Desarrollan un modelo que tiene el potencial de predecir los ciclones tropicales con 10 a 30 días de anticipación
Los ciclones tropicales, también conocidos como tifones, causan estragos en Asia y el Pacífico. Las tormentas pueden ser mortales (en 2013, el tifón Haiyan, el más fuerte jamás registrado, fue responsable de 6.340 muertes) y costó miles de millones en daños. Los actuales modelos de pronóstico solo pueden predecir estas tormentas con 10 días de anticipación, como máximo, y no pueden predecir con precisión qué tan intensas serán las tormentas.
Para rectificar esto, un equipo internacional de investigadores ha desarrollado un modelo que analiza casi una cuarta parte de la superficie y la atmósfera de la Tierra para predecir mejor las condiciones que provocan los tifones, así como las condiciones que conducen a tormentas más severas.
"El problema objetivo de este estudio es cómo predecir la génesis de los tifones", dijo el autor del artículo Mingkui Li, profesor asociado en el Laboratorio Clave de Oceanografía Física en la Universidad Oceánica de China y el Laboratorio Piloto Nacional de Ciencia y Tecnología Marina (QNLM). "Abordamos específicamente tres aspectos: el tiempo de inicio, la presión central y la velocidad máxima del viento".
Con esas tres variabilidades en mente, los investigadores combinaron modelos de predicción de la atmósfera y la superficie de la Tierra que cubrieron Asia y el Océano Pacífico. Examinaron tres modelos acoplados, cada uno representando una profundidad de área diferente.
Los investigadores también explicaron la influencia de una variable sobre otra, como la velocidad del viento en la temperatura de la superficie del mar, un fenómeno conocido como asimilación de datos acoplados.
Esta influencia se entiende bien y se tiene en cuenta en las predicciones climáticas y en las predicciones meteorológicas, pero no se ha aplicado completamente para comprender cómo el clima a largo plazo afecta el clima diario y viceversa, según Li.
Imagen: Las curvas de puntos blancos son las huellas de tifones de 2018 recolectadas en el Océano Pacífico Noroccidental como fondo, que es el área objetivo principal del Sistema de predicción acoplada regional de Asia y el Pacífico desarrollado por el Grupo de Investigación de Modelado y Predicción del Laboratorio Clave de Oceanografía Física Ministerio de Educación, Ocean University of China.
"Un modelo acoplado de atmósfera oceánica de alta resolución que se inicializa mediante la asimilación de datos acoplados a escala reducida es clave para pronosticar la génesis del tifón", dijo Shaoqing Zhang, autor del artículo y profesor en el Laboratorio Clave de Oceanografía Física, QNLM y el Laboratorio Internacional para el Modelo y Predicción del Sistema Terrestre de Alta Resolución (iHESP).
"Nuestro objetivo era proporcionar información sobre la escala de tiempo que se puede utilizar para pronosticar los tifones por adelantado, así como también cómo la resolución de los modelos acoplados puede afectar la predicción de la formación, la intensidad y la trayectoria".
A partir de su estudio, los investigadores determinaron que un modelo acoplado de alta resolución con la capacidad de comprender mejor la relación entre las temperaturas cálidas de la superficie del mar y las cizalladuras del viento débiles, condiciones que favorecen la formación de ciclones tropicales, podría mejorar la previsibilidad del tifón.
"Aunque abordar por completo estos problemas, que son importantes para comprender los problemas del clima regional y los pronósticos de largo alcance, requiere mucho estudio adicional, nuestro trabajo intenta abrirle la puerta", dijo Zhang, señalando que el equipo mejorará aún más la física de los modelos acoplados. "Nuestro objetivo es desarrollar un sistema de predicción de rango extendido de 10 a 30 días que finalmente conduzca a predicciones climáticas y meteorológicas sin interrupciones".
Los resultados del estudio se publicaron el 27 de julio en Advances in Atmospheric Sciences: An Examination of the Predictability of Tropical Cyclone Genesis in High-Resolution Coupled Models with Dynamically Downscaled Coupled Data Assimilation Initialization
Relacionada: Cómo detener un huracán