Downscaling del viento en el sistema de afloramiento peruano usando redes neuronales: impacto del cambio climático sobre el transporte y bombeo de Ekman

Abstract

El Sistema de Afloramiento Peruano (SAP) es uno de los ecosistemas marinos más productivos del mundo. Su dinámica está controlada principalmente por la intensidad y la estructura espacial de los vientos superficiales costeros, los cuales permiten el ascenso de aguas profundas, frías y ricas en nutrientes, sosteniendo así la alta productividad biológica del mar peruano. En el contexto del cambio climático, las posibles alteraciones en los vientos costeros podrían afectar esta dinámica. Por ello, diversos estudios han utilizado diferentes métodos de reducción de escala (downscaling) para proyectar el viento futuro a partir de las salidas de Modelos Climáticos Globales (GCMs). Estos modelos concuerdan en un debilitamiento de los vientos de verano, pero discrepan respecto a los vientos de invierno. La incertidumbre es alta, ya que muchas proyecciones se han basado en un único modelo global o en un solo escenario de emisiones, con periodos cortos de evaluación debido a limitaciones computacionales. Para superar estas limitaciones, es necesario utilizar una mayor variedad de GCMs y aplicar un método de downscaling computacionalmente eficiente.Esta tesis tiene como objetivo evaluar el impacto del cambio climático sobre los vientos costeros, y el transporte y bombeo de Ekman forzados por el viento en el SAP, mediante el downscaling estadístico de vientos superficiales de múltiples GCM del CMIP6. Se utilizaron modelos basados en redes neuronales convolucionales (CNN) debido a su capacidad para aprender características espaciales complejas de los datos de entrada y relaciones no lineales entre las variables. Se entrenaron tres arquitecturas CNN (dos lineales y una de coding-decoding) para aprender las relaciones estadísticas entre las salidas de viento de baja resolución (~100 km) y las observaciones de alta resolución (~25 km). El modelo con mejor desempeño se aplicó para realizar la reducción de escala de 12 modelos del CMIP6 en cuatro periodos: histórico (1995-2014), futuro cercano (2021-2040), futuro intermedio (2046-2065) y futuro lejano (2081-2100). Los resultados mostraron cambios débiles (<5 %) y no robustos en los patrones de viento para los futuros cercano e intermedio. Para el futuro lejano, se observan cambios robustos al norte de los 8° S durante el verano, con un debilitamiento de los vientos (~15 %) y del rotacional del esfuerzo del viento (~5-10 %), implicando una reducción de ~12 % en el transporte de Ekman y de ~7 % en el bombeo de Ekman. A lo largo de la costa central, los cambios fueron pequeños (<5 %), mientras que en la región sur se observó un ligero fortalecimiento robusto del viento superficial y el rotacional del viento, condiciones favorables para el afloramiento.

The Peruvian Upwelling System (PUS) is one of the most productive marine ecosystems in the world. Its dynamics is primarily controlled by the intensity and spatial structure of nearshore surface winds, enabling the rise of deep, cold and nutrient-rich waters, which sustains the high biological productivity of the Peruvian sea. In the context of climate change, potential alterations in coastal winds could affect this dynamics. Therefore, several studies have used different downscaling methods in order to project future wind patterns from global climate models (GCMs) outputs. These models agree on a weakening of summer winds, but differ regarding winter winds. Uncertainty remains high, as many projections have been based on a single global model or on a single emissions scenario, with short evaluation periods due to computational limitations. To overcome these limitations, it is necessary to use a larger diversity of GCMs and to apply a computationally low-cost downscaling method.This thesis aims to assess the impact of climate change on coastal winds, as well as on wind-forced Ekman transport and pumping in the PUS, through statistical downscaling of surface winds from multiple GCMs of the CMIP6 project. Convolutional neural network (CNN) based models were used, due to their capacity to learn complex spatial features from the input data and nonlinear relations between variables. Three CNN model architectures (two linear and one coding-decoding) were trained to learn statistical relationships between coarse-resolution wind outputs (~100 km) and high-resolution observations (~25 km). The best-performing model was applied to downscale 12 CMIP6 models across four periods: historical (1995-2014), the near future (2021-2040), intermediate future (2046-2065), and far future (2081-2100). The results showed weak (<5 %) and non-robust changes in the wind patterns for the near and intermediate futures. For the far future, robust changes are observed north of 8° S during the summer, with weaker winds (~15 %) and wind stress curl (~5-10 %), implying a ~12 % reduction in Ekman transport and a ~7 % reduction in Ekman pumping. Along the central coast, non-robust changes were small (<5 %), while in the southern region near, a robust slight strengthening of upwelling-favorable surface winds and wind stress curl was observed.