Realimentaciones en El Niño-La Oscilación del Sur y sus impactos en la viabilidad extremal

Abstract

En este estudio, se investigan algunos aspectos de la predecibilidad del estado anómalo del Pacífico ecuatorial (ENSO). La variabilidad ENSO se representa aquí con los índices Niño3.4, Nino1+2 y Niño4. Entre otros, se estudia la existencia de predictores externos que pueden mejorar las predicciones, la influencia de las frecuencias más bajas en la habilidad predictiva o la barrera de predicción de primavera. Se utiliza una relación lineal (realimentación) y se compara el potencial predictivo de los nuevos índices climáticos con los que se usan en modelos conceptuales como el oscilador de carga-descarga para caracterizar ENSO. Los índices se calculan a partir de observaciones del período post-satelital (desde 1980). Se encuentra una fuerte dependencia de los potenciales predictores en la fase estacional del correspondiente índice Niño (predictando). De todos los índices analizados, los Índices WWV y TSA muestran el mayor potencial predictivo para distintas estaciones y muchos desfases de predicción. El potencial predictivo del índice Niño1+2 es muy reducido comparado con los de los índices Niño3.4 y Niño4. De la comparación de estos resultados con los obtenidos para el periodo 1950-1979, se halla una fuerte dependencia de este potencial predictivo en frecuencias por debajo de las interanuales (cuasi o multidecadales). En una segunda parte de este trabajo, se investiga la barrera primaveral de predicción utilizando modelos de realimentación estacionales de baja dimensión. Los modelos se implementaron con dos esquemas distintos de predicción, sin y con excitación estocástica. Se demuestra que la barrera de predicción de primavera puede ser superada cuando se utiliza un modelo implementado en modo estocástico completo, que incorpora la variabilidad atmosférica integrada en la región extratropical sur. Entre los modelos, se identifican algunos con buen desempeño para predecir las condiciones anómalas de ENSO pero menos eficientes para las condiciones neutrales y otros con características predictivas opuestas. También se identifican modelos con un similar buen desempeño en ambas situaciones.