En grupp forskare från Potsdam Institute for Climate Impact Research, Beijing Normal University och Justus-Liebig-Universität Giessen har hittat ett sätt att förutsäga El Niño-händelser upp till ett år innan de inträffar. I deras tidning publicerad i Proceedings of the National Academy of Sciences , gruppen beskriver deras komplexitetsbaserade tillvägagångssätt för att bättre förutsäga de till synes slumpmässiga väderhändelserna.

El Niño är en väderhändelse där vattenytans temperaturer i vissa västra delar av Stilla havet blir varmare än normalt och sedan sipprar österut. Forskare är ivriga att lära sig mer om sådana händelser eftersom de kan bidra till överskott av nederbörd i vissa delar av världen och torka i andra. Att veta när de kommer att inträffa skulle ge människor som bor i båda områdena tid att planera för dem. Tills nu, det bästa väderexperterna kunde göra var att erbjuda förutsägelser sex månader i förväg. I denna nya ansträngning, forskarna har hittat vad de tror är någorlunda korrekta förutsägelser ett år i förväg.

Den nya metoden innebär en ny analys av havsytans temperaturdata baserad på komplexitetsteori. Det går ut på att dela upp den östra delen av Stilla havet i kvadratiska celler och jämföra temperaturen för varje cell med andra nära den och andra som är längre bort. Sådana jämförelser gör det möjligt att mäta graden av oordning i temperaturdata. Sedan, genom att jämföra graden av störning år för år, de kunde upptäcka ett mönster – år av hög störning tenderade att följas av El Niño-evenemang nästa år.

När de väl hittade det mönstret, forskarna analyserade årliga yttemperaturdata från 1984 till 2018 för att göra förutsägelser om El Niño-händelser i det förflutna. De rapporterar att deras metod korrekt förutspådde nio av 10 El Niño-händelser (och hade tre falska positiva resultat.) Dessutom, de fann att ju högre störningen var föregående år, desto starkare är följande El Niño-evenemang. Forskarna drar slutsatsen att det nu är möjligt att förutsäga El Niño-händelser upp till ett år i förväg med rimlig noggrannhet.

© 2019 Science X Network