Investigadores de la Universidad de Chiba utilizaron modelos de difusión e imágenes satelitales para reconstruir zonas sin observaciones en mapas globales de precipitaciones. La técnica podría mejorar el seguimiento de lluvias intensas y la evaluación de riesgos de inundación.
Redacción: Redacción Noticias de la Tierra
Editor: Eduardo Schmitz
Un equipo de científicos de la Universidad de Chiba, en Japón, ha desarrollado un método de inteligencia artificial capaz de reconstruir información faltante en los mapas globales de precipitaciones elaborados a partir de observaciones satelitales. La investigación propone una solución a una limitación importante de la vigilancia meteorológica: los satélites que miden la lluvia no pueden observar simultáneamente todos los lugares del planeta.
El estudio, publicado el 1 de septiembre de 2026 en la revista científica Earth and Space Science y difundido por la Universidad de Chiba el 20 de octubre, utiliza un modelo de aprendizaje automático que analiza cómo se distribuyen y desplazan las precipitaciones a través del espacio y del tiempo.
La técnica permite estimar los valores ausentes utilizando información de las regiones cercanas, observaciones de momentos anteriores y posteriores e imágenes infrarrojas obtenidas desde el espacio. En las pruebas realizadas por los investigadores, el sistema produjo reconstrucciones más precisas y espacialmente coherentes que varios métodos alternativos de aprendizaje profundo.
El trabajo fue dirigido por Daiko Kishikawa, profesor asistente del Instituto de Investigación Académica Avanzada y del Centro de Teledetección Ambiental de la Universidad de Chiba. También participaron Yuka Muto y Shunji Kotsuki, especialistas de la misma institución japonesa.
Los resultados abren una posibilidad para mejorar la continuidad de los registros de lluvia, especialmente en regiones donde existen pocas estaciones meteorológicas terrestres o sistemas de radar capaces de proporcionar mediciones frecuentes.
Por qué los mapas satelitales de lluvia tienen espacios sin información
La observación de las precipitaciones desde el espacio constituye una herramienta fundamental para estudiar el ciclo del agua y seguir la evolución de tormentas, monzones y otros fenómenos atmosféricos.
Los sistemas globales combinan información procedente de diferentes satélites para estimar cuánto llueve sobre extensas áreas de la superficie terrestre y oceánica.
Sin embargo, cada instrumento posee una trayectoria orbital y una frecuencia de observación determinadas. Esto significa que algunas regiones pueden permanecer temporalmente sin mediciones directas.
Cuando se elaboran mapas globales, esas ausencias generan espacios que deben completarse mediante procedimientos de estimación.
Los métodos convencionales suelen aprovechar los datos disponibles antes y después del periodo sin observaciones. Aunque pueden ofrecer resultados útiles, presentan dificultades cuando las precipitaciones cambian rápidamente de intensidad, forma o posición.
Una tormenta puede desarrollarse, desplazarse o debilitarse entre dos observaciones. Si el procedimiento de reconstrucción no representa adecuadamente esa evolución, el mapa resultante puede contener distribuciones de lluvia poco realistas.
El problema es especialmente relevante cuando se analizan las precipitaciones asociadas con ciclones tropicales, cuyos cambios de intensidad pueden producirse en periodos relativamente cortos.
Por esta razón, los investigadores japoneses buscaron un procedimiento capaz de considerar simultáneamente la información espacial y temporal.
La inteligencia artificial reconstruye la lluvia como si completara un video
La principal innovación consiste en tratar una sucesión de mapas de precipitaciones como una secuencia de imágenes semejante a un video.
En lugar de estimar cada espacio vacío de manera aislada, el sistema aprende cómo evolucionan los patrones de lluvia entre diferentes momentos y regiones.
El método se basa en un modelo de difusión condicional, una familia de técnicas de inteligencia artificial utilizadas para reconstruir información a partir de datos incompletos.
En este caso, la reconstrucción está guiada por observaciones meteorológicas y geográficas que ayudan a establecer dónde resulta más probable encontrar determinadas distribuciones de precipitación.
Los científicos incorporaron una arquitectura de red neuronal denominada U-Net tridimensional, diseñada para procesar información distribuida en varias dimensiones.
La dimensión temporal resulta fundamental porque permite analizar la evolución de los sistemas de lluvia y no solamente su distribución en un instante determinado.
El modelo también dispone de un codificador tridimensional de condiciones que incorpora información complementaria.
Entre los datos utilizados se encuentran imágenes infrarrojas satelitales, coordenadas geográficas y referencias temporales.
La combinación permite reconstruir zonas sin mediciones aprovechando tanto la estructura de las precipitaciones cercanas como su evolución en el tiempo.
El sistema se desarrolló para mejorar los mapas GSMaP
La investigación se centró en el sistema Global Satellite Mapping of Precipitation, conocido como GSMaP, desarrollado por la Agencia de Exploración Aeroespacial de Japón, JAXA.
Este sistema proporciona estimaciones de precipitaciones basadas en observaciones de múltiples satélites y constituye una fuente importante de información meteorológica a escala global.
Los mapas GSMaP permiten estudiar la distribución de las lluvias sobre continentes y océanos, incluidas regiones donde las redes convencionales de observación son escasas.
No obstante, las diferencias entre las trayectorias y capacidades de los satélites pueden producir áreas sin observaciones válidas.
Para desarrollar su modelo, el equipo utilizó datos horarios de precipitación del conjunto ERA5, elaborado por el Centro Europeo de Previsiones Meteorológicas a Plazo Medio.
Los registros utilizados para el entrenamiento correspondieron al periodo comprendido entre 2020 y 2023.
ERA5 proporciona una reconstrucción meteorológica continua mediante la combinación de observaciones y modelos atmosféricos, por lo que permitió disponer de mapas completos para los experimentos.
Los investigadores reprodujeron artificialmente los espacios vacíos presentes en GSMaP sobre esos mapas de referencia.
De esta manera, generaron conjuntos de datos incompletos semejantes a las observaciones satelitales reales, pero conservaron la información original necesaria para evaluar la calidad de las reconstrucciones.
El procedimiento permitió entrenar al sistema para identificar patrones y estimar las precipitaciones en las zonas donde faltaban datos.
Las pruebas con datos de 2024 mostraron mejores reconstrucciones
Una vez desarrollado el modelo, los científicos lo evaluaron utilizando información correspondiente a 2024, un periodo diferente del empleado para el entrenamiento.
Esta separación permitió examinar su capacidad para reconstruir patrones que no formaban parte directamente de los ejemplos utilizados durante el aprendizaje.
Los resultados mostraron una elevada precisión y una mejor calidad de las reconstrucciones en comparación con otras arquitecturas de aprendizaje profundo examinadas.
Entre los métodos utilizados como referencia figuraron redes U-Net convencionales, autocodificadores variacionales y modelos basados en redes generativas adversarias.
La propuesta japonesa consiguió representar distribuciones de lluvia que mantenían una mayor coherencia entre diferentes lugares y momentos.
Esta continuidad resulta importante porque las precipitaciones no se distribuyen de manera independiente entre regiones vecinas.
Los sistemas atmosféricos poseen estructuras espaciales y evolucionan mediante procesos físicos que pueden extenderse sobre grandes superficies.
Una reconstrucción que considere esas relaciones puede proporcionar mapas más consistentes que otra basada únicamente en la interpolación de valores aislados.
Los investigadores también realizaron análisis para determinar cuáles de las variables utilizadas contribuían más a la calidad de los resultados.
Las pruebas identificaron los datos de precipitación y las imágenes infrarrojas satelitales como dos de los componentes más importantes.
El modelo también fue probado con espacios vacíos reales
Además de los experimentos con observaciones incompletas simuladas, el equipo aplicó el sistema a mapas GSMaP que contenían áreas realmente desprovistas de mediciones.
Esta segunda evaluación permitió comprobar su funcionamiento en condiciones más próximas a las aplicaciones operativas.
Sin embargo, los investigadores encontraron una limitación importante: no existía un conjunto completo de observaciones GSMaP que pudiera utilizarse como referencia directa para conocer la precipitación real en todos los espacios reconstruidos.
Por ese motivo, emplearon los datos de ERA5 como referencia para evaluar los resultados.
Las pruebas indicaron que el método podía generar estimaciones plausibles en las regiones sin información.
No obstante, estas comparaciones no equivalen a una validación independiente frente a mediciones directas de lluvia en todos los lugares examinados.
ERA5 es un producto de reanálisis meteorológico y también presenta incertidumbres, especialmente en regiones donde las observaciones disponibles son limitadas.
Por ello, los resultados deben interpretarse como evidencia de la capacidad del modelo para reconstruir información faltante, no como una demostración de que puede determinar con exactitud absoluta cuánto llovió en cada punto.
Una herramienta potencial para vigilar inundaciones y lluvias intensas
La disponibilidad de mapas más continuos podría contribuir a mejorar distintas aplicaciones relacionadas con la vigilancia ambiental y la gestión de riesgos.
Entre ellas se encuentran el seguimiento de precipitaciones intensas, el análisis hidrológico, la administración de recursos hídricos y la evaluación de amenazas de inundación.
Cuando una región dispone de pocas estaciones meteorológicas, las observaciones satelitales pueden representar una de las principales fuentes de información sobre las lluvias.
Si los mapas contienen espacios vacíos, los especialistas pueden encontrar dificultades para reconstruir la evolución completa de un episodio meteorológico.
La nueva técnica podría reducir parte de esas discontinuidades y facilitar el análisis de la distribución espacial de las precipitaciones.
El avance también se relaciona con investigaciones sobre la detección de precipitaciones intensas mediante observaciones GPS, que muestran cómo diferentes tecnologías espaciales pueden aportar información complementaria sobre los fenómenos atmosféricos.
Sin embargo, los autores presentan las aplicaciones cercanas al tiempo real como una posibilidad de desarrollo futuro.
El estudio no demuestra que el sistema ya esté integrado en un servicio operativo de alerta temprana ni que haya reducido daños por inundaciones en situaciones reales.
Para alcanzar ese objetivo serían necesarias evaluaciones adicionales sobre velocidad de procesamiento, fiabilidad y comportamiento durante fenómenos meteorológicos extremos.
La calidad de los datos es esencial para interpretar las tendencias climáticas
El estudio japonés también pone de relieve una dificultad más amplia de la observación meteorológica: los registros satelitales dependen de instrumentos y procedimientos que pueden cambiar con el tiempo.
Los sistemas de observación incorporan nuevos satélites, retiran instrumentos antiguos y modifican la frecuencia con la que determinadas regiones son examinadas.
Estas diferencias pueden influir sobre la continuidad de las series históricas y complicar la interpretación de tendencias de largo plazo.
Investigaciones anteriores han mostrado que los cambios en la frecuencia de observación satelital pueden alterar las tendencias aparentes de lluvia si no se consideran adecuadamente las características de los instrumentos.
La nueva técnica aborda un problema diferente, aunque relacionado: reconstruir los valores faltantes dentro de mapas de precipitación.
Completar esos espacios no elimina automáticamente los sesgos instrumentales ni garantiza que las tendencias climáticas obtenidas sean correctas.
Por ello, los métodos de reconstrucción deben complementarse con procedimientos de calibración, controles de calidad y comparaciones con observaciones independientes.
Esta distinción resulta fundamental cuando los datos se utilizan para investigar cambios climáticos, estimar riesgos o diseñar infraestructuras hidráulicas.
La reconstrucción de mapas podría ampliarse a otras aplicaciones
Los modelos de difusión condicional ofrecen una estrategia flexible para trabajar con información espacial y temporal incompleta.
En la investigación de la Universidad de Chiba, su aplicación se concentró específicamente en las precipitaciones globales.
El sistema aprovecha información meteorológica adicional para reconstruir patrones que mantienen relaciones con las observaciones disponibles.
Los investigadores consideran que la técnica podría desarrollarse para proporcionar estimaciones con menor demora y mejorar la utilidad de los productos satelitales.
Una aplicación de estas características tendría especial interés en territorios extensos, regiones oceánicas y zonas donde la instalación de redes de medición terrestre resulta costosa o difícil.
También podría facilitar la elaboración de registros más continuos para estudiar la distribución regional de las lluvias.
Sin embargo, su rendimiento deberá comprobarse bajo condiciones meteorológicas variadas y con observaciones independientes antes de extender sus resultados a todas las regiones del planeta.
Una nueva vía para observar las precipitaciones del planeta
La investigación demuestra que los espacios sin datos en los mapas globales de lluvia pueden abordarse mediante técnicas que consideran simultáneamente la evolución temporal y la distribución espacial de las precipitaciones.
El modelo desarrollado por la Universidad de Chiba obtuvo resultados favorables al reconstruir observaciones incompletas y superó a varios métodos de aprendizaje profundo utilizados en las comparaciones.
Su principal contribución consiste en aprovechar la información meteorológica disponible para generar mapas más continuos sin depender exclusivamente de procedimientos convencionales de interpolación.
La metodología todavía requiere validaciones adicionales para determinar su utilidad operativa y cuantificar sus incertidumbres en diferentes situaciones.
Los investigadores consideran que perfeccionar estas herramientas puede ayudar a mejorar el seguimiento de lluvias intensas, la gestión del agua y el análisis de amenazas hidrológicas.
En un planeta donde numerosas regiones carecen de redes densas de observación terrestre, la combinación de satélites, modelos meteorológicos e inteligencia artificial representa una línea de investigación relevante para ampliar el conocimiento sobre la distribución de las precipitaciones.
Fuentes referenciales:
Earth and Space Science – Conditional Diffusion Models for Global Precipitation Map Inpainting (2026)
Universidad de Chiba – Filling the gaps in global rainfall maps (20 de octubre de 2026)
