Los modelos climáticos globales, gracias a los avances acumulados tras sucesivas investigaciones, coinciden en una larga lista de consecuencias generadas por la acumulación de gases en la atmósfera de la Tierra, ligadas principalmente a alzas de temperatura, que en casos exacerbados pueden decantar en el aumento del nivel del mar y en olas de calor más extremas.
A pesar de estas certezas científicas, hay otros elementos ligados a este mismo factor que aún resultan difíciles de abordar para la ciencia. Un ejemplo de esto es la falta de consenso sobre cómo evolucionan los patrones de lluvia a medida que el planeta aumenta su temperatura promedio, así como también no está claro qué tan diferente será la frecuencia de las tormentas sequías o nevazones a largo plazo. Mediante el uso de inteligencia artificial, se podría generar una mayor aproximación a estas predicciones.
Proyecciones meteorológicas a largo plazo, refinadas mediante IA
A diferencia de las ondas gravitacionales, que distorsionan la estructura del espacio-tiempo, las ondas gravitatorias surgen cuando el aire es empujado hacia arriba por el viento que sopla sobre, por ejemplo, una tormenta eléctrica o una montaña. Tras ser lanzado a una capa más alta y más delgada de la atmósfera, el aire vuelve a caer bajo la fuerza de la gravedad, para luego volver a subir como un corcho que sale del agua.
Cualquier paquete de aire dado puede subir y bajar durante unos minutos o muchas horas, transportando impulso a medida que avanza. Eventualmente, la ola se extiende hacia arriba y hacia afuera hasta que rompe en la atmósfera media y superior como una ola del océano rompiendo en la playa.
Los científicos dedicados al estudio de la atmósfera, bien saben desde hace mucho tiempo que las ondas gravitatorias ayudan a impulsar la circulación general de la atmósfera e influyen en las trayectorias de las tormentas y el vórtice polar. Esto se manifiesta cuando el remolino de aire frío ubicado cerca de los polos de la Tierra, excepcionalmente se tambalea, acarreando un clima invernal extremo en algunas zonas de Norteamérica, Europa y Asia.
Las ondas gravitatorias son demasiado pequeñas y de corta duración, como para ser consideradas y aparecer en modelos diseñados para cubrir el análisis meteorológico de todo el planeta, como si se tratara de una fotografía de baja resolución. Los modelos con mayores capacidades, en cambio, pueden proporcionar mayores detalles, pero con un alto costo de implementación y con una acotada capacidad de proyección en el tiempo.
Por ahora, los procesos de menor escala, como las ondas gravitatorias, son abordados superficialmente, sin grandes cálculos. Para esto, los científicos utilizan ecuaciones simplificadas conocidas como «parametrizaciones», que se basan en la física, pero no calculan las oscilaciones ni las interacciones de las ondas individuales ni incorporan los limitados datos de observación disponibles, casi como si se tratara de “adivinar”.
Lo complicado de esta metodología, es que una ínfima imprecisión en sus parametrizaciones, puede dar pie a proyecciones muy diferentes entre sí. Por lo mismo, un mecanismo de ajuste usado en estos casos es la aproximación de estas parametrizaciones hacia proyecciones coherentes con el estado del tiempo atmosférico reciente.
Aditi Sheshadri, profesora asistente de ciencias del sistema terrestre en la Universidad de Stanford, junto a Zachary Espinosa, su ex estudiante de posgrado, se encuentran entre un cada vez más alto número de científicos que a través de la inteligencia artificial y el aprendizaje automático, buscan una posible solución. “Las parametrizaciones son un gran sumidero computacional para los modelos climáticos, por lo que si podemos acelerarlos, eso significa que podemos aumentar la resolución de todo tipo de cosas”, comentó Espinosa.
El mencionado equipo de investigación, desarrolló un modelo impulsado por IA, denominado WaveNet, que puede emular con precisión cómo las ondas gravitatorias que se disipan aceleran y desaceleran los vientos atmosféricos.
En este proyecto coexisten tecnologías contemporáneas y de antaño, pero en plena vigencia. La construcción y entrenamiento del conjunto de redes neuronales artificiales utilizado, se hizo mediante el lenguaje de programación Python. Luego, esta infraestructura fue acoplatda a un modelo climático global clásico, construido hace décadas, en un lenguaje de la década de 1950, llamado Fortran.
Con solo un año de datos procesado en su entrenamiento, sus predicciones de cómo las ondas gravitatorias responderían a concentraciones de CO2 extremadamente altas durante 800 años, resultaron similares a las producidas por las parametrizaciones convencionales.
Otro logro fue registrado basándose en una sola fase de datos, cuando se simuló con precisión un ciclo completo de dos fases de la oscilación casi bienal, una inversión regular de los vientos que corren muy por encima del ecuador que afecta el clima de la superficie y el agotamiento del ozono, y es impulsado por la ruptura de las ondas gravitacionales.
“WaveNet realmente no nos dice nada nuevo sobre la respuesta de las ondas gravitatorias al CO2 . Simplemente está haciendo lo que habría hecho la parametrización de ondas gravitatorias convencionales como respuesta al C2, al menos por ahora”, dijo Sheshadri.
La posibilidad de representar las ondas gravitaciones con este nivel de efectividad, es de un gran valor para el estudio del clima y las proyecciones del tiempo. “Ese es el tipo de cosas en las que finalmente nos gustaría poder tener mucha más confianza”, dijo Sheshadri, en alusión a la incertidumbre que obstaculiza los esfuerzos para salvaguardar el suministro de agua, la producción de alimentos, infraestructura y las personas frente a futuros impactos climáticos.