La temperatura es un parámetro climático con un patrón y distribución complejos. Para comprender a fondo este patrón y su complejidad, se requiere un análisis preciso. Este estudio analizó la variabilidad de la temperatura del aire superficial utilizando el método de microestados propios (EMA) y el método de funciones ortogonales empíricas (EOF), basados en datos NCEP-NCAR. Los resultados muestran que la distribución de la varianza de EOF se concentra en el modo inicial (EOF 1 al 88,42%), mientras que la varianza de EMA se encuentra más dispersa, con contribuciones superiores al 1% hasta el sexto modo. El patrón espacial resultante es consistente con estudios previos, aunque presenta diferencias de fase y una mayor varianza en EMA. El análisis espectral de Fourier muestra que EOF enfatiza los patrones anuales, mientras que EMA puede separar señales multiescala en periodos semianuales, anuales e interanuales. Además, EMA detectó con éxito importantes impactos globales vinculados a fenómenos climáticos regionales como los monzones, la Oscilación del Sur de El Niño (ENSO), ENSO Modoki y el Dipolo del Océano Índico, que son menos evidentes en los modos EOF superiores debido a su varianza relativamente pequeña. Por lo tanto, EOF es eficaz para identificar los patrones globales más dominantes, mientras que EMA es superior para capturar la variabilidad multiescala y los impactos globales vinculados a los fenómenos climáticos regionales.
La energía potencial convectiva disponible (CAPE) y la inhibición convectiva (CIN) son indicadores termodinámicos ampliamente utilizados para diagnosticar entornos convectivos y respaldar la predicción a corto plazo del potencial de tormentas eléctricas. Debido a que los productos de reanálisis proporcionan una cobertura espacial continua y consistencia a largo plazo, se aplican cada vez más para evaluaciones regionales de la inestabilidad convectiva. Sin embargo, su fiabilidad depende de qué tan bien reproducen la estructura termodinámica vertical observada. Este estudio evalúa la CAPE y la CIN derivadas de ERA5 comparándolas con observaciones de radiosonda para la temporada premonzónica (marzo-mayo) en el este de la India, durante 1987-2016 en Bhubaneswar y Calcuta, y 1994-2016 en Ranchi. El análisis muestra que los sesgos de la CAPE de ERA5 dependen en gran medida de la estación, el mes y la hora de lanzamiento. A las 00:00 UTC, el CAPE de ERA5 se subestima ligeramente en Bhubaneswar en marzo, pero se sobreestima en abril y mayo, mientras que Calcuta muestra una sobreestimación constante del CAPE de marzo a mayo; Ranchi muestra una sobreestimación significativa a las 00:00 UTC, intensificándose hacia mayo. A las 12:00 UTC, el CAPE de ERA5 subestimó los valores en marzo en Bhubaneswar y Calcuta, pero cambió a valores significativamente sobreestimados en abril-mayo. Para el CIN, ERA5 sobreestima consistentemente los valores a las 00:00 UTC en las tres estaciones (excepto Calcuta en mayo), mientras que a las 12:00 UTC, generalmente se sobreestima en Bhubaneswar y Ranchi, y muestra un cambio de signo en Calcuta (negativo en marzo, positivo en abril-mayo). Las correlaciones entre el CAPE y el CIN de ERA5 y la radiosonda son débiles, lo que sugiere una capacidad limitada para reproducir la variabilidad diaria. Los análisis de perfil indican además que la temperatura está bien representada por ERA5, mientras que los errores de humedad relativa (más pronunciados en Ranchi) dominan los sesgos de inestabilidad.
El chorro de bajo nivel del Caribe (CLLJ) es un rasgo atmosférico crucial que controla la variabilidad climática y el transporte de humedad en la región del Caribe. Este estudio analiza las tendencias históricas y las proyecciones futuras del CLLJ utilizando datos de observación, productos de reanálisis y modelos climáticos de la Fase 6 del Proyecto de Intercomparación de Modelos Acoplados (CMIP6). El análisis histórico (1981-2020) revela un debilitamiento del CLLJ, respaldado por tres de los cuatro productos de reanálisis que muestran disminuciones de la velocidad del viento de -0,02 a -0,05 m/s a 925 hPa , consistentes con las reducciones observadas del gradiente de presión entre el anticiclón subtropical del Atlántico Norte (NASH) y la baja presión de Panamá. La variabilidad multidecadal natural, incluyendo la Oscilación Multidecadal del Atlántico (AMO) y la Oscilación Decadal del Pacífico (PDO), probablemente contribuyó a este debilitamiento. Los modelos CMIP6 demuestran una capacidad limitada para reproducir las características históricas del CLLJ, con solo un 18 % que captura las tendencias de debilitamiento observadas y un 82 % que no alcanza un RMSE* < 1, lo que indica una capacidad inferior a la de la climatología. Las proyecciones futuras (2015-2099) muestran una clara dependencia del escenario: el escenario de bajas emisiones (SSP1-2.6) mantiene las condiciones actuales, mientras que los escenarios de altas emisiones (SSP3-7.0 y SSP5-8.5) impulsan un fortalecimiento progresivo a través de gradientes de presión mejorados. Los cambios estacionales redistribuyen la intensidad del CLLJ, debilitando los máximos invernales y fortaleciendo los mínimos otoñales, lo que podría eliminar la estructura bimodal actual bajo altas emisiones. Estos hallazgos tienen profundas implicaciones para los recursos hídricos regionales y la energía renovable, lo que requiere estrategias de gestión adaptativa que tengan en cuenta las incertidumbres de las proyecciones.
Crop wild relatives underpin crop improvement yet remain under-conserved as climate change accelerates. We developed a climate-robust, uncertainty-aware framework to prioritize in situ conservation of bean's wild relatives (Phaseolus) in Mexico, a global center of origin and diversification. We compiled occurrence data for 44 taxa and modeled climatic suitability for 36 taxa using an ensemble of seven algorithms; sparsely sampled, range-restricted taxa were incorporated using buffered occurrences. Projections spanned current climate and mid-century futures under RCP4.5 and RCP8.5 scenarios, using contrasting "storyline" GCMs. We mapped climate stability (macro-refugia) and high-risk areas, and implemented systematic conservation planning with zonation for each climate zone, explicitly accounting for model uncertainty and favoring connectivity between present and future suitable areas. Spatial prioritizations were statistically invariant across GCMs, scenarios, and timeframes; therefore, summaries focus on RCP 8.5 (2040-2070). Macro-refugia concentrate in the Eje Neovolcanico Transmexicano, Sierra Madre Oriental, Sierra Madre del Sur, western Oaxaca, and Chiapas; high-risk priorities cluster in Sierra Madre del Sur, Balsas Depression, Baja California Sur, and parts of Chiapas and the Sierra Madre Occidental. Efficiency curves show strong complementarity: prioritizing similar to 5% of national territory captures similar to 30% of species' ranges; 17% captures similar to 50%; 30% captures similar to 70%. Many priorities intersect existing protected areas, yet substantial opportunities remain outside them. Our workflow yields transparent, reproducible maps to guide climate-informed connectivity, community-based reserves, and targeted seed-bank enrichment. More broadly, this transferable approach supports safeguarding Crop wild relatives in other centers of origin, aligning biodiversity conservation with long-term food security under rapid climatic change.
This study presents a comprehensive comparative analysis of conventional and artificial intelligence (AI)-based methods for estimating Weibull distribution parameters using 10 years (2013-2023) of hourly wind speed data from six sites in northwestern Iraq: AlKaam, AlShirgat, Baiji, Nenwa, Sinjar, and Haweja. Three traditional methods, the method of moments (MOM), the maximum likelihood method (MLM), and the least squares method (LSM), are compared against three AI algorithms: particle swarm optimization (PSO), differential evolution (DE), and genetic algorithm (GA). Model performance is evaluated using statistical indicators, including RMSE, MAE, R2, and chi2. Results show that PSO consistently outperforms all other methods, achieving the highest coefficient of determination (R2) of 0.998 and the lowest error values across all locations. Among conventional techniques, MLM achieved superior accuracy, with an average RMSE of 0.073 and an R2 of 0.57. Wind resource assessment revealed Haweja as the most promising site, with a mean wind speed of 5.69 m s-1, followed by AlKaam (5.59 m s-1) and Baiji (5.57 m s-1). Economic evaluation showed that using PSO-estimated parameters significantly improves energy forecasting accuracy and reduces the levelized cost of energy (LCOE) to as low as $0.03/kWh at Haweja. The 2.5 MW WT5 turbine achieved optimal performance, generating over 8000 MWh year-1 with capacity factors exceeding 39% at high-potential sites. This work provides a robust framework for accurate wind energy potential assessment in Iraq and similar arid regions, demonstrating the critical advantage of AI-driven parameter estimation in enhancing both technical and economic feasibility of wind power projects.
