Investigadores de la Universidad Carnegie Mellon están llevando a cabo avances significativos en los modelos de previsión meteorológica, con el objetivo de representar de manera más precisa la interacción entre la contaminación del aire, los aerosoles y la niebla. Este fenómeno meteorológico, que reduce la visibilidad, tiene implicaciones importantes para la seguridad y la economía, especialmente en el transporte aéreo y marítimo.
Los modelos de previsión meteorológica actuales suelen ser inadecuados para capturar el ciclo de vida de la niebla: cuándo comienza, cuán densa es y cuándo se disipa. El grupo de investigación dirigido por Hamish Gordon está abordando estas limitaciones al mejorar la representación de la concentración y el tamaño de las gotas de agua en la niebla, propiedades que se ven fuertemente afectadas por la contaminación del aire. En entornos contaminados, una mayor cantidad de gotas más pequeñas restringe la visibilidad más que unas pocas gotas grandes.
Utilizando como base el Modelo Unificado del Met Office del Reino Unido, el grupo de Gordon ha añadido nuevas líneas de código para representar de manera más efectiva tanto las partículas de contaminación del aire como la niebla. En colaboración con el Centro Nacional de Previsión Meteorológica de Mediana Duración de la India y el Met Office del Reino Unido, han desarrollado un nuevo sistema de previsión meteorológica que proporciona pronósticos en tiempo real de visibilidad y niveles de PM2.5 para Delhi y sus alrededores.
Impacto en la Salud Pública y la Economía
Un pronóstico fiable de la calidad del aire y la visibilidad puede tener un impacto significativo en la salud pública y ayudar a minimizar las pérdidas económicas. El sistema de previsión meteorológica en Delhi demuestra cómo el modelo de Gordon puede ser aplicado para ofrecer productos operativos a socios industriales, como los aeropuertos. En esta región, la contaminación del aire es alta y afecta considerablemente la visibilidad.
Gordon destaca que «la idea es prever eventos de baja visibilidad, lo que permitirá a los aeropuertos anticipar interrupciones y retrasos en los vuelos, y prepararse para tales situaciones». Desde la introducción de este sistema en 2021, el grupo de investigación ha logrado mejoras significativas. Para representar la visibilidad, el modelo debe también representar la calidad del aire, al menos de forma simplificada. El Modelo Unificado estándar representa partículas atmosféricas con una resolución de 100 kilómetros, pero Gordon ha adaptado este sistema para operar con resoluciones más altas.
Los investigadores han sido pioneros en utilizar este sistema de modelado para representar diferencias en la contaminación del aire entre ciudades y entornos nublados, trabajando con resoluciones de 500 y 330 metros. Esta capacidad de representar gradientes de contaminación del aire a escalas finas permite al modelo simular grandes sistemas de nubes.
El NCMRWF también ha integrado el sistema de contaminación del aire con el último y mejor entorno de modelado de la superficie terrestre, que está particularmente bien adaptado a entornos urbanos y representa cañones urbanos. Esta integración mejora la capacidad del sistema para prever la calidad del aire en Delhi, lo que podría ser beneficioso en otras ciudades, como las de Estados Unidos.
Delhi presenta condiciones únicas que dificultan la predicción de la visibilidad. Los altos niveles de partículas contaminantes a menudo se acompañan de episodios de niebla densa, siendo las quemas agrícolas estacionales un factor contribuyente. En otoño, los agricultores de las regiones circundantes a Delhi queman la paja de sus campos, con una variabilidad considerable entre días y semanas.
Los modelos de sistemas terrestres no suelen representar la variabilidad día a día en la quema agrícola ni lo hacen con una alta resolución. Sin embargo, el modelo del NCMRWF sí representa estos incendios en una escala diaria, lo que mejora las previsiones de visibilidad. «Debemos asumir persistencia, pero aún así, esto es mucho más sofisticado y probablemente mucho mejor que simplemente utilizar un promedio mensual para las emisiones de humo de los incendios», explica Gordon.
Las actividades de riego locales también necesitan ser tratadas con detalle en el sistema de previsión meteorológica, ya que afectan la humedad relativa, lo que a su vez influye en la formación de niebla. El grupo de Gordon utiliza estudios de caso de otras partes del mundo para simular de manera realista las concentraciones de gotas de niebla en un modelo de previsión meteorológica. Prueban diferentes procesos para la activación de aerosoles, el proceso mediante el cual las partículas contaminantes se convierten en gotas de niebla.
Sin una representación precisa de los aerosoles, los modelos de predicción meteorológica no pueden prever con exactitud las nubes o la niebla. Las partículas de aerosol pueden variar en tamaño desde aproximadamente 20 nanómetros hasta unos pocos micrones, y la mayoría de las campañas de campo no miden todo el rango.
Un estudio del grupo de Gordon, actualmente disponible como preprint en Atmospheric Chemistry and Physics, utiliza datos observacionales de la campaña de campo ParisFog, que midió el rango completo de tamaño de aerosol durante dos semanas, junto con otras propiedades de los aerosoles. Este trabajo es una colaboración con el Met Office del Reino Unido, el Laboratorio Nacional Oak Ridge y el Centro Nacional de Investigación Meteorológica de Francia.
Gordon y su colega Pratapaditya Ghosh establecieron simulaciones sobre París y evaluaron el Modelo Unificado en comparación con el conjunto de datos de ParisFog. Al realizar cambios basados en la física en cómo se forman las gotas en el modelo, lograron una mejor concordancia con las observaciones. Sus métodos para simular la concentración de gotas de niebla pueden mejorar las previsiones de niebla sin aumentar los costos computacionales.
Los hallazgos de su investigación sugieren que tanto el mecanismo de formación de niebla como el de formación de nubes son importantes en los modelos atmosféricos. Gordon y Ghosh abogan por más evaluaciones en diferentes ubicaciones y con diferentes tipos de niebla, sentando así las bases para mejorar la concentración de gotas de niebla en cualquier modelo de previsión meteorológica.
Modelos más precisos pueden ayudar a minimizar pérdidas en salud y economía, mientras que también avanzan en la comprensión de los procesos atmosféricos fundamentales que subyacen a las interacciones entre contaminación del aire y clima.
