Evolución futura de olas de calor e hipoxias en el mar peruano bajo escenarios regionalizados de cambio climático usando inteligencia artificial

El mar peruano es uno de los ecosistemas marinos más importantes del mundo en términos de su diversidad biológica y riqueza pesquera. Este sistema, ubicado cerca del Pacifico ecuatorial y frente a una zona oceánica intensa de mínimo de oxígeno, presenta una alta variabilidad ambiental. Estas condiciones pueden ser extremas y generar “eventos extremos” con consecuencias mayores sobre los recursos costeros. Estos eventos pueden ser de diferentes tipos como las olas de calor marinas (los eventos El Niño siendo los más intensos) o las condiciones de hipoxia (menor disponibilidad de oxígeno). De hecho, se ha observado en las últimas décadas un incremento en la ocurrencia de olas de calor marinas y una pérdida de oxígeno en los océanos del mundo, que se espera continúe en el futuro bajo un escenario de altas emisiones. Por lo tanto, es necesario realizar estudios a escala regional para evaluar el impacto del cambio climático sobre las características de estos eventos, cuyos cambios pueden tener importantes consecuencias socio económicas en el sector pesquero. El presente proyecto tiene como propósito evaluar el impacto del cambio climático sobre la frecuencia, intensidad y duración de dos tipos de eventos extremos que tienen alto impacto sobre el ecosistema marino peruano: i) los eventos de incremento extremo de la temperatura del mar (olas de calor marinas), y ii) los eventos extremos de baja concentración de oxígeno en el mar (hipoxia marina). Dado a que los rasgos climáticos a escala regional no son bien reproducidos por los modelos globales de cambio climático debido a su resolución gruesa (~100 km), se realizará la regionalización de la información de múltiples modelos de la fase más reciente del proyecto CMIP6 del IPCC mediante dos metodologías distintas: el downscaling dinámico y el downscaling estadístico. El downscaling estadístico se realizará con modelos de redes neuronales, que han mostrado un mejor rendimiento al regionalizar la información de eventos extremos asociados a procesos no lineales. Se evaluarán las proyecciones para un futuro cercano (2023-2061) y un periodo más distante (2062-2100) bajo 3 escenarios de cambio climático: un escenario de bajas emisiones (SSP1-1.9), uno de emisiones intermedias (SSP2-4.5), y uno de altas emisiones (SSP5-8.5). El downscaling dinámico se llevará a cabo usando el modelo regional oceánico físico-biogeoquímico CROCO-PISCES a una resolución de ~12 km. Primero, se usará un modelo de redes neuronales, previamente entrenado con datos del modelo regional atmosférico WRF, para generar datos de viento sobre la superficie del mar a alta resolución espacial (7 km). Luego, el modelo CROCO-PISCES, forzado con datos de viento a alta resolución, será utilizado para regionalizar la información física y biogeoquímica oceánica de 3 modelos globales, bajo el escenario SSP5-8.5. Este método solo se aplicará a 3 modelos y 1 escenario debido a su alto costo computacional. Para el downscaling estadístico, que tiene un bajo costo computacional, se desarrollará un modelo de redes neuronales que relaciona la información de modelos del clima global con la información regionalizada de temperatura del mar y oxígeno proveniente del downscaling dinámico CROCO-PISCES. Luego, este modelo de redes neuronales será usado para regionalizar la información de 8 modelos globales y 3 escenarios de emisiones (SSP1-1.9, SSP2-4.5 y SSP5-8.5). Esta última técnica combina la habilidad de la downscaling dinámico para capturar la dinámica de fina escala con el bajo costo computacional del downscaling estadístico para regionalizar la información de múltiples modelos del clima global. La evaluación del impacto del cambio climático sobre las características de las olas de calor y eventos de hipoxia se realizará utilizando los datos de alta resolución obtenidos mediante el downscaling dinámico y estadístico, bajo los 3 escenarios de cambio climático (optimista, intermedio y pesimista). De esta manera, los diferentes modelo