PREDICCIÓN ESTACIONAL DE CICLONES TROPICALES EN LAS COSTAS MEXICANAS DEL PACÍFICO MEDIANTE PREDICTORES OCEÁNICO-ATMOSFÉRICOS Y MACHINE LEARNING
Los ciclones tropicales representan uno de los fenómenos meteorológicos con mayor impacto socioeconómico en las costas mexicanas del Pacífico oriental, por lo que anticipar la magnitud de la actividad ciclónica de una temporada —antes o al inicio de la misma— tiene valor tanto científico como para la gestión de riesgos. El pronóstico estacional, a diferencia del pronóstico de trayectoria o intensidad de eventos individuales, busca estimar indicadores agregados de la temporada (por ejemplo, número de tormentas, número de huracanes o la Energía Ciclónica Acumulada, ACE) a partir de condiciones oceánico-atmosféricas de gran escala conocidas con antelación.
El objetivo es evaluar si un modelo de aprendizaje automático supervisado, entrenado con predictores oceánico-atmosféricos disponibles antes del inicio de la temporada (junio-noviembre), puede estimar la actividad ciclónica estacional del Pacífico oriental mexicano con mejor desempeño que un pronóstico climatológico simple. Se plantean las siguientes preguntas científicas centrales: (1) ¿cómo ha variado la actividad ciclónica estacional en las últimas décadas según la base de trayectorias?; (2) ¿qué variables —temperatura superficial del mar (SST) y sus anomalías, cizalladura vertical del viento, humedad en niveles medios, así como los índices climáticos ENSO/RONI, AMO y PDO— explican mejor su variabilidad interanual?; (3) ¿es factible construir un modelo supervisado que supere a un pronóstico climatológico de referencia?; (4) ¿qué papel relativo juega ENSO frente a otros predictores?; y (5) ¿qué incertidumbres introduce el uso de un reanálisis (ERA5) y de una base de trayectorias observacional como fuentes de entrenamiento y validación?
La metodología combina datos de reanálisis atmosférico ERA5 (temperatura, humedad, viento, vorticidad y cizalladura), temperatura superficial del mar, trayectorias e intensidad de ciclones de IBTrACS, e índices climáticos de teleconexión (ENSO, AMO, PDO), procesados en Python . Se construirá un conjunto de predictores con fundamento físico explícito —evitando su inclusión por conveniencia estadística— y se explorarán modelos de regresión y clasificación , evaluados con métricas estándar y con técnicas de interpretabilidad que permitan vincular el desempeño del modelo con los mecanismos físicos conocidos de la ciclogénesis tropical.
En este cartel se reportan avances en la caracterización física del problema, la construcción y exploración de las bases de datos (ERA5, IBTrACS, OISST) y un primer diseño metodológico del modelo predictivo, junto con resultados preliminares. El trabajo se enmarca explícitamente como una base metodológica reproducible y físicamente interpretable, más que como un sistema predictivo definitivo, priorizando la comprensión del sistema océano-atmósfera-ciclón sobre la complejidad algorítmica.