Reconstrucción y modelación climática a partir del uso de diatoméas planctonicas.

Abstract

Los modelos climáticos se utilizan para predecir la variabilidad climática, con el fin de prevenir y desarrollar planes de mitigación que ayuden a reducir sus efectos en la economía y sociedad. Sin embargo, el comportamiento no lineal del clima impone limitantes a la capacidad predictiva de los modelos climáticos tanto en las reconstrucciones como en las predicciones, de igual manera que no se dispone de series de tiempo de datos instrumentales lo suficientemente extensas que cubran toda la variabilidad climática. Por tal razón, se reconoce la importancia de acoplar estudios paleo-climáticos con modelos climáticos para hacer más robustas las predicciones. El objetivo del estudio fue reconstruir los últimos 600 años y predecir las condiciones climáticas de la próxima década para el sur del Golfo de California, utilizando un conjunto de series de tiempo de datos instrumentales, ambientales, además de datos actuales de las diatomeas en sedimentación y sus frústulas conservadas en un núcleo de sedimentos laminados de Cuenca Alfonso. Las redes neuronales artificiales (RNA) de mapas de autoorganización (SOM) y feedforward de retro propagación permiten la identificación de las asociaciones de las diatomeas idóneas como indicadoras indirectas (proxies) de las variables climáticas. El análisis para la primera etapa considera cuatro pasos: 1) estandarización y selección de bases de datos biológicas; 2) reducción de ruido de las series de tiempo; 3) definición de una arquitectura SOM y 4) reconstrucción de las condiciones climáticas utilizando RNA feedforward. Los resultados mostraron que las asociaciones de diatomeas son proxies apropiados para reconstruir la temperatura del aire (TA) y de la superficie del mar (TSM). Estas asociaciones se utilizaron para entrenar una RNA “feedforward” (6 y 14 x 14 neuronas en la capa oculta, respectivamente), las cuales mostraron un buen rendimiento. Las variables climáticas reconstruidas fueron validadas con datos instrumentales y reconstruidos para la región, observándose correlaciones significativas (Spearman, [24] = 0.62 y 0.57; p <0.005, respectivamente). La segunda etapa consiste en tres pasos: 1) reducción del ruido de las series de tiempo reconstruidas; 2) calcular la previsibilidad y 3) predecir el clima mediante una RNA feedforward – “step by step”. Se realizó la predicción [2014 – 2032 (2035)] utilizando RNA de 4 y 4 x 4 neuronas para la TA y TSM, respectivamente. Las series temporales se validaron con datos instrumentales (1940 – 2020), obteniendo correlaciones significativas (Spearman, [27]= 0.59 y 0.62; p <0.005, respectivamente). Se concluye que la metodología implementada presentó el potencial para mejorar la clasificación de datos, reducir la incertidumbre y el sesgo en la definición de la matriz biológica (diatomeas planctónicas); considerando la menor perdida posible de información. Así, se definieron algunas asociaciones de diatomeas como proxies de la TA y TSM, y se realizó su reconstrucción. Las series de tiempo reconstruidas utilizadas como insumos para predecir el clima de la próxima década permitieron predecir el Hiatus en la tendencia del calentamiento global (1999 – 2012) y proyectar un escenario en el que la TA aumenta y disminuye la TSM, lo que sugiere un retraso en la respuesta del océano a la reducción de la temperatura del sistema.