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

Panorama Planetario

Actualización: 24 de agosto de 2026

El sistema Tierra mantiene señales simultáneas de calentamiento oceánico excepcional, fortalecimiento de El Niño, concentración elevada de dióxido de carbono y estrés hídrico en varias regiones. La combinación de mares muy cálidos, suelos secos y una atmósfera con mayor capacidad para retener humedad amplifica tanto las olas de calor como los episodios de precipitación intensa. El balance global exige vigilancia coordinada, aunque la intensidad y los impactos concretos varían de manera importante entre territorios.

🌡️
Temperatura global Calor persistente en tierra y mar

Julio de 2026 fue el segundo julio más cálido registrado a escala mundial, empatado con 2024. Europa occidental atravesó además su periodo junio-julio más cálido. La señal confirma que el calor de fondo continúa alto y aumenta la presión sobre la salud, el agua, los bosques y la producción alimentaria.

🌊
Océanos Récord mensual de temperatura superficial

La superficie oceánica global alcanzó en julio una anomalía aproximada de 1,02 °C sobre el promedio del siglo XX, la más alta observada para ese mes. Las aguas excepcionalmente cálidas pueden intensificar olas de calor marinas, alterar ecosistemas y aportar más energía y humedad a determinados sistemas meteorológicos.

🫧
CO₂ atmosférico 427,85 partes por millón

La tendencia global diaria de NOAA situó el dióxido de carbono en 427,85 ppm el 22 de agosto. El dato es preliminar, pero muestra la persistencia de concentraciones muy superiores al nivel preindustrial de referencia. Esta acumulación continúa reforzando el desequilibrio energético que impulsa el calentamiento global.

🧊
Hielo polar Ártico bajo vigilancia estacional

La extensión del hielo marino del Ártico ocupó en julio el sexto lugar entre las más bajas registradas para ese mes. La cobertura fue especialmente reducida en el norte del mar de Barents, alrededor de Svalbard y Tierra de Francisco José. El mínimo anual suele alcanzarse en septiembre.

🔥
Incendios Vegetación seca y calor elevan el peligro

Las condiciones cálidas y secas favorecieron incendios extremos en sectores de Europa occidental durante julio. La continuidad del déficit de humedad superficial puede sostener un peligro elevado donde coincidan combustible vegetal seco, viento y altas temperaturas. La prevención local y las restricciones deben seguir los avisos oficiales de cada territorio.

🏜️
Sequías Suelos excepcionalmente secos en Europa

Durante julio, partes de la península ibérica, Francia, Alemania, Austria y Hungría presentaron una señal intensa de sequedad. En amplias zonas, la humedad superficial del suelo fue la más baja desde al menos 1979 dentro del conjunto ERA5-Land, con posibles efectos sobre ríos, agricultura y ecosistemas.

⛈️
Fenómenos extremos Contrastes hidrológicos más marcados

Mientras unas regiones enfrentan calor, sequedad y fuego, otras pueden experimentar lluvias concentradas y crecidas rápidas. Un aire más cálido puede contener más vapor de agua, pero esto no distribuye la lluvia de forma uniforme. La vulnerabilidad depende del relieve, la urbanización, la saturación del suelo y la preparación local.

💧
Agua continental Caudales bajos presionan múltiples sectores

Los caudales estuvieron muy por debajo del promedio en varias de las regiones europeas afectadas por la sequedad de julio. Menos agua disponible puede comprometer abastecimiento, navegación, refrigeración industrial, generación eléctrica y hábitats acuáticos. La gestión por cuencas resulta decisiva para distribuir riesgos y prioridades.

🌀
Señal planetaria destacada El Niño se fortalece en el Pacífico ecuatorial

NOAA informó el 13 de agosto que El Niño se había fortalecido, con anomalías superiores a +2,0 °C en el Pacífico ecuatorial oriental y una probabilidad superior al 90 % de convertirse en un evento muy fuerte durante el otoño e invierno de 2026-2027 en el hemisferio norte. El índice Niño 3.4 alcanzó +1,4 °C en julio. Esta señal no determina por sí sola el tiempo de cada localidad, pero puede reorganizar patrones de lluvia, temperatura y circulación atmosférica a escala mundial.

Perspectiva para los próximos 7–14 días

La prioridad será vigilar la evolución de El Niño, las temperaturas del océano, el peligro de incendios y las reservas hídricas regionales. El calor acumulado en el mar favorece anomalías térmicas y puede incrementar la disponibilidad de humedad para tormentas intensas, mientras los suelos secos responden con rapidez a nuevas olas de calor. No existe una única previsión válida para todo el planeta: autoridades meteorológicas, hidrológicas y de protección civil deben guiar las decisiones locales. Los indicadores actuales aconsejan reforzar alertas tempranas, ahorro de agua y prevención de incendios sin convertir las tendencias globales en pronósticos automáticos para una ciudad concreta.

Fuentes consultadas: Copernicus Climate Change Service, NOAA/NCEI, NOAA Global Monitoring Laboratory y NOAA Climate Prediction Center.

×

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