Mundo

Predicción de alta resolución espacial de tritio (3H) en la precipitación global contemporánea

Alberto Estrada 2 años ago 2 min read

Se encontraron tres modelos de regresión múltiple de mejor ajuste para predecir con precisión ³H en la precipitación anual global. Todos los modelos tenían un alto grado de confianza y precisión, ya sea que el modelo fuera (i) global, (ii) extratropical o (iii) tropical (material SM1 complementario). Los modelos predictivos de regresión múltiple más parsimoniosos fueron:

$${\text{Global}}\,^{{3}} {\text{H }} \,\left( {{\text{TU}}} \right) \, = \, 0.0313{\text { wLT }} + \, 2,56 \, 10^{{ – {6}}} \, {\text{DTC }} \, {-} \, 0,2077{\text{ AT }} + \ ,6,2068 {\text{ LMF }}+\, 0,0056{\text{ LARGO }}-\, 0,0279{\text{ NLR }}+\, {61}. {3961}$$

(1)

que es un primer modelo global que da como resultado un R²= 0,79 (pags< 0.01), donde la temperatura del aire (AT), wLT, LMF y DTC explicaron el 26 %, 24 %, 17 % y 9 %, respectivamente, de la varianza general (radiación neta de onda larga). [NLR] sólo tuvo una parte menor). Como era de esperar, estos regresores son los efectos bien conocidos de la temperatura y la continentalidad en ³Distribuciones H^9.24. La importante respuesta de wLT afirmó la necesidad de considerar específicamente las diferencias entre los hemisferios norte y sur en la distribución de sus masas terrestres. Sin embargo, el modelo global (Ec. 1) no funcionó tan bien en las regiones tropicales y de baja latitud. Como resultado, ha sido beneficioso desarrollar modelos regionales extratropicales y tropicales secundarios (ver Discusión en²³):

$${\text{Extratropical}}\,^{{3}} {\text{H }} \, = \, – 0,2505{\text{ AT }} + \, 8,0153{\text{ LMF }} + \, { 3}.0{4 \,1}0^{{ – {6}}}\, {\text{ DTC }} + \, 0.0053{\text{LARGO }} + \, 0.0176{\text { wLT}} \,{-} \,0.0011{\text{ ALT }} + \,71.7114$$

(2)

READ La pandemia no ha terminado a medida que aumenta la transmisión y los sistemas de salud corren el riesgo de colapsar en las Américas, advierte la Federación Internacional

dando una R²= 0,81 (pags< 0.01), y con AT, LMF, wLT y DTC explicando cada uno el 24%, 23%, 19% y 12% de la variabilidad (ALT y LONG fueron menos relevantes). Para el modelo tropical y de baja latitud, se necesitaba un conjunto diferente de variables predictoras, debido a ³Tasa de producción de H y dilución sustancial por³H fuentes de humedad del océano tropical:

$${\text{Tropical}}\,^{{3}} {\text{H }} \,= \, 0.0513{\text{wLT }} + \, 2.2882{\text{LMF }} + \ , 0,0061{\text{ AT }}{-} \, 0,0399{\text{ OLR }} \,{-} \, 0,059{\text{ CPN }} + \, 0,0003{\text { PP }} + \ , {9}. {3437}$$

(3)

que dio una R² = 0,62, p < 0,01) y cuya variabilidad fue explicada en un 27 % por wLT, en un 15 % por LMF, y la varianza restante se distribuyó por igual entre cuatro parámetros climáticos (AT, radiación de onda larga saliente [OLR]cantidad de precipitación convectiva [CPN] y PP). Donde sea suficiente ³Los datos de H estaban disponibles, los conglomerados RCWIP se calcularon con las ecuaciones de regresión regionalizadas apropiadas. Para racimos con ³Debido a la falta de datos, se utilizaron los modelos tropical y extratropical para reemplazar el modelo global. Los modelos de predicción resultantes se aplicaron y fusionaron para cada celda de cuadrícula de 0,1 × 0,1 grados utilizando fracciones de pertenencia a zonas climáticas de agrupamiento difuso.²²para crear un único mapa de predicción unificado de ³H en la precipitación global anual (Fig. 1).