Pronosticando lo imposible de pronosticar
Los pronósticos meteorológicos diarios se han vuelto notablemente precisos, pero predecir eventos extremos raros, como las olas de calor más mortales, sigue siendo un desafío formidable. Estos eventos, a veces llamados 'cisnes grises', ocurren con tan poca frecuencia que quedan fuera del rango de los patrones climáticos típicos. Los modelos tradicionales basados en supercomputadoras pueden simularlos, pero exigen enormes recursos computacionales y tiempo. Por otro lado, los modelos de pronóstico basados en IA más nuevos sobresalen en predicciones rutinarias, pero a menudo fallan en capturar valores atípicos que están subrepresentados en sus datos de entrenamiento.
Esta brecha ha motivado a los investigadores a buscar un punto intermedio. Un equipo liderado por científicos de la Universidad de Chicago y colaboradores en Francia ha desarrollado un método híbrido que combina las fortalezas de ambos enfoques. Publicado en la revista Physical Review Letters, la nueva técnica promete mejorar la predicción de eventos climáticos raros y de alto impacto, utilizando muchos menos recursos que los modelos tradicionales.
El desafío de los cisnes grises
Las olas de calor se encuentran entre las formas más mortales de clima extremo. En 2003, una ola de calor en Europa causó un estimado de 70,000 muertes, y en 2010, Rusia experimentó una ola de calor que provocó 56,000 muertes. Más recientemente, en junio de 2026, casi la mitad de los Estados Unidos, alrededor de 180 millones de personas, experimentaron temperaturas peligrosas. Estos eventos se están volviendo más frecuentes y severos debido al cambio climático, lo que hace que los pronósticos precisos sean cada vez más críticos.
Sin embargo, la naturaleza misma de estos valores atípicos los hace difíciles de estudiar. Son raros, por lo que hay datos históricos limitados para entrenar modelos de aprendizaje automático. Los modelos tradicionales basados en física, que simulan el comportamiento de la atmósfera a partir de ecuaciones fundamentales, pueden generar escenarios extremos, pero requieren una potencia computacional masiva y pueden tardar días en ejecutarse. Esto los hace poco prácticos para pronósticos en tiempo real o para explorar muchos escenarios posibles.
Como explica Pedram Hassanzadeh, profesor asociado de ciencias geofísicas en la Universidad de Chicago y colíder de la investigación, 'Los modelos de clima y meteorología con IA son uno de los grandes logros de la IA en la ciencia, pero no son mágicos: fallan en los cisnes grises, los eventos más raros y extremos. Los modelos detallados basados en física pueden capturar extremos, pero requieren cantidades prohibitivamente grandes de tiempo y energía.'
Una solución híbrida
El nuevo método, desarrollado por el Grupo de Teoría y Datos de Extremos Climáticos de Hassanzadeh y colaboradores internacionales, integra IA con modelado tradicional basado en física. El enfoque aprovecha la velocidad de la IA para explorar una amplia gama de condiciones posibles, mientras utiliza modelos basados en física para garantizar que los eventos raros sean físicamente realistas. Esta combinación permite al equipo estimar la probabilidad de eventos extremos de manera más precisa y eficiente.
La innovación clave radica en cómo interactúan los dos componentes. El modelo de IA, entrenado en un conjunto limitado de simulaciones de eventos extremos, propone escenarios candidatos. Luego, estos se validan y refinan utilizando el modelo basado en física, que corrige cualquier resultado poco realista. Este proceso iterativo converge en una distribución de probabilidad confiable para eventos raros, incluso cuando la IA sola los pasaría por alto.
'El poder de este método es que combina las fortalezas de la IA y la física tradicional, y es particularmente efectivo para eventos extremos, que son los más difíciles de simular y tienen el mayor impacto social', dijo Hassanzadeh.
Implicaciones para el pronóstico y la investigación climática
El enfoque híbrido podría mejorar significativamente nuestra capacidad para anticipar eventos climáticos raros pero devastadores. Por ejemplo, podría ayudar a los planificadores de emergencias a prepararse para olas de calor, inundaciones o sequías que podrían ocurrir una vez cada siglo o incluso cada milenio. Al proporcionar probabilidades más precisas, el método podría informar el diseño de infraestructura, las estrategias de salud pública y los planes de respuesta a desastres.
Además, el costo computacional reducido significa que dichos pronósticos podrían ejecutarse con mayor frecuencia y para horizontes de tiempo más largos. Esto podría conducir a mejores predicciones estacionales y decadales, ayudando a las sociedades a adaptarse a un clima cambiante.
La investigación también subraya la importancia de combinar la IA con la comprensión física. Si bien la IA ha revolucionado muchos campos, tiene limitaciones cuando se trata de eventos raros. Al combinar ambos, los científicos pueden aprovechar lo mejor de ambos mundos.
Mirando hacia el futuro
El equipo planea refinar el método aún más y probarlo en otros tipos de eventos extremos, como huracanes y tornados. También tienen como objetivo hacer que la herramienta sea accesible para los servicios meteorológicos e investigadores climáticos de todo el mundo.
A medida que el clima extremo se vuelve más común, la necesidad de pronósticos precisos crece. Este enfoque híbrido ofrece un camino prometedor, uno que podría salvar vidas y reducir pérdidas económicas. Al mejorar nuestra capacidad para predecir lo impredecible, podemos prepararnos mejor para los desafíos que se avecinan.
Por ahora, el método representa un paso significativo en la ciencia de la predicción de eventos extremos. Es un testimonio del poder de la colaboración interdisciplinaria y el potencial de combinar IA de vanguardia con principios físicos probados por el tiempo.
Este artículo se basa en un informe de Phys.org. Lea el artículo original.
Originally published on phys.org
