Un esfuerzo de colaboración entre las universidades de Córdoba y Granada mejoró la resolución espacial de los datos climáticos mensuales desde hace 22.000 años hasta el año 2100, permitiendo estudios más localizados y detallados.
Conocer el clima del futuro es uno de los retos actuales y una cuestión esencial para estudiar la biodiversidad y realizar predicciones a largo plazo sobre el comportamiento de las especies o tomar decisiones hoy. Para saber cómo será un pinsapo dentro de 200 años, se necesitan modelos climáticos que pronostiquen los cambios futuros.
«Al desarrollar modelos climáticos, hay que asegurarse de que funcionen bien. Como no sabemos cómo será el clima del futuro ni podemos verificarlo, lo validamos con datos históricos reales, proyectando el modelo hacia atrás para comprobar su funcionamiento», explica Diego Nieto, investigador del grupo de Biología Vegetal Básica y Aplicada de la Universidad de Córdoba.
Si estas proyecciones retrospectivas funcionan bien, quienes nos dedicamos al medio ambiente natural las utilizaremos para determinar cómo ha cambiado la vegetación o la diversidad en función del clima.
Uno de los principales retos a los que se enfrentan a la hora de comprender el clima y la vegetación del pasado, y poder crear predicciones para el futuro, es que los modelos climáticos trabajan con resoluciones muy grandes; es decir, presentan datos sobre áreas muy extensas (entre 150 y 250 km), lo que dificulta la realización de estudios y proyecciones para zonas específicas, como el Mediterráneo.
Así, el último trabajo de Nieto y Daniel Romera, investigador del mismo grupo, junto con investigadores de la Universidad de Granada, ha sido el reescalado de un conjunto de datos climáticos mensuales de hace 22.000 años, hasta el año 2100, obteniendo una resolución mucho más detallada de 11 x 11 km, lo que permite un mejor análisis de los fenómenos de ecosistemas más específicos.
La idea era generar un conjunto de datos climáticos históricos con un nivel de detalle que fuera útil para los estudios de biodiversidad. El equipo utilizó uno de los modelos de cambio climático (TraCE-21ka) y lo reescaló con herramientas novedosas que no se habían utilizado previamente para realizar este tipo de reescalamiento a esta resolución.
Con este trabajo, publicado en la revista Scientific Data , se pone a disposición de la comunidad científica una “caja de herramientas” para aplicar técnicas avanzadas de reescalado a conjuntos de datos climáticos de gran resolución utilizando el lenguaje de programación R0 , un código abierto y gratuito que facilita su fácil uso.
El conjunto de herramientas que contiene permite reescalar datos correspondientes a siete variables climáticas, como la temperatura media, la radiación solar , la precipitación y la velocidad del viento. Además de las herramientas que permiten a cada equipo de investigación reescalar los datos a una resolución de 11 x 11 km para el área de mayor interés, se comparte un conjunto de datos ya reescalados para una región reconocida como un punto crítico de biodiversidad global: el Mediterráneo Occidental.
Gracias a este avance, se pueden realizar estudios que permiten comprender cómo ha respondido la biodiversidad a los cambios climáticos y predecir cómo cambiará ante los efectos del cambio climático actual. De esta forma, se generarán herramientas más fiables para, por ejemplo, la gestión de especies en parques naturales o planes de conservación a largo plazo.
Más información: Daniel Romera-Romera et al., Datos climáticos espacio-temporales replicables para la ecología a largo plazo en el Mediterráneo occidental, Scientific Data (2025). DOI: 10.1038/s41597-025-05067-9
Leyenda de imagen principal: Flujo de trabajo diagramático para un enfoque perfecto de reducción de escala para el pronóstico. Las regresiones simples mostradas en el diagrama de dispersión representan un ejemplo de las utilizadas en el enfoque de reducción de escala real, ya que solo incluyen una variable predictora, mientras que la reducción de escala real se realizó con regresiones múltiples que incluían ocho variables predictoras combinadas de diferentes maneras (predictores espaciales, locales y globales). El número de puntos en el diagrama de dispersión es de 360 (30 años × 12 meses) para cada punto espacial (azul o naranja). Crédito: Scientific Data (2025). DOI: 10.1038/s41597-025-05067-9
