Los llamados «fenómenos meteorológicos de 100 años» parecen ahora casi comunes, ya que inundaciones, tormentas e incendios siguen marcando nuevos estándares de magnitud, intensidad y destrucción. Pero para clasificar el clima como un verdadero fenómeno de 100 años, debe haber solo un 1% de probabilidad de que ocurra en un año determinado. El problema es que los investigadores no siempre saben si el clima se ajusta al clima actual o desafía las probabilidades.
por Gillian Dohrn, Universidad de Washington
Los modelos tradicionales de pronóstico meteorológico se ejecutan en supercomputadoras de alto consumo energético, generalmente ubicadas en grandes instituciones de investigación. En los últimos cinco años, la inteligencia artificial se ha convertido en una herramienta poderosa para realizar pronósticos más económicos y rápidos, pero la mayoría de los modelos basados en IA solo pueden pronosticar con precisión a 10 días. Aun así, los pronósticos a largo plazo son cruciales para la ciencia del clima y ayudan a las personas a prepararse para las próximas estaciones.
En un nuevo estudio publicado en AGU Advances , investigadores de la Universidad de Washington utilizaron IA para simular el clima actual de la Tierra y su variabilidad interanual durante hasta 1000 años. El modelo se ejecuta en un solo procesador y genera un pronóstico en tan solo 12 horas. En una supercomputadora de última generación, la misma simulación tardaría aproximadamente 90 días.
«Estamos desarrollando una herramienta que examina la variabilidad de nuestro clima actual para ayudar a responder esta pregunta persistente: ¿Es un evento dado algo que ocurre naturalmente o no?», dijo Dale Durran, profesor de ciencias atmosféricas y climáticas de la Universidad de Washington.
Durran fue uno de los primeros en incorporar la IA a la predicción meteorológica hace más de cinco años, cuando él y el exestudiante de posgrado de la Universidad de Washington, Jonathan Weyn, se asociaron con Microsoft Research. Durran también es investigador asociado en Nvidia, empresa con sede en California.
«Para entrenar un modelo de IA, hay que proporcionarle una gran cantidad de datos», dijo Durran. «Pero si se desglosan los datos históricos disponibles por temporada, no se obtienen muchos fragmentos».
Los conjuntos de datos globales más precisos para el pronóstico meteorológico diario se remontan aproximadamente a 1979. Si bien existen muchos días entre entonces y la actualidad que pueden utilizarse para entrenar un modelo de pronóstico meteorológico diario, el mismo período contiene menos estaciones. Esta falta de datos históricos se percibía como un obstáculo para el uso de la IA en el pronóstico estacional.
Contrariamente a la intuición, la última contribución del grupo Durran a la previsión, el modelo Deep Learning Earth SYSTEM, o DLESyM, fue entrenado para previsiones de un día, pero aun así aprendió a capturar la variabilidad estacional.
El modelo combina dos redes neuronales: una que representa la atmósfera y la otra, el océano. Si bien los modelos tradicionales del sistema terrestre suelen combinar pronósticos atmosféricos y oceánicos, los investigadores aún no habían incorporado este enfoque en modelos basados únicamente en IA.
«Fuimos los primeros en aplicar este marco a la IA y descubrimos que funcionaba de maravilla», afirmó el autor principal, Nathaniel Cresswell-Clay, estudiante de posgrado de la Universidad de Washington en ciencias atmosféricas y climáticas. «Presentamos este modelo como un desafío a muchas de las suposiciones actuales sobre la IA en la ciencia climática «.
Dado que la temperatura de la superficie del mar cambia más lentamente que la del aire, el modelo oceánico actualiza sus predicciones cada cuatro días, mientras que el modelo atmosférico lo hace cada 12 horas. Cresswell-Clay está trabajando actualmente en la incorporación de un modelo de superficie terrestre a DLESyM.
«Nuestro diseño abre la puerta a la incorporación de otros componentes del sistema terrestre en el futuro», afirmó, especialmente componentes que han sido difíciles de modelar en el pasado, como la relación entre el suelo, las plantas y la atmósfera. En lugar de que los investigadores creen una ecuación para representar esta compleja relación, la IA aprende directamente de los datos.
Los investigadores demostraron el rendimiento del modelo comparando sus pronósticos de eventos pasados con los generados por los cuatro modelos principales de la sexta fase del Proyecto de Intercomparación de Modelos Acoplados (CMIP6), todos ellos ejecutados en supercomputadoras. Las predicciones climáticas del clima futuro a partir de estos modelos fueron recursos clave utilizados en el último informe del Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC).
DLESyM simuló los ciclones tropicales y el ciclo estacional del monzón de verano indio mejor que los modelos CMIP6. En latitudes medias, DLESyM capturó la variabilidad mensual e interanual de los patrones meteorológicos al menos tan bien como los modelos CMIP6.
Por ejemplo, el modelo capturó eventos de bloqueo atmosférico tan bien como los principales modelos basados en la física. El bloqueo se refiere a la formación de dorsales atmosféricas que mantienen regiones cálidas y secas, y otras frías o húmedas, al desviar los sistemas meteorológicos entrantes.
«Muchos de los modelos climáticos existentes no captan este patrón de forma adecuada», afirmó Cresswell-Clay. «La calidad de nuestros resultados valida nuestro modelo y aumenta nuestra confianza en sus proyecciones futuras».
Ni los modelos CMIP6 ni DLESyM son 100% precisos, pero el hecho de que el enfoque basado en IA fuera competitivo utilizando mucha menos energía es significativo.
«El modelo no solo tiene una huella de carbono mucho menor, sino que cualquiera puede descargarlo de nuestro sitio web y realizar experimentos complejos, incluso sin acceso a una supercomputadora», afirmó Durran. «Esto pone la tecnología al alcance de muchos otros investigadores».
Más información: Nathaniel Cresswell-Clay et al., Un modelo del sistema terrestre de aprendizaje profundo para la simulación eficiente del clima observado, AGU Advances (2025). DOI: 10.1029/2025AV001706
