Corrección de sesgos en los vientos de ERA5 mediante aprendizaje automático

Resumen

Los vientos oceánicos superficiales precisos son fundamentales para la modelización oceánica; sin embargo, reanálisis ampliamente utilizadas, como el Reanálisis v5 (ERA5) del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), presentan sesgos locales y persistentes. Este estudio evalúa métodos de aprendizaje automático (ML) para corregir dichos sesgos mediante redes neuronales totalmente conectadas (FCNNs), entrenadas con cinco años de variables atmosféricas y oceánicas de ERA5, junto con datos de corrientes superficiales del Servicio de Vigilancia Marina Copernicus (CMEMS).

Los resultados muestran que las correcciones basadas en ML reducen significativamente los sesgos de viento en ERA5: a escala global, la reducción de varianza del error alcanza aproximadamente el 13% frente a ASCAT y el 9% frente a HSCAT, con las mayores mejoras (hasta un 16%) observadas en las regiones extra-tropicales. Los modelos mensuales superan a los modelos anuales, especialmente en los trópicos, donde la variabilidad estacional influye de manera notable en los patrones de sesgo. Aunque persisten algunas discrepancias al validarse con dispersómetros en banda Ku, los campos corregidos reducen sustancialmente las estructuras de sesgo a gran escala.