La aplicación del aprendizaje automático para la parametrización de procesos en modelos atmosféricos

Un reciente estudio publicado en el Journal of Advances in Modeling Earth Systems ha demostrado cómo la aplicación del aprendizaje automático puede mejorar la parametrización de procesos subgrid en modelos atmosféricos, lo que puede tener un impacto significativo en la precisión de las predicciones climáticas. Los modelos atmosféricos deben representar procesos en escalas espaciales que abarcan muchos órdenes de magnitud, y aunque los procesos a pequeña escala como las tormentas y la turbulencia son críticos para la atmósfera, la mayoría de los modelos globales no pueden resolverlos explícitamente debido al costo computacional. En modelos convencionales, las estimaciones heurísticas del efecto de estos procesos, conocidas como parametrizaciones, son diseñadas por expertos. Sin embargo, una línea de investigación reciente utiliza el aprendizaje automático para crear parametrizaciones basadas en datos directamente a partir de simulaciones de alta resolución que requieren menos supuestos. Yuval y O’Gorman [2023] proporcionan el primer ejemplo de una parametrización de red neuronal de los efectos de los procesos subgrid sobre el transporte vertical de momento en la atmósfera. El estudio demuestra cómo el uso del aprendizaje automático puede mejorar la simulación de los vientos en un modelo de baja resolución, aunque también puede llevar a una sobre-corrección y mayores sesgos en una configuración. Sin embargo, el estudio sirve como un ejemplo completo y claro para investigadores interesados en la aplicación del aprendizaje automático para la parametrización. En resumen, la aplicación del aprendizaje automático para la parametrización de procesos subgrid en modelos atmosféricos muestra un gran potencial para mejorar la precisión de las predicciones climáticas. Si bien aún se necesitan más investigaciones en esta área, los resultados de este estudio demuestran que la aplicación del aprendizaje automático puede ser una herramienta valiosa para los científicos que trabajan en modelos atmosféricos y climáticos.