Pronóstico enos en las regiones Niño 3.4 y Niño 1+2, utilizando redes neuronales profundas con secuencias espacio temporales

Abstract

El pronóstico de El Niño - Oscilación del Sur (ENOS) es una de las tareas más discutidas y desafiantes de las ciencias oceánicas y atmosféricas, ya que los eventos ENOS observados muestran grandes diferencias entre eventos, en su amplitud, evolución temporal y patrón espacial. El objetivo de esta investigacion es proponer un modelo de red neuronal profunda que integra la estructura convolucional de memoria a corto y largo plazo (ConvLSTM) para pronosticar los patrones de la temperatura superficial del mar (TSM) que representan la evolución de ENOS en diferentes horizontes de tiempo y de manera espacial simultáneamente en las regiones Niño 3.4 y Niño 1+2. Para este fin, se utilizaron datos cuadriculados de la TSM del océano Pacífico ecuatorial (latitud 10°S–10°N y longitud 140°E–80°W) para el período de 1854-2022 a nivel mensual. Esta información se obtuvo de la Administración Oceánica y Atmosférica (NOAA). En resumen, la metodología incluye la normalización de la TSM del Pacífico tropical, la creación y selección de la arquitectura del modelo de red neuronal profunda, el entrenamiento, validación y finalmente, el pronóstico y evaluación (prueba) de las anomalías de la TSM espacio temporal de ENOS en las regiones Niño 3.4 y Niño 1+2 con seis meses de anticipación. Los resultados indican un buen desempeño del modelo para El Niño 1982/83 (entrenamiento) y El Niño 1997/98 (validación) en espacio y tiempo, en etapa de prueba se pronosticó espacial y temporalmente pare El Niño 2015/16, El Niño Costero 2017 y La Niña 2022. Este desempeño se evaluó utilizando métricas estadísticas de datos observados y pronosticados durante seis meses en el océano Pacífico ecuatorial y posteriormente enfocándonos en la región Niño 3.4 y Niño 1+2, resultando las métricas estadísticas promedio de El Niño 2015/16 (Niño 3.4) de RMSPE a 0.35 por ciento y MAPE a 0.30 por ciento, El Niño Costero 2017 (Niño 1+2) de RMSPE a 2.89 por ciento y MAPE a 2.01 por ciento y La Niña 2022 (Niño 3.4) de RMSPE a 1.24 por ciento y MAPE a 0.83 por ciento. Así mismo, a partir de los pronósticos espacio temporales se comparó con índices climáticos de las regiones Niño 3.4 y Niño 1+2 con modelos globales dinámicos y estadísticos. Por lo tanto, se concluye que se obtiene un mejor pronóstico en la región Niño 3.4 que en la región Niño 1+2; con muy buenos resultados en los tres primeros meses, reduciendo su eficiencia de pronóstico a medida que aumenta el mes de previsión.

El Niño-Southern Oscillation (ENSO) forecasting is one of the most discussed and challenging tasks in ocean and atmospheric sciences, since the observed ENSO events show large differences between events, in their amplitude, temporal evolution and spatial pattern. The objective of this research is to propose a deep neural network model that integrates the convolutional structure of short and long term memory (ConvLSTM) to forecast sea surface temperature (SST) patterns that represent the evolution of ENSO in different horizons simultaneously in time and space in the Niño 3.4 and Niño 1+2 regions. For this purpose, gridded SST data from the equatorial Pacific Ocean (latitude 10°S–10°N and longitude 140°E–80°W) for the period 1854-2022 at the monthly level were used. This information was obtained from the Oceanic and Atmospheric Administration (NOAA). In summary, the methodology includes the normalization of the tropical Pacific SST, the creation and selection of the deep neural network model architecture, the training, validation, and finally, the forecast and evaluation (test) of the SST anomaly spatiotemporal of ENSO in the Niño 3.4 and Niño 1+2 regions six months in advance. The results indicate a good performance of the model for El Niño 1982/83 (training) and El Niño 1997/98 (validation) in space and time, in the test stage it was forecast spatially and temporally for El Niño 2015/16, El Niño Costero 2017 and La Nina 2022. This performance was evaluated using statistical metrics from observed and forecast data over six months in the equatorial Pacific Ocean and subsequently focusing on the Niño 3.4 and Niño 1+2 region, resulting in average statistical metrics for El Niño 2015/16 (Niño 3.4) of RMSPE at 0.35 percent and MAPE at 0.30 percent, El Niño Costero 2017 (Niño 1+2) of RMSPE at 2.89 percent and MAPE at 2.01 percent and La Niña 2022 (Niño 3.4) of RMSPE at 1.24 percent and MAPE at 0.83 percent. Likewise, based on space-time forecasts, it was compared with climatic indices of the Niño 3.4 and Niño 1+2 regions with global dynamic and statistical models. Therefore, it is concluded that a better forecast is obtained in the Niño 3.4 region than in the Niño 1+2 region; with very good results in the first three months, reducing its forecasting efficiency as the forecast month increases.