eventos extremos".

El equipo de Trok entrenó modelos de IA para predecir las temperaturas máximas diarias en función de las condiciones climáticas regionales y la temperatura media global. Para ello utilizaron datos de una gran base de datos de simulaciones de modelos climáticos que abarcan desde 1850 hasta 2100. Pero a esta información le dieron una vuelta de tuerca: una vez que los modelos de IA fueron entrenados y verificados, utilizaron las condiciones climáticas reales de olas de calor específicas del mundo real para predecir cuan altas serían las temperaturas si ocurrieran exactamente las mismas condiciones climáticas, pero con diferentes niveles de calentamiento global. Luego compararon estas predicciones a diferentes niveles de calentamiento global para estimar cómo el cambio climático influyó en la frecuencia y gravedad de los eventos climáticos históricos.

La primera evaluación se llevó a cabo analizando la ola de calor de Texas de 2023, que contribuyó a un número récord de muertes relacionadas con el calor el año pasado. Con la información en la mano, descubrieron que el calentamiento global hizo que la ola de calor histórica fuera entre 1,18 y 1,42 grados Celsius más alta de lo que hubiera sido sin el cambio climático. Otro de los hallazgos realizados fue que el sistema predijo con precisión la magnitud de las olas de calor que batieron récords en otras partes del mundo, y que los resultados eran consistentes con estudios publicados previamente sobre esos eventos.

Basándose en esto, el equipo de Trok utilizó los datos de la IA para predecir cuán severas podrían llegar a ser las olas de calor si los mismos patrones climáticos que causaron olas de calor récord anteriores se producen con niveles más altos de calentamiento global. Los resultados mostraron que eventos equivalentes a algunas de las peores olas de calor en Europa, Rusia e India en los últimos 45 años podrían ocurrir varias veces por década si las temperaturas globales alcanzan 2,0 C por encima de los niveles preindustriales, algo no muy lejano teniendo en cuenta que el calentamiento global se está acercando actualmente a 1,3 C por encima de los niveles preindustriales.

“El aprendizaje automático crea un nuevo y poderoso puente entre las condiciones meteorológicas reales que causan un evento climático extremo específico y los modelos climáticos que nos permiten realizar experimentos virtuales más generalizados en el sistema terrestre – añade Noah Diffenbaugh, coautor del estudio -. La IA no ha resuelto todos los desafíos científicos, pero este nuevo método es un avance realmente emocionante que creo que se adoptará para muchas aplicaciones diferentes”.

Una de las ventajas de este nuevo método de IA, es que no requiere nuevas simulaciones costosas de modelos climáticos porque la IA se puede entrenar utilizando simulaciones existentes. En conjunto, estas innovaciones permitirán análisis precisos y de bajo coste de eventos extremos en más partes del mundo, lo que es crucial para desarrollar estrategias efectivas de adaptación climática. También abre nuevas posibilidades para un análisis rápido y en tiempo real de la contribución del calentamiento global al clima extremo.

El próximo paso es aplicar este método a una gama más amplia de eventos climáticos extremos y refinar las redes de IA para mejorar sus predicciones, incluido el uso de nuevos enfoques para cuantificar la gama completa de incertidumbre en las predicciones de IA.

“Hemos demostrado que el aprendizaje automático es una nueva herramienta poderosa y eficiente para estudiar el impacto del calentamiento global en eventos climáticos históricos – concluye Trok-. Esperamos que este estudio ayude a promover futuras investigaciones sobre el uso de la IA para mejorar nuestra comprensión de cómo las emisiones humanas influyen en el clima extremo, ayudándonos a prepararnos mejor para futuros eventos extremos”.