¿Las nubes podrán desaparecer en el futuro?

¿Las nubes podrán desaparecer en el futuro?

- en Sin clasificar
40
0

Los análisis de los modelos climáticos globales muestran consistentemente que las nubes constituyen la mayor fuente de incertidumbre e inestabilidad. ¿Podrán disolverse estos patrones?

Las nubes están formadas por pequeñas gotas de agua y cristales de hielo que son tan pequeños que pueden flotar en el aire, sí las gotas que las componen comienzan a crecer pueden caer, a este efecto se le conoce como precipitación. Podemos deducir que las nubes solo juegan un papel meteorológico pero la realidad es que su existencia tiene una participación esencial en nuestro planeta.

La NASA reportó que alrededor de dos tercios de nuestro planeta está cubierto por nubes. ¡Entonces, no es demasiado sorprendente que las nubes desempeñan un papel importante en el clima de la tierra! Así mismo, la nubosidad es importante en efectos naturales como la caída de lluvia, nieve o dar mantenimiento de los océanos y lagos.

La presencia de nubosidad en la tierra favorece esencialmente al ciclo del hidrológico y tienen un efecto importante en la temperatura ambiente, este último suele ser un poco más complicado ya que pueden enfriar y/o calentar las temperaturas en la atmósfera y la superficie terrestre.

Puedes leer: Nubes que parecen tsunamis

¿Podría afectar el cambio climático antropogénico a algún tipo de nubes de la Tierra?

«Las nubes bajas podrían evaporarse y reducirse como las capas de hielo», dice Michael Pritchard, profesor de ciencias del Sistema Terrestre en UC Irvine. «O podrían espesarse y volverse más reflectantes«.

Estos dos escenarios darían como resultado climas futuros muy diferentes. Y eso, dice Pritchard, es parte del problema.

«Si le preguntas a dos modelos climáticos diferentes cómo será el futuro cuando agreguemos mucho más CO2, obtienes dos respuestas muy diferentes. Y la razón clave de esto es la forma en que las nubes se incluyen en los modelos climáticos«.

Te puede interesar: Nubes marinas como espejo para combatir el calor

Nadie niega que las nubes y los aerosoles (pedazos de hollín y polvo que nuclean las gotas de las nubes) son una parte importante de la ecuación climática. El problema es que estos fenómenos ocurren en una escala de duración y tiempo que los modelos actuales no pueden reproducir. Por lo tanto, se incluyen en los modelos a través de una variedad de aproximaciones.

Modelización climática con mejor resolución y física

Mientras que el modelo climático global más avanzado de EE. UU. lucha por acercarse a una resolución global de 4 kilómetros, Pritchard estima que los modelos necesitan una resolución de al menos 100 metros para capturar los remolinos turbulentos a escala fina que forman sistemas de nubes poco profundas: 40 veces más resuelta en todas las direcciones. Según la ley de Moore, podría pasar hasta 2060 antes de que la potencia informática esté disponible para capturar este nivel de detalle.

Pritchard está trabajando para corregir esta evidente brecha al dividir el problema del modelado climático en dos partes: un modelo planetario de baja resolución (100 km) de «grano grueso» y muchos parches pequeños con una resolución de 100 a 200 metros. Las dos simulaciones se ejecutan de forma independiente y luego intercambian datos cada 30 minutos para asegurarse de que la simulación no se desvíe ni se vuelva poco realista.

Su equipo informó los resultados de estos esfuerzos en el Journal of Advances in Modeling Earth Systems en abril de 2022. La investigación cuenta con el apoyo de subvenciones de la Fundación Nacional de Ciencias (NSF) y el Departamento de Energía (DOE).

Este método de simulación climática, llamado ‘Marco de modelado multiescala (MMF)’, existe desde el año 2000 y ha sido durante mucho tiempo una opción dentro del modelo Community Earth System Model (CESM), desarrollado en el Centro Nacional de Investigación Atmosférica. Últimamente, la idea ha disfrutado de un renacimiento en el Departamento de Energía, donde los investigadores del Modelo del sistema terrestre de exaescala de energía (E3SM) la han estado impulsando a nuevas fronteras computacionales como parte del Proyecto de computación a exaescala. El coautor de Pritchard, Walter Hannah, del laboratorio nacional Lawrence Livermore, ayuda a liderar este esfuerzo.

«El modelo hace un recorrido final en torno al problema más difícil: el modelado de todo el planeta«, explicó Pritchard. «Tiene miles de pequeños micromodelos que capturan cosas como la formación realista de nubes poco profundas que solo emergen en muy alta resolución«.

«El enfoque del marco de modelado multiescala también es ideal para las próximas computadoras de exaescala basadas en GPU del DOE«, dijo Mark Taylor, científico computacional jefe del proyecto Modelo del sistema terrestre de exaescala de energía (E3SM) del DOE y científico investigador en Sandia National Laboratories. «Cada GPU tiene la potencia necesaria para ejecutar cientos de micromodelos sin dejar de igualar el rendimiento del modelo planetario de baja resolución y granularidad gruesa«.

La investigación y el nuevo enfoque de Pritchard son posibles en parte gracias a la supercomputadora Frontera financiada por la NSF en el Centro de Computación Avanzada de Texas (TACC). La supercomputadora universitaria más rápida del mundo, Pritchard, puede ejecutar sus modelos en Frontera en una escala de tiempo y longitud accesible solo en un puñado de sistemas en los EE. UU. y probar su potencial para el modelado en la nube.

«Desarrollamos una forma para que una supercomputadora divida mejor el trabajo de simular la física de las nubes en diferentes partes del mundo que merecen diferentes cantidades de resolución… para que funcione mucho más rápido«, escribió el equipo.

Simular la atmósfera de esta manera proporciona a Pritchard la resolución necesaria para capturar los procesos físicos y los remolinos turbulentos que intervienen en la formación de nubes. Los investigadores demostraron que el enfoque multimodelo no producía efectos secundarios no deseados, incluso cuando se juntaban parches que usaban diferentes estructuras de cuadrícula de resolución de nubes.

Desentrañar y volver a conectar las diversas escalas del modelo CESM fue un desafío que superó el equipo de Pritchard. Otro involucró la reprogramación del modelo para que pueda aprovechar la cantidad cada vez mayor de procesadores disponibles en los sistemas de supercomputación modernos.

Pritchard y su equipo, el becario postdoctoral de la UCI Liran Peng y el científico investigador de la Universidad de Washington Peter Blossey, abordaron esto dividiendo los dominios internos de los modelos de nube integrados de CESM en partes más pequeñas que podrían resolverse en paralelo usando MPI, o interfaz de paso de mensajes: un forma de intercambiar mensajes entre varias computadoras que ejecutan un programa paralelo a través de la memoria distribuida y orquestar estos cálculos para usar muchos más procesadores.

«Hacerlo parece proporcionar una velocidad cuatro veces mayor con gran eficiencia. Eso significa que puedo ser cuatro veces más ambicioso para mis modelos de resolución de nubes«, dijo. «Soy muy optimista de que este sueño de regionalizar y descomponer el MPI está conduciendo a un panorama totalmente diferente de lo que es posible«.

Machine Learning Clouds

Pritchard ve otro enfoque prometedor en el aprendizaje automático, que su equipo ha estado explorando desde 2017. «Me ha provocado mucho la forma en que una hoja tonta de neuronas puede reproducir estas ecuaciones diferenciales parciales», dijo Pritchard.

La investigación y el nuevo enfoque de Pritchard son posibles en parte gracias a la supercomputadora Frontera financiada por la NSF en TACC. La supercomputadora universitaria más rápida del mundo, Pritchard, puede ejecutar sus modelos en Frontera a una escala de tiempo y longitud accesible solo en un puñado de sistemas en los EE. UU. y probar su potencial para el modelado en la nube.

En un artículo presentado el otoño pasado, Pritchard, el autor principal Tom Beucler, de UCI, y otros describen un enfoque de aprendizaje automático que predice con éxito las condiciones atmosféricas incluso en regímenes climáticos en los que no se entrenó, donde otros han tenido dificultades para hacerlo.

Este modelo ‘climáticamente invariable‘ incorpora el conocimiento físico de los procesos climáticos en los algoritmos de aprendizaje automático. Su estudio, que utilizó Stampede2 en TACC, Cheyenne en el Centro Nacional de Investigación Atmosférica y Expanse en el Centro de Supercomputadoras de San Diego, mostró que el método de aprendizaje automático puede mantener una alta precisión en una amplia gama de climas y geografías.

«Si el aprendizaje automático de la física de nubes de alta resolución alguna vez tuviera éxito, transformaría todo acerca de cómo hacemos simulaciones climáticas«, dijo Pritchard. «Estoy interesado en ver cuán reproducible y confiablemente el enfoque de aprendizaje automático puede tener éxito en entornos complejos«.


Pritchard espera usar pronto los resultados de sus modelos integrados de 50 metros para comenzar a construir una gran biblioteca de capacitación. «Es un conjunto de datos muy bueno para hacer aprendizaje automático«.

«Si esas nubes se encogen, como lo harán las capas de hielo, exponiendo superficies más oscuras, eso amplificará el calentamiento global y todos los peligros que conlleva. Pero si hacen lo opuesto a las capas de hielo y se espesan, lo que podrían hacer, eso es menos peligroso«. dijo Pritchard.

Con información de: https://www.tiempo.com/

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

También te puede interesar

El cambio climático detrás del desprendimiento del glaciar de Marmolada en Italia

Los científicos aún no se ponen de acuerdo