La IA y los problemas difíciles del mundo · Ciencias de la Tierra y del clima · arXiv · 2026-10-21
Desentrañar los componentes forzados e internos en la evolución climática observada mediante aprendizaje profundo espaciotemporal
Título original: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
Atribuir la evolución climática histórica observada al cambio forzado externo frente a la variabilidad interna es fundamental para comprender el cambio climático y evaluar los modelos climáticos, pero ambos están entrelazados en las observaciones. Los autores desarrollan una LSTM convolucional (ConvLSTM), entrenada y evaluada con simulaciones de grandes conjuntos de múltiples modelos climáticos, que supera de manera consistente a los enfoques existentes basados en modelos, estadísticos y de aprendizaje automático. Aplicada a las observaciones, revela un patrón espacial en evolución de la respuesta forzada y contribuciones sustanciales de la variabilidad interna a las tendencias multidecadales recientes—amplificando la reversión forzada de la asimetría de temperatura interhemisférica del Atlántico, dominando el calentamiento del Pacífico ecuatorial tipo La Niña y el declive de las precipitaciones sobre el suroeste de América del Norte desde 1980, y modulando la amplificación ártica en torno a su valor forzado casi constante de tres veces—mientras que la comparación con las respuestas forzadas simuladas por los modelos muestra patrones ampliamente consistentes junto con discrepancias como un calentamiento simulado más fuerte del hemisferio norte, una intensificación más débil del anticiclón subtropical y declives de precipitación continental más pequeños.