Un nuevo estudio dirigido por la Universidad de Vermont (UVM) descubre un desafío crítico a la hora de clasificar con precisión las precipitaciones como lluvia o nieve utilizando datos meteorológicos de superficie.
Publicada en Nature Communications , la investigación evalúa el desempeño de los métodos tradicionales de partición de fases de precipitación y de los modelos avanzados de aprendizaje automático, revelando que las temperaturas cercanas al punto de congelación crean una limitación inherente para distinguir entre lluvia y nieve, lo que restringe la precisión de estos enfoques.
Identificar con precisión la fase de precipitación es fundamental para la previsión meteorológica, el modelado hidrológico y la investigación climática , con importantes implicaciones para la seguridad del transporte, los viajes aéreos, las operaciones de infraestructura y la gestión de los recursos hídricos.
Esto es especialmente cierto en las regiones montañosas , donde la distinción precisa entre lluvia y nieve ayuda a los administradores de recursos naturales a predecir y mitigar mejor las amenazas y los desafíos. Si bien una tormenta compuesta principalmente de nieve puede beneficiar a las estaciones de esquí y los recursos hídricos, un evento dominado por la lluvia puede causar inundaciones devastadoras y daños a la infraestructura.
Debido a la escasez de observaciones directas de lluvia y nieve, la mayoría de las cuales provienen de aeropuertos y rara vez reflejan los complejos patrones climáticos de las regiones montañosas cercanas, los científicos y pronosticadores confían en técnicas matemáticas que utilizan datos meteorológicos para estimar la fase de precipitación.
Estos métodos de partición de la fase de precipitación (umbrales, rangos y modelos estadísticos) utilizan datos como la temperatura, la humedad y la presión del aire. Sin embargo, la mayoría de estos métodos solo funcionan bien en temperaturas frías o cálidas, cuando la nevada o la lluvia, respectivamente, son casi seguras. Sin embargo, a temperaturas cercanas al punto de congelación, todos los métodos tradicionales tienen dificultades para predecir con precisión la lluvia y la nieve debido a la similitud meteorológica de ambas fases.
Este estudio descubrió por qué.
«El desafío es que, a temperaturas cercanas al punto de congelación, las distribuciones de temperatura del aire y del bulbo húmedo de la lluvia y la nieve se superponen fuertemente», dijo el Dr. Keith Jennings, investigador principal del estudio.
Esto significa que los métodos tradicionales de partición no pueden separar de forma consistente la lluvia de la nieve. Lo que nos sorprendió fue que los modelos de aprendizaje automático no tuvieron un rendimiento mucho mejor. Incluso utilizando más datos y cálculos matemáticos complejos, siguen intentando separar la misma información, y observan que la lluvia y la nieve tienen propiedades meteorológicas prácticamente idénticas.
Para realizar este estudio, el Dr. Jennings, Director de Investigación del Instituto de Recursos Hídricos de la UVM, colaboró con científicos de Lynker, el Instituto de Investigación del Desierto (DRI), el Instituto Cooperativo para la Investigación de la Atmósfera, la Universidad de Nevada Reno y la Universidad Estatal de Utah. Utilizaron dos conjuntos de datos únicos sobre la fase de precipitación: casi 40.000 observaciones colaborativas en Estados Unidos del proyecto científico participativo Mountain Rain or Snow y más de 17 millones de informes meteorológicos sinópticos del hemisferio norte.
El equipo de investigación utilizó estos conjuntos de datos para evaluar diferentes métodos de clasificación de la precipitación como lluvia, nieve o mixta. Estas técnicas incluyeron una selección de métodos tradicionales de alto rendimiento como referencia (umbrales de temperatura y un modelo estadístico) y tres modelos de aprendizaje automático (AA): bosque aleatorio, XGBoost y una red neuronal artificial (RNA).
Si bien los modelos ML brindaron mejoras insignificantes con respecto a los mejores puntos de referencia, aumentando la precisión hasta en un 0,6%, aún tuvieron dificultades para clasificar correctamente las precipitaciones en el rango cercano al punto de congelación (1,0 °C–2,5 °C) y no lograron identificar de manera consistente eventos de precipitación mixta y lluvia bajo cero.
El estudio reveló un obstáculo principal: la superposición natural de las condiciones meteorológicas entre la lluvia y la nieve dificulta la clasificación cuando se basa únicamente en datos meteorológicos de superficie. A pesar de los avances en aprendizaje automático , la precisión con la que se puede predecir la fase de precipitación con solo estos datos meteorológicos es limitada.
El Dr. Jennings sugiere que los investigadores deberían cambiar su enfoque, dejando de lado la mejora marginal de los métodos de partición lluvia-nieve, inherentemente limitados, que utilizan datos meteorológicos de superficie, para centrarse en la creación de nuevas técnicas que integren nuevas fuentes de datos. Estas alternativas incluyen observaciones colaborativas, como las del proyecto Mountain Rain or Snow , radares meteorológicos y productos satelitales de precipitación.
A medida que el cambio climático provoca eventos de lluvia sobre nieve más frecuentes y altera los patrones de precipitación, equilibrar los riesgos para la vida, la propiedad y el funcionamiento del ecosistema será cada vez más difícil. Sin embargo, aprovechar la integración de datos de múltiples fuentes, en lugar de depender únicamente de los datos meteorológicos de superficie , podría ofrecer mejoras.
Más información: Keith S. Jennings et al., El aprendizaje automático muestra un límite en la precisión de la partición lluvia-nieve al utilizar meteorología cercana a la superficie, Nature Communications (2025). DOI: 10.1038/s41467-025-58234-2
