Errores reducidos en la cubierta de nubes en un modelo híbrido de IA y clima mediante el descubrimiento de ecuaciones...

Área de la Ciencia:

• Ciencia Climática
• Física Atmosférica
• Aplicaciones de Aprendizaje Automático

Sus antecedentes:

• Las parametrizaciones de nubes son una fuente importante de incertidumbre en las proyecciones climáticas.
• Los enfoques existentes de aprendizaje automático basados en datos para los modelos del sistema terrestre (ESM) a menudo carecen de interpretabilidad y consistencia física.

Objetivo del estudio:

• Desarrollar e implementar una parametrización de aprendizaje automático interpretable y físicamente consistente para la cubierta de nubes en un modelo atmosférico global.
• Mejorar la precisión y reducir los sesgos en las proyecciones climáticas mejorando los ESM.

Principales métodos:

• Se incorporó una parametrización de cubierta de nubes físicamente consistente derivada de simulaciones que resuelven tormentas utilizando regresión simbólica en el modelo atmosférico global ICON.
• Se aplicó el optimizador Nelder-Mead para la recalibración automática del modelo híbrido frente a observaciones de la Tierra en etapas anidadas.

Principales resultados:

• El modelo híbrido redujo significativamente los sesgos en la cubierta de nubes, con una reducción del 75% sobre el Océano Austral y del 44% en las regiones de estratocúmulos subtropicales.
• El modelo mejorado demostró robustez bajo condiciones de calentamiento superficial de +4K.

Conclusiones:

• Las parametrizaciones interpretables aprendidas por máquinas, combinadas con métodos de ajuste prácticos, pueden mejorar eficazmente la fidelidad de los modelos del sistema terrestre.
• Este enfoque ofrece una forma transparente y eficiente de fortalecer las proyecciones climáticas.