Un estudio publicado en 2026 identifica patrones que podrían ayudar a anticipar el debilitamiento de los vientos estratosféricos del Ártico, un fenómeno relacionado con episodios de frío intenso en Europa y Norteamérica.
Redacción: Redacción Noticias de la Tierra
Editor: Karem Díaz S.
Un equipo de investigadores ha identificado mediante inteligencia artificial una señal matemática que permite reconocer cuándo un modelo del vórtice polar se aproxima a una transición entre dos estados de circulación atmosférica. El descubrimiento podría contribuir al desarrollo de herramientas capaces de anticipar determinados episodios de calentamiento súbito estratosférico, fenómenos que en ocasiones preceden a importantes alteraciones del tiempo invernal en Europa y América del Norte.
La investigación, encabezada por C. Daniel Boscu y colaboradores, fue publicada en la revista científica Journal of Geophysical Research: Machine Learning and Computation y difundida el 20 de octubre de 2026 por la Unión Geofísica Americana.
Los científicos utilizaron un sistema de aprendizaje automático entrenado con simulaciones de la dinámica atmosférica para reproducir los estados fuertes y débiles del vórtice polar. Posteriormente examinaron cómo la inteligencia artificial organizaba internamente la información y encontraron cuatro grupos de patrones que representan diferentes condiciones y rutas de transición.
El resultado más importante es que uno de los patrones identificados contiene información sobre la proximidad de una alteración del vórtice. Sin embargo, los investigadores advierten que el hallazgo corresponde a un modelo físico simplificado y todavía no constituye un sistema operativo capaz de pronosticar con precisión los calentamientos estratosféricos reales.
El vórtice polar controla parte de la circulación invernal
Durante el invierno del hemisferio norte, una extensa circulación de vientos rodea la región ártica a gran altura. Esta estructura atmosférica, conocida como vórtice polar estratosférico, se desarrolla principalmente en la estratosfera y está relacionada con los fuertes contrastes de temperatura entre las regiones polares y las latitudes inferiores.
Cuando el vórtice mantiene una circulación intensa y relativamente organizada, los vientos del oeste predominan alrededor del polo. Sin embargo, la estructura puede experimentar deformaciones, desplazamientos y debilitamientos importantes.
En determinados episodios, las perturbaciones atmosféricas provocan un calentamiento rápido de la estratosfera polar. Este fenómeno recibe el nombre de calentamiento súbito estratosférico.
Durante los acontecimientos más intensos, los vientos estratosféricos pueden debilitarse considerablemente e incluso invertir su dirección habitual.
Estos cambios no significan que el aire frío del Ártico se desplace automáticamente hacia las ciudades europeas o norteamericanas. La conexión entre la estratosfera y las condiciones meteorológicas de superficie depende de cómo evolucione posteriormente la circulación atmosférica.
Sin embargo, algunos episodios favorecen configuraciones capaces de transportar aire muy frío hacia latitudes medias.
La relación entre las diferentes configuraciones del vórtice polar y las irrupciones de frío en Estados Unidos ha sido examinada en investigaciones anteriores que encontraron patrones atmosféricos asociados con regiones concretas del país.
Por qué resulta difícil anticipar un calentamiento estratosférico
Los calentamientos súbitos estratosféricos representan uno de los desafíos de la predicción meteorológica de escala subestacional.
Estos acontecimientos dependen de interacciones complejas entre los vientos que rodean el polo, las ondas atmosféricas que se propagan desde niveles inferiores y la estructura térmica de la estratosfera.
Una perturbación puede modificar progresivamente la circulación sin provocar necesariamente un debilitamiento extremo del vórtice.
En otros casos, el sistema experimenta una transición más importante y abandona su estado habitual de circulación intensa.
Los modelos meteorológicos intentan representar estos procesos mediante ecuaciones físicas que describen el movimiento del aire, la temperatura y otros componentes atmosféricos.
Sin embargo, identificar con suficiente anticipación el momento en que una perturbación evolucionará hacia un calentamiento súbito continúa siendo difícil.
La nueva investigación aborda precisamente ese problema, aunque desde una perspectiva experimental: estudiar si una inteligencia artificial puede aprender la dinámica de un modelo estratosférico y descubrir señales internas que permitan distinguir una circulación estable de otra próxima a una transición.
Los investigadores entrenaron la inteligencia artificial con un modelo físico
El equipo utilizó como referencia el modelo de Holton-Mass, una representación matemática de la variabilidad estratosférica empleada para estudiar las interacciones entre ondas atmosféricas y circulación media.
Este modelo permite reproducir dos regímenes relativamente persistentes del vórtice polar: uno caracterizado por una circulación fuerte y otro por una circulación débil.
La transición entre ambos estados proporciona un marco simplificado para investigar los mecanismos relacionados con los calentamientos súbitos estratosféricos.
Los investigadores generaron información a partir de ese sistema físico y la utilizaron para entrenar una arquitectura de aprendizaje automático denominada autoencoder variacional condicional.
Este tipo de modelo aprende a representar datos complejos mediante un conjunto más reducido de variables internas.
En lugar de almacenar cada detalle de las simulaciones de forma independiente, la inteligencia artificial identifica características que le permiten reconstruir y reproducir los comportamientos esenciales del sistema.
La primera comprobación consistió en determinar si el modelo entrenado podía representar adecuadamente tanto el estado fuerte como el débil del vórtice.
Los resultados mostraron que la inteligencia artificial logró reproducir esas dos configuraciones dentro del entorno simulado.
Esta capacidad era indispensable para la siguiente etapa: examinar qué información había aprendido y si contenía indicadores de una transición próxima.
Cuatro patrones permiten interpretar el comportamiento del vórtice
Uno de los aspectos más novedosos de la investigación es que los científicos no se limitaron a comprobar si la inteligencia artificial podía reproducir las simulaciones.
También analizaron la estructura interna de las representaciones aprendidas por el sistema.
Para ello utilizaron una técnica estadística conocida como análisis de componentes principales, que permite identificar las direcciones de mayor variabilidad dentro de conjuntos complejos de datos.
El procedimiento reveló cuatro grupos diferenciados con interpretaciones físicas relacionadas con la dinámica del vórtice polar.
Estos grupos correspondían a los estados de circulación fuerte y débil, así como a las rutas mediante las cuales el sistema podía pasar de uno a otro.
La identificación de esas rutas resulta importante porque una predicción útil no necesita limitarse a describir cómo se encuentra la atmósfera en un instante determinado.
También debe aportar información sobre la dirección en que podría evolucionar.
Los investigadores encontraron que determinadas características de las representaciones internas permitían reconocer la proximidad de una transición hacia el debilitamiento del vórtice.
El resultado sugiere que un sistema de aprendizaje automático puede descubrir información dinámica relevante sin depender exclusivamente de una clasificación externa de estados atmosféricos.
Una señal anticipada dentro de las simulaciones
El hallazgo central del trabajo es la existencia de una señal interpretable asociada con la posibilidad de que el vórtice abandone su régimen fuerte.
En el modelo utilizado, esa información aparece dentro de las representaciones matemáticas que la inteligencia artificial aprende durante su entrenamiento.
La señal permite distinguir situaciones que permanecen dentro de un régimen relativamente estable de otras que se aproximan a una transición.
Este enfoque podría contribuir a desarrollar sistemas que reconozcan condiciones precursoras de determinados cambios atmosféricos.
Sin embargo, es fundamental diferenciar el resultado experimental de una capacidad meteorológica ya demostrada.
Los investigadores no han establecido que la herramienta pueda anunciar con una fecha exacta un calentamiento súbito estratosférico real.
Tampoco han demostrado que permita determinar automáticamente dónde ocurrirá una ola de frío ni cuál será su intensidad.
La señal fue identificada en un modelo físico simplificado, por lo que su aplicación a la atmósfera real necesitará nuevas pruebas con observaciones y simulaciones meteorológicas más completas.
El avance consiste en mostrar que las técnicas de inteligencia artificial pueden aprender y representar información útil sobre la proximidad de transiciones dinámicas.
Una inteligencia artificial que también permite comprender la física
Una dificultad habitual del aprendizaje automático es interpretar por qué un modelo produce un resultado determinado.
Los sistemas complejos pueden identificar relaciones estadísticas útiles, pero sus decisiones no siempre resultan fáciles de conectar con procesos físicos conocidos.
En ciencias de la Tierra, esta limitación es especialmente importante porque una predicción debe evaluarse no solo por su precisión, sino también por su coherencia con los mecanismos naturales.
La investigación de Boscu y sus colaboradores aborda este problema mediante el estudio de la estructura interna del modelo.
Al identificar grupos asociados con estados atmosféricos reconocibles, los científicos pudieron establecer una relación entre las variables aprendidas por la inteligencia artificial y el comportamiento físico del vórtice.
La metodología ofrece una posibilidad interesante: utilizar modelos de aprendizaje automático no únicamente para acelerar cálculos, sino también para investigar la organización de sistemas dinámicos complejos.
El resultado podría servir como referencia para otros estudios de circulación atmosférica en los que existan cambios entre estados relativamente persistentes.
No obstante, la interpretación física de las variables aprendidas requiere comprobaciones independientes para evitar atribuir significados causales a relaciones que podrían ser solamente estadísticas.
Los cambios estratosféricos pueden influir sobre Europa y Norteamérica
La importancia meteorológica del vórtice polar está relacionada con sus posibles efectos sobre la circulación de niveles inferiores de la atmósfera.
Después de determinados calentamientos súbitos estratosféricos, las perturbaciones pueden propagarse hacia la troposfera y modificar patrones de presión y viento durante varias semanas.
Algunas configuraciones favorecen bloqueos atmosféricos y desplazamientos de masas de aire frío hacia regiones densamente pobladas.
Un ejemplo conocido ocurrió durante el invierno europeo de 2018, cuando una alteración importante del vórtice polar estuvo asociada con condiciones que favorecieron una intensa irrupción de frío en amplias zonas del continente.
El fenómeno demuestra que los cambios ocurridos a decenas de kilómetros de altura pueden tener consecuencias meteorológicas en la superficie.
Sin embargo, no todos los calentamientos estratosféricos producen efectos equivalentes.
La respuesta depende de la estructura de la perturbación, su intensidad, la evolución de la circulación troposférica y las condiciones atmosféricas existentes.
Por ello, reconocer una posible transición del vórtice representa solamente una parte del proceso necesario para anticipar sus consecuencias regionales.
La relación con las olas de frío no es automática
La investigación también debe interpretarse dentro del contexto de la variabilidad natural de los inviernos.
Las alteraciones del vórtice polar pueden favorecer determinados episodios de frío intenso, pero no constituyen la única causa de estas situaciones meteorológicas.
Las corrientes en chorro, los sistemas de alta y baja presión, la temperatura de los océanos y otros factores atmosféricos también influyen en la distribución del aire frío.
Además, la evolución del clima está modificando las condiciones térmicas generales sobre las que se desarrollan estos fenómenos.
Un estudio reciente sobre la disminución de la frecuencia e intensidad de las olas de frío invernales en el hemisferio norte encontró que el calentamiento de fondo explica buena parte de la tendencia observada durante las últimas décadas.
Este resultado no contradice la existencia de episodios severos relacionados con perturbaciones atmosféricas.
Las tendencias climáticas de largo plazo y los acontecimientos meteorológicos individuales corresponden a escalas temporales diferentes.
La investigación sobre el vórtice polar busca comprender mejor uno de los mecanismos que intervienen en esa variabilidad.
La estratosfera también proporciona información para otros sistemas de predicción
El interés por anticipar las alteraciones del vórtice polar no se limita a la previsión de temperaturas.
Los cambios de circulación pueden influir sobre las condiciones de viento, presión atmosférica y persistencia de determinados patrones meteorológicos.
En Europa, estas relaciones también han sido estudiadas desde la perspectiva de la demanda energética.
Una investigación publicada en octubre de 2026 encontró que determinados episodios de calentamiento súbito estratosférico se relacionan con una mayor probabilidad de consumo eléctrico extremo en regiones del norte y centro del continente.
La conexión está asociada principalmente con el aumento de las necesidades de calefacción durante períodos de frío intenso.
Estos resultados ilustran por qué la observación de la estratosfera puede aportar información complementaria a los pronósticos meteorológicos convencionales.
Sin embargo, convertir esa información en decisiones operativas exige conocer las incertidumbres y evitar interpretar una señal atmosférica como garantía de que ocurrirá un episodio extremo.
Las perturbaciones polares presentan diferencias entre hemisferios
El vórtice polar estratosférico existe tanto en el hemisferio norte como en el sur, aunque sus características y variabilidad no son idénticas.
Las diferencias en la distribución de continentes, océanos y grandes sistemas montañosos influyen sobre la propagación de ondas atmosféricas hacia la estratosfera.
En el hemisferio norte, las perturbaciones intensas del vórtice se presentan con mayor frecuencia que en el hemisferio sur.
Sin embargo, la circulación antártica también puede experimentar cambios importantes relacionados con procesos atmosféricos y oceánicos.
Una investigación anterior examinó cómo las anomalías térmicas del Pacífico tropical pueden influir meses después sobre la estratosfera antártica, mediante una cadena de interacciones que involucra ondas atmosféricas y cambios en el hielo marino.
Este tipo de trabajos demuestra que los procesos estratosféricos forman parte de un sistema climático conectado a grandes distancias.
La nueva investigación basada en aprendizaje automático se concentra en un modelo simplificado de variabilidad del vórtice y no reproduce todas esas interacciones planetarias.
Su contribución consiste en identificar una metodología que podría ampliarse posteriormente hacia sistemas atmosféricos más complejos.
Qué falta para convertir el descubrimiento en una herramienta meteorológica
Los resultados representan una prueba de concepto sobre el uso de inteligencia artificial interpretable para estudiar transiciones atmosféricas.
El siguiente desafío consiste en determinar si los patrones identificados en el modelo de Holton-Mass también pueden reconocerse en simulaciones meteorológicas completas y en registros observacionales.
Los investigadores deberán evaluar cómo responde la metodología cuando se incorporan procesos físicos que no están representados en el modelo simplificado.
También será necesario comprobar si las señales mantienen su capacidad predictiva bajo diferentes condiciones iniciales y frente a perturbaciones atmosféricas de distinta intensidad.
Una cuestión fundamental será establecer con cuánto tiempo de anticipación podría identificarse una transición real y cuál sería la proporción de alertas correctas y falsas.
La utilidad de cualquier sistema operativo dependerá de que sus resultados puedan compararse con los modelos meteorológicos existentes y demostrar mejoras verificables.
Por ahora, el estudio no proporciona una nueva fecha de pronóstico para un calentamiento súbito estratosférico ni una advertencia sobre un episodio concreto de frío extremo.
Una nueva vía para estudiar los cambios bruscos de la atmósfera
La investigación muestra que la inteligencia artificial puede reproducir comportamientos esenciales de un modelo físico del vórtice polar y, al mismo tiempo, organizar su dinámica en patrones que admiten una interpretación científica.
La identificación de cuatro grupos relacionados con estados fuertes, débiles y rutas de transición constituye la principal aportación del trabajo.
Dentro de esas representaciones, los científicos encontraron información sobre la proximidad de una perturbación del vórtice.
El resultado abre una línea de investigación para mejorar la comprensión de los calentamientos súbitos estratosféricos y explorar nuevas herramientas de predicción.
Sin embargo, su aplicación a la atmósfera real todavía debe demostrarse.
El estudio no sustituye los sistemas meteorológicos actuales ni permite anticipar por sí solo las olas de frío. Su valor reside en haber mostrado que un modelo de aprendizaje automático puede revelar señales dinámicas interpretables que ayudan a comprender cómo un sistema atmosférico pasa de un estado relativamente estable a otro.
Esta combinación de modelización física, análisis estadístico e inteligencia artificial podría convertirse en una herramienta complementaria para investigar fenómenos atmosféricos cuya evolución sigue siendo difícil de anticipar.
Fuentes referenciales:
Journal of Geophysical Research: Machine Learning and Computation — AI Emulation of Stochastic Sudden Stratospheric Warming With Interpretable Latent Structure
Eos, Unión Geofísica Americana — Using Machine Learning Techniques for Polar Vortex Predictions
