Lectura global 🌍 Panorama Planetario + Evolución ambiental 📈 Tendencias de la Tierra +
×

🌎 Panorama Planetario

Actualización editorial: 9 de octubre de 2026
Estado general del sistema Tierra

El seguimiento planetario integra el calentamiento de la atmósfera, la acumulación de energía en los océanos, la evolución de los gases de efecto invernadero y las variaciones del ciclo hidrológico. Estas dimensiones están conectadas: los cambios en una pueden modificar los riesgos y las respuestas de las demás.

Esta edición presenta indicadores de vigilancia y relaciones físicas consolidadas. No debe interpretarse como un boletín de mediciones instantáneas: los valores diarios de temperatura, hielo, incendios y otros parámetros requieren contrastarse con los respectivos sistemas de observación.

🌡️ Temperatura global

El calentamiento de largo plazo continúa siendo la referencia para interpretar las anomalías térmicas. Una jornada especialmente cálida o fría no determina por sí sola una tendencia climática. Para valorar el estado global se necesitan series homogéneas, referencias climatológicas y análisis de incertidumbre.

🌊 Océanos

El océano almacena gran parte del exceso de energía del sistema climático. Su contenido de calor ofrece una señal de largo plazo más estable que las oscilaciones atmosféricas diarias. La temperatura superficial, las olas de calor marinas y la estratificación requieren seguimiento complementario.

🫧 CO₂ atmosférico

La concentración de dióxido de carbono refleja el balance entre emisiones humanas, absorción terrestre e intercambio oceánico. Su evolución estacional se superpone a una tendencia de acumulación de largo plazo. Los observatorios atmosféricos permiten diferenciar ambas señales mediante registros continuos y calibrados.

🧊 Hielo polar

La extensión del hielo marino cambia con las estaciones y las condiciones meteorológicas. El Ártico y la Antártida presentan dinámicas diferentes. Para interpretar sus cambios es necesario examinar extensión, concentración, espesor y persistencia, sin confundir hielo marino con masas de hielo continentales.

🔥 Incendios

La peligrosidad meteorológica de los incendios depende de la temperatura, humedad, viento y sequedad del combustible vegetal. Las detecciones térmicas por satélite ayudan a identificar actividad, pero no equivalen automáticamente a superficie quemada ni a una evaluación completa del impacto ecológico.

🏜️ Sequías

La falta de precipitaciones puede evolucionar hacia déficits de humedad del suelo, caudales y reservas hídricas. Cada tipo de sequía tiene escalas temporales distintas. El seguimiento debe combinar precipitación acumulada, evaporación, humedad edáfica y disponibilidad de agua.

⛈️ Tormentas y extremos

Los fenómenos extremos se evalúan a partir de su intensidad, duración, exposición territorial y vulnerabilidad. Una atmósfera más cálida puede contener más vapor de agua, pero la aparición de un episodio concreto también depende de la circulación, estabilidad y condiciones regionales.

🌐 Balance planetario

Las señales climáticas no avanzan de manera uniforme. Pueden coexistir regiones con déficit hídrico y otras con precipitaciones intensas. Por ello, un diagnóstico global exige integrar observaciones atmosféricas, oceánicas, criosféricas y terrestres, evitando extrapolar un evento local al conjunto del planeta.

🔎 Señal planetaria destacada

La interacción entre calor oceánico y disponibilidad de humedad atmosférica es un eje prioritario de vigilancia. El estado térmico del mar puede influir en la evaporación y en la energía disponible para determinados sistemas meteorológicos, aunque sus efectos dependen de las condiciones locales.

Perspectiva de vigilancia: 9–23 de octubre de 2026

Durante los próximos 7–14 días conviene contrastar los pronósticos actualizados de circulación atmosférica, anomalías de precipitación, temperatura superficial del mar y peligrosidad de incendios. Este horizonte constituye una agenda de observación, no una predicción de eventos específicos.

Fuentes de seguimiento: Copernicus C3S, NOAA GML y NSIDC.

×

La predicción de terremotos basada en IA se muestra prometedora en las pruebas

Imagen referencial - Noticias de la Tierra

Un nuevo intento de predecir terremotos con la ayuda de inteligencia artificial ha generado esperanzas de que algún día la tecnología pueda usarse para limitar el impacto de los terremotos en las vidas y las economías. 


por la Universidad de Texas en Austin


Desarrollado por investigadores de la Universidad de Texas en Austin, el algoritmo de IA predijo correctamente el 70% de los terremotos una semana antes de que ocurrieran durante una prueba de siete meses en China.

La IA fue entrenada para detectar cambios estadísticos en datos sísmicos en tiempo real que los investigadores habían emparejado con terremotos anteriores. El resultado fue un pronóstico semanal en el que la IA predijo con éxito 14 terremotos en un radio de aproximadamente 200 millas de donde estimó que ocurrirían y con casi exactamente la fuerza calculada. No detectó un terremoto y dio ocho advertencias falsas.

Aún no se sabe si el mismo enfoque funcionará en otros lugares, pero el esfuerzo es un hito en la investigación para el pronóstico de terremotos impulsado por IA.

«Predecir terremotos es el santo grial», afirmó Sergey Fomel, profesor de la Oficina de Geología Económica de la UT y miembro del equipo de investigación. «Aún no estamos cerca de hacer predicciones para ningún lugar del mundo, pero lo que logramos nos dice que lo que pensábamos que era un problema imposible, en principio tiene solución».

La predicción de terremotos basada en IA se muestra prometedora en las pruebas
Este mapa muestra la ubicación en China de los terremotos predichos por la IA (puntos azules) unidos por una línea roja al lugar donde ocurrió cada terremoto real (puntos rojos). Los números indican la semana en que ocurrió el terremoto. Durante la prueba de 30 semanas, la IA desarrollada por UT Austin sólo pasó por alto un terremoto. Crédito: Yangkang Chen/Escuela Jackson de Geociencias.

La prueba fue parte de una competencia internacional celebrada en China en la que la IA desarrollada por UT quedó en primer lugar entre otros 600 diseños. La entrada de UT fue dirigida por el sismólogo de la oficina y desarrollador principal de IA, Yangkang Chen. Los hallazgos del ensayo se publican en la revista Bulletin of the Sismological Society of America .

«No se ven venir terremotos», dijo Alexandros Savvaidis, científico investigador principal que dirige el Programa de Red Sismológica de Texas (TexNet) de la oficina, la red sísmica del estado. «Es cuestión de milisegundos, y lo único que puedes controlar es qué tan preparado estás. Incluso con un 70%, ese es un resultado enorme y podría ayudar a minimizar las pérdidas económicas y humanas y tiene el potencial de mejorar dramáticamente la preparación para terremotos en todo el mundo».

Los investigadores dijeron que su método había tenido éxito al seguir un enfoque de aprendizaje automático relativamente simple. A la IA se le dio un conjunto de características estadísticas basadas en el conocimiento del equipo sobre física de terremotos, luego se le pidió que se entrenara en una base de datos de cinco años de registros sísmicos.

Una vez entrenada, la IA dio su pronóstico escuchando señales de terremotos entrantes entre los ruidos de fondo en la Tierra.

«Estamos muy orgullosos de este equipo y de su primer puesto en esta prestigiosa competición», dijo Scott Tinker, director de la oficina. «Por supuesto, lo que importa no es sólo la ubicación y la magnitud, sino también el momento. La predicción de terremotos es un problema intratable y no podemos exagerar la dificultad».

Los investigadores confían en que en lugares con sólidas redes de seguimiento sísmico, como California, Italia, Japón, Grecia, Turquía y Texas, la IA podría mejorar su tasa de éxito y limitar sus predicciones a unas pocas decenas de kilómetros.

Uno de los próximos pasos es probar la IA en Texas, ya que el estado experimenta una alta tasa de terremotos de magnitud menor y algunos de magnitud moderada. El TexNet de la oficina alberga 300 estaciones sísmicas y más de seis años de registros continuos, lo que lo convierte en un lugar ideal para verificar el método.

Con el tiempo, los investigadores quieren integrar el sistema con modelos basados ​​en la física, lo que podría ser importante donde los datos son escasos, o en lugares como Cascadia, donde el último gran terremoto ocurrió cientos de años antes que los sismógrafos.

«Nuestro objetivo futuro es combinar la física y los métodos basados ​​en datos para darnos algo generalizado, como chatGPT, que podamos aplicar en cualquier parte del mundo», dijo Chen.

La nueva investigación es un paso importante para lograr ese objetivo.

«Eso puede estar muy lejos, pero muchos avances como este, en conjunto, son los que hacen avanzar la ciencia», dijo Tinker.

Más información: Omar M. Saad et al, Pronóstico de terremotos utilizando big data e inteligencia artificial: un estudio de caso en tiempo real de 30 semanas en China, Boletín de la Sociedad Sismológica de América (2023). DOI: 10.1785/0120230031