La predicción meteorológica ha vivido un cambio profundo en los últimos años gracias al uso de inteligencia artificial (IA). Lo que antes requería días de cálculos con modelos numéricos ahora puede resolverse en cuestión de minutos, gracias a la capacidad de la IA para aprender de datos históricos y proyectar futuros escenarios. Sin embargo, uno de los mayores desafíos ha sido anticipar eventos extremos poco frecuentes, como olas de calor sin precedentes o lluvias torrenciales que sobrepasan cualquier récord.
Este problema surge porque los modelos de IA suelen entrenarse con apenas unas pocas décadas de datos. Si un evento solo ocurre una vez cada mil años, es muy probable que no aparezca en ese conjunto de datos. Es como intentar predecir una tormenta nunca vista a partir de otoños tranquilos: la IA no tiene memoria de lo imposible. Por eso, investigadores como Pedram Hassanzadeh, de la Universidad de Chicago, están explorando enfoques mixtos que combinan IA con física del clima para resolver esta limitación.
La potencia de un enfoque híbrido
La estrategia más prometedora hasta ahora ha sido fusionar tres componentes: un modelo de IA, un modelo climático tradicional basado en leyes físicas, y una herramienta matemática que analiza eventos raros. Este trío de herramientas permite generar pronósticos más fiables, incluso para situaciones extremas nunca antes vistas.
Un ejemplo revelador lo encontramos en el uso de Pangu-Weather, un modelo de IA desarrollado por Huawei Cloud. Al combinarlo con modelos climáticos clásicos y un análisis estadístico de rarezas meteorológicas, los científicos lograron prever olas de calor en latitudes medias con una precisión sorprendente. La gran ventaja es que este sistema logra resultados similares a los modelos convencionales, pero en mucho menos tiempo.
Lecciones desde el pasado y promesas para el futuro
La dificultad de prever extremos climáticos no es nueva. Casos como la ola de frío en Texas en 2021 o la intensa ola de calor en Moscú en 2010 han demostrado cuán vulnerables pueden ser las sociedades cuando la ciencia del clima no logra anticiparse. Y aunque las computadoras han mejorado, los eventos raros siguen siendo un punto ciego.
Una de las pruebas recientes más destacadas fue el evento de lluvia extrema en Dubái en abril de 2024. En un solo día, cayó más agua que la que normalmente se acumula en un año entero. Un grupo de investigadores liderado por Qiang Sun y Hassanzadeh analizó el evento usando dos modelos de IA, entre ellos GraphCast de Google DeepMind. Lo sorprendente fue que este modelo habría sido capaz de predecir con exactitud la magnitud de la lluvia ocho días antes del evento. Esto representa una ventaja significativa en términos de preparación y respuesta ante desastres.
Obstáculos aún por superar
Sin embargo, no todos los modelos funcionan igual de bien. El modelo FourCastNet de NVIDIA, por ejemplo, tuvo dificultades para anticipar ciclones tropicales de gran intensidad cuando no había ejemplos similares en su base de datos de entrenamiento. Esta debilidad pone en evidencia que la IA, por sí sola, todavía no está lista para reemplazar completamente a los enfoques tradicionales.
A pesar de ello, surgieron indicios alentadores. Aunque FourCastNet falló en predecir algunos eventos extremos, demostró una capacidad interesante para aprender de patrones en una región del planeta y aplicarlos a otra. Por ejemplo, ciclones en el Atlántico sirvieron de base para mejorar predicciones en el Pacífico. Este tipo de «transferencia de aprendizaje» podría abrir la puerta a mejoras globales en los pronósticos.
Aplicaciones prácticas y potencial transformador
Este enfoque híbrido no solo mejora la precisión, sino que también permite tomar decisiones más rápidas y mejor informadas. Imaginemos una ciudad costera que, gracias a un modelo de este tipo, se entera con una semana de anticipación que una ola de calor peligrosa está por llegar. Esto le permitiría preparar sus hospitales, reforzar servicios de emergencia y lanzar campañas de prevención. La IA podría convertirse en una especie de «alarma temprana» potenciada por la ciencia.
Para los responsables de formular políticas públicas, estas herramientas representan una forma de reducir el riesgo sin necesidad de esperar a que ocurra un desastre. Aunque el cambio climático seguirá empujando los límites de lo que consideramos normal, tener sistemas que anticipen lo inesperado podría marcar la diferencia entre una crisis manejable y una catástrofe.
Colaboración internacional e intercambio de modelos
El desarrollo de estos sistemas no está ocurriendo de forma aislada. Google DeepMind, Huawei Cloud y NVIDIA, junto con universidades como Boston y Chicago, están participando activamente en una carrera colaborativa. A diferencia de otras áreas tecnológicas donde la competencia prima, en este caso hay un esfuerzo visible por compartir modelos y datos, lo que acelera el progreso general.
Conferencias como la reunión de la American Geophysical Union sirven como punto de encuentro para estos equipos, donde se comparten resultados preliminares y se ajustan metodologías. El objetivo común es claro: lograr predicciones más rápidas, más precisas y adaptables a un clima que ya no se comporta como lo hacía antes.