Evaluación de la sensibilidad del modelo IA IGP-UHM a las condiciones iniciales

• Autores: Obregón, José, Takahashi, Ken
• Formato: artículo
• Fecha de Publicación: 2024
• Institución: Instituto Geofísico del Perú
• Repositorio: IGP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.igp.gob.pe:20.500.12816/5712
• Enlace del recurso: http://hdl.handle.net/20.500.12816/5712
• Nivel de acceso: acceso abierto
• Materia: El Niño; Inteligencia artificial; Viento zonal; Índice E; Causalidad; https://purl.org/pe-repo/ocde/ford#1.05.09

El modelo de inteligencia artificial IA IGP-UHM predice El Niño usando información climática reciente, por lo que se esperaría que saque provecho de precursores identificados en investigaciones previas, como la alta probabilidad de ocurrencia de eventos El Niño fuerte según el índice E en enero, cuando la anomalía del esfuerzo de viento del oeste en el Pacífico ecuatorial central (tauxC) excede, en agosto previo, un valor crítico (Takahashi & Dewitte, 2015). En este estudio se evalúa la sensibilidad del modelo IA IGP-UHM a algunos precursores seleccionados. Si bien los pronósticos del modelo para el periodo 1981-2023 reproducen aproximadamente la relación empírica entre tauxC, en agosto, y el índice E, en el enero siguiente, en experimentos aislados, tras neutralizar o incluso invertir artificialmente los valores de tauxC correspondientes a junio-agosto de 1982, 1997 y 2015, las predicciones del modelo de los eventos El Niño de 1983, 1998 y 2016 presentaron muy poca sensibilidad, manteniendo una alta probabilidad de El Niño, a pesar de la gran importancia esperada de este precursor. Esto sugiere que el entrenamiento no le permitió establecer dicho precursor como una condición importante para El Niño. Más bien, se identificó que el predictor más relevante para el modelo IA es la anomalía de la temperatura superficial del mar (SST', por sus siglas en inglés) en el Pacífico oriental. Estos resultados preliminares sugieren que el modelo IA IGP-UHM no estaría capturando las relaciones físicas causales, las cuales sí están presentes en un modelo climático numérico basado en las leyes de la física, lo cual nos advierte de la necesidad de mantener una posición crítica de los modelos de inteligencia artificial, sobre todo en cuanto a su desempeño en situaciones climáticas novedosas.