Descubrimiento e inferencia casual para la predicción de El Niño

Abstract

En un análisis previo se evaluó la sensibilidad de los pronósticos de El Niño mediante el modelo de inteligencia artificial IGP-UHM a la condición inicial. En este estudio, se exploran las posibles relaciones de causalidad representadas por dicho modelo entre los precursores de agosto, identificados en investigaciones previas, y el índice E en el siguiente enero, utilizando la técnica de descubrimiento causal Peter and Clark Momentary Conditional Independence (PCMCI). Se consideró el período 1981-2024 y, para evaluar la robustez de las relaciones, se perturbaron las condiciones iniciales, invirtiendo los valores de los precursores en agosto de 1982, 1997 y 2015, y reemplazando los resultados para enero de 1983, 1998 y 2016 obtenidos por el modelo. El método de PCMCI se aplicó a 8,000 muestras de remuestreo con el fin de obtener un único grafo causal para los datos observados, la corrida control y los experimentos, junto con una estimación de la incertidumbre en cada caso. Asimismo, se calculó la métrica F1 para evaluar la similitud entre los grafos causales. Los resultados preliminares muestran que usando los datos de re-pronóstico del modelo de IA se reproduce una red causal razonable, por ejemplo, el viento del oeste en el Pacífico central en agosto como un predictor relevante para el calentamiento en enero. Sin embargo, usando re-pronósticos con condiciones iniciales perturbadas (p. ej., vientos zonales invertidos del Pacífico ecuatorial central en agosto de 1982, 1997 y 2015), se obtuvo como resultado una red causal marcadamente distinta en la que el viento del oeste dejó de ser un predictor relevante. En conjunto, estos hallazgos sugieren que el modelo IGP-UHM de IA podría no capturar de manera adecuada las relaciones físicas causales, las cuales tienden a estar explícitamente representadas en un modelo climático numérico. Esto resalta la necesidad de mantener una posición crítica frente al uso de los modelos de IA, en particular respecto a su desempeño en situaciones novedosas. Además, la técnica de descubrimiento causal PCMCI es sensible a qué conjunto de datos son usados, aún cuando son todos generados por el mismo modelo.