Evaluación y desafíos en el pronóstico de olas de calor como precursoras de sequías de rápido desarrollo en el sur de Sudamérica

Abstract

Las sequías de rápido desarrollo (SRD) son un tipo particular de sequía que se desarrolla repentinamente, pudiendo generar impactos significativos en el sector agrícola. Si bien las sequías en general son desastres de evolución lenta, con efectos de gran extensión espacial y larga duración, las SRD se caracterizan por un rápido agotamiento de la humedad del suelo, provocado por una combinación de déficit de precipitación, olas de calor y baja humedad atmosférica. A pesar de su importancia, el conocimiento sobre las SRD sigue siendo limitado, desde su detección y caracterización hasta el desarrollo de indicadores de monitoreo y herramientas de pronóstico. Aunque el Sistema de Información sobre Sequías para el Sur de Sudamérica (SISSA) ha avanzado en el monitoreo, el pronóstico de las SRD y de las olas de calor, siguen siendo un gran desafío debido a la escala temporal en la que se desarrollan y su baja frecuencia de ocurrencia, dificultando ciertos enfoques de machine learning. Este estudio busca evaluar la predictibilidad de eventos de ola de calor y SRD mediante el uso del Extreme Forecast Index (EFI) del modelo por ensambles del ECMWF y del Artificial Intelligence Forecast System (AIFS). Por otro lado, se analizará la utilización de regresiones logísticas univariada/multivariada a variables atmosféricas y del suelo de los reanálisis del ERA5-Land para estimar la probabilidad de ocurrencia de SRD.

Flash droughts (FDs) are a particular type of drought that develops rapidly and causes significant impacts, especially in the agricultural sector. While droughts in general are slow-evolving disasters with broad spatial extent and long duration, FDs are characterized by a fast depletion of soil moisture, triggered by a combination of precipitation deficits, heatwaves, and low atmospheric humidity. Despite their importance, knowledge about FDs remains limited—from their detection and characterization to the development of monitoring indicators and forecasting tools. Although the South American Drought Information System (SISSA) has made progress in monitoring, forecasting FDs and heat waves remains a major challenge due to the temporal scale at which they develop and their low frequency of occurrence, making certain machine learning approaches difficult to apply. This study aims to assess the predictability of heat wave and FD events through the use of the Extreme Forecast Index (EFI) from the ECMWF ensemble model and the Artificial Intelligence Forecast System (AIFS). Additionally, the study will analyze the application of univariate and multivariate logistic regressions to atmospheric and soil variables from the ERA5-Land reanalysis to estimate the probability of FD occurrence.