Si hubiéramos sabido hace un año que este invierno sería tan seco, ¿habríamos conservado más agua el verano pasado? ¿Las estaciones de esquí habrían instalado más equipos de fabricación de nieve? ¿Los agricultores comprarían diferentes semillas para plantar esta primavera?
Estas son algunas de las preguntas planteadas por un equipo de científicos estadounidenses del gobierno y universidades, que creen que han desarrollado una herramienta para predecir nieve acumulada en las montañas en el oeste del país, hasta ocho meses antes, mucho antes de que caiga el primer copo de nieve de invierno.
Conoce más: Inviernos secos le cuestan $1 mil millones a la industria del esquí
La herramienta, un poderoso modelo de computadora, se describe en un nuevo estudio recientemente publicado en las Actas de la Academia Nacional de Ciencias. Todavía es experimental, pero parece ser capaz en esta etapa de dar una señal de aprobación sobre si la capa de nieve del 1 de marzo será lo suficiente gruesa.
Y puede hacerlo a la escala de una cadena montañosa particular, ofreciendo alguna indicación sobre el posible escurrimiento de la primavera para cuencas hidrográficas individuales.
La única excepción es la cordillera sureña de Sierra Nevada en California, que presenta desafíos de pronóstico únicos gracias a su topografía extrema.
Para entender mejor esta nueva herramienta de predicción, junto con su potencial para cambiar la gestión del agua en el oeste, Water Deeply habló con la autora principal del estudio, Sarah Kapnick, científica investigadora del Laboratorio de Dinámica de Fluidos Geofísicos de la Administración Nacional Oceánica y Atmosférica de la Universidad de Princeton (Nueva Jersey).
Pregunta. Esto parece ciencia ficción. ¿Cómo lo hicieron?
Repuesta. El sistema de predicción que desarrollamos es un conjunto de tres modelos climáticos globales. Uno tiene una resolución de superficie atmosférica y terrestre de 200 km, 50 km y 25 km. Recopilamos cuál es el estado real del océano, la atmósfera y la tierra, utilizando una instantánea del 1 de julio pasado.
Los comenzamos el 1 de julio con toda la información disponible que teníamos. Luego ejecutamos el modelo por un año. Lo ejecutamos 10 veces para cada resolución de superficie. Lo que eso crea es un conjunto de cómo se verán los caminos futuros de un manto de nieve del 1 de marzo.
Preguntamos cuál es la predicción promedio de todos esos futuros potenciales, y usamos esa información para nuestra predicción.
P. Entonces, ¿incluyen muchos datos reales de observación de la Tierra en el modelo?
R. Para iniciar el modelo, estamos usando información satelital que está observando el estado del océano, la superficie terrestre y la atmósfera. También estamos usando flotadores Argo. La mejor manera de describirlos es como drones no tripulados en el océano.
Toman medidas de temperatura, salinidad y presión a medida que bajan y cuando vuelven a subir, recogen puntos de datos en el océano.
Tenemos un modelo separado que toma todos estos datos y los combina en información cuadriculada que puede iniciar el modelo. Este es un modelo global, completamente acoplado, que está modelando el océano, la atmósfera y la superficie terrestre, utilizando la física de cómo interactúan todos estos factores.
Y luego, para verificar el modelo y las predicciones, en este documento estamos usando mediciones puntuales de manto de nieve en todo el oeste de Estados Unidos.
P. ¿Y qué tan precisos son los pronósticos que están generando?
R. Estamos trabajando para realizar estimaciones probabilísticas, que pueden describirse como estimaciones de intervalos probables para futuros potenciales. En el futuro podemos dar un rango y usarlo para probar la habilidad de predicción.
Tenemos todos estos modelos y generan predicciones de nieve acumulada y, en realidad, del clima en general. De hecho, también miramos la temperatura, la precipitación y la trayectoria de la tormenta. “Cortamos el oeste de los Estados Unidos en pequeñas cajas y producimos predicciones en estas cajas”. Luego cortamos las regiones en cadenas montañosas y probamos nuestra habilidad de predicción en las diferentes cadenas montañosas.
Lo que encontramos es que, en realidad, los modelos estaban produciendo habilidades de predicción en todas partes del oeste de los EE. UU., todas las cadenas montañosas, excepto en el sur de Sierra Nevada.
Para las predicciones de la capa de nieve, hemos producido “hindcasts“, donde se reproducen las predicciones que habrían sido en el pasado para el manto de nieve de marzo de 1981 a 2016. La métrica que usamos es una correlación, que da un número entre -1 y 1 de cuán bien se correlaciona la media del conjunto modelado con el manto de nieve observado (1 es perfecto, -1 está perfectamente en reversa).
Encontramos que las predicciones están correlacionadas positivamente (por encima de 0.4 en la mayor parte de Occidente) y estadísticamente significativas (mejor que adivinar).
Hay ciertos aspectos que creemos que podemos mejorar. Pero ahora, yendo hacia el futuro, necesitamos desarrollar más estos modelos y realmente explorar cuáles son los límites de la predicción.
Te sugerimos: El Oeste de los Estados Unidos se ve seriamente afectado por el cambio climático
P. ¿Cuál es el problema de predicción en el sur de Sierra Nevada?
R. Aproximadamente donde está Stockton, en esa región, hay mucha variabilidad en las precipitaciones y nuestro modelo no captura la variabilidad extrema de un año a otro. El 50% de la precipitación total en un año puede ocurrir en solo cinco a 10 días de tormentas. Incluso una o dos tormentas pueden generar la mayor parte de la precipitación durante un año. Por lo tanto, es más difícil predecir la cantidad de nieve que habrá porque hay tan pocas tormentas.
También existen ciertas dinámicas sobre qué causa la precipitación en cadenas montañosas realmente estrechas que quizás no se capturen en nuestro modelo.
P. ¿Pueden estos pronósticos ayudarnos a planificar por adelantado para el invierno?
R. A partir de ahora, este documento es puramente para investigación. No lo estoy usando para las operaciones de pronóstico y actualmente no está en transición a operaciones. Pero trabajo en NOAA, y estoy investigando, y esperamos desarrollar aún más el sistema de predicción, de modo que estas predicciones estacionales se transfieran finalmente a operaciones, ya sea la predicción operativa del manto de nieve o los pronósticos operacionales en general. El enfoque principal de mi trabajo en este momento es mejorar estos sistemas para que puedan ser utilizados de manera operativa.
P. En última instancia, ¿cómo te imaginas en qué puede ser esto útil?
R. Tengo algunas ideas. Los administradores del agua podrán usar esta información para gestionar la variabilidad de un año a otro. Estoy segura de que hay muchos otros usos. Existe la esperanza de que un agricultor pueda usar información como esta para determinar qué plantar y cuando. Si será un año particularmente seco, podría influir en lo que decida plantar.
Este artículo apareció en Water Deeply, puedes encontrar el original en inglés aquí. Para más noticias sobre el agua y su impacto en tu vida puedes suscribirte a la lista de correos de Water Deeply.
Suscríbete a nuestro boletín
Lo más importante en tu buzón cada semana
![Impacto ambiental de las compras en línea]({"jaw_blog-16_9-small":{"file":"https:\/\/futuroverdecdn.sfo2.cdn.digitaloceanspaces.com\/wp-content\/uploads\/2024\/11\/compras-en-linea-170x95.jpg","width":170},"jaw_blog-16_9-middle":{"file":"https:\/\/futuroverdecdn.sfo2.cdn.digitaloceanspaces.com\/wp-content\/uploads\/2024\/11\/compras-en-linea-270x152.jpg","width":270},"jaw_blog-16_9":{"file":"https:\/\/futuroverdecdn.sfo2.cdn.digitaloceanspaces.com\/wp-content\/uploads\/2024\/11\/compras-en-linea-475x267.jpg","width":475},"jaw_blog-16_9-big":{"file":"https:\/\/futuroverdecdn.sfo2.cdn.digitaloceanspaces.com\/wp-content\/uploads\/2024\/11\/compras-en-linea-800x494.jpg","width":800}})
