Cómo pronosticar mejor los fenómenos meteorológicos que ocurren una vez cada milenio: Los "cisnes negros" del tiempo

Los modelos tradicionales basados en supercomputadoras pueden predecir estos eventos, pero requieren mucho tiempo y energía. Por otro lado, los modelos de predicción más recientes, basados en inteligencia artificial, son eficaces para las predicciones diarias, pero a menudo no logran predecir eventos atípicos que no estaban representados en sus datos de entrenamiento.

«Los modelos meteorológicos y climáticos basados en IA son uno de los grandes logros de la inteligencia artificial en la ciencia, pero no son milagrosos: fallan con los cisnes grises, los eventos más raros y extremos», afirmó Pedram Hassanzadeh, profesor asociado de ciencias geofísicas de la Universidad de Chicago. «Los modelos detallados basados en la física pueden capturar los extremos, pero requieren cantidades prohibitivas de tiempo y energía».

Un equipo internacional de investigadores de Estados Unidos y Francia, codirigido por miembros del Grupo de Teoría y Datos sobre Extremos Climáticos de Hassanzadeh, ha desarrollado un nuevo método híbrido, publicado en Physical Review Letters, para resolver el problema.

Su solución combina la eficiencia de las herramientas de IA con la fiabilidad de los modelos tradicionales para ayudar a predecir la probabilidad de eventos poco frecuentes de forma rápida y precisa, utilizando muchos menos recursos.

“La ventaja de este método”, dijo Hassanzadeh, “es que combina las fortalezas de la IA y la física tradicional, y es particularmente eficaz para eventos extremos, que son los más difíciles de simular y los que tienen mayor impacto social”.

Las estadísticas de eventos raros

Las olas de calor son una de las formas más letales de clima extremo. En 2003, una ola de calor causó aproximadamente 70 000 muertes en Europa, y Rusia sufrió 56 000 muertes en 2010. El pasado mes de junio de 2026, casi la mitad de Estados Unidos —unos 180 millones de personas— experimentó temperaturas peligrosas.

Estas oleadas son cada vez más frecuentes y severas, pero la naturaleza de los eventos atípicos dificulta su estudio y hace que predecirlos sea todo un reto.

La predicción meteorológica se ha basado tradicionalmente en modelos climáticos y meteorológicos fundamentados en la física. Estos modelos nos ayudan a comprender cómo diferentes condiciones, como la presión atmosférica, pueden afectar la temperatura y otras variables a lo largo del tiempo. Calculan diversos escenarios potenciales que los investigadores utilizan para determinar qué es lo más probable que ocurra en la realidad.

El problema es el siguiente: si quieres saber la probabilidad de que Chicago alcance los 30 °C en julio —algo bastante común—, no necesitarías realizar muchas simulaciones antes de obtener esa temperatura. Pero si quieres saber la probabilidad de que alcance los 40 °C, tendrás que intentarlo muchas más veces antes de ver ese extremo. Realizar tantas simulaciones requiere mucho tiempo y potencia de cálculo.

Los investigadores pueden mitigar el problema utilizando una técnica estadística llamada muestreo de eventos raros (RES, por sus siglas en inglés), que acelera el proceso al puntuar las condiciones para que el modelo climático pueda centrarse solo en las más prometedoras e ignorar el resto. Sin embargo, el muestreo de eventos raros no funciona bien para eventos de corta duración, como olas de calor de una semana, sino para una temporada completa que en general es inusualmente cálida.

Para abordar este problema, el equipo ideó un nuevo método llamado AI+RES, que mejora el mecanismo de puntuación al añadir la capacidad de la IA para predecir qué condiciones tienen más probabilidades de provocar extremos más cortos y de rápido desarrollo.

“Tras repetir este proceso de forma iterativa, se llega a un conjunto de simulaciones que sí capturan el evento extremo poco frecuente que nos interesa”, explicó Alexander Wikner, investigador postdoctoral de Schmidt AI in Science en el grupo de Hassanzadeh y coautor principal del estudio. “Cuantas más simulaciones se obtengan, mejor se podrá estimar la probabilidad de dicho evento, lo que en última instancia proporciona mucha más certeza”.

Para probar el método, el equipo realizó 50 000 simulaciones utilizando un modelo climático tradicional para predecir olas de calor en zonas de Francia y el medio oeste de Estados Unidos. Su nuevo método AI+RES arrojó resultados prácticamente idénticos utilizando una centésima parte de las simulaciones.

Dado que este trabajo era una prueba de concepto, utilizaron un modelo que no tenía en cuenta el cambio climático, lo que añade un nivel adicional de complejidad. Los investigadores esperan probar su método con modelos que se ejecuten bajo diferentes escenarios de cambio climático para ver cómo podrían variar los resultados a medida que el planeta se calienta.

Wikner señala que el método también podría ayudar a generar conjuntos de datos de eventos poco frecuentes para entrenar modelos de IA aún mejores, lo que a su vez aceleraría aún más su método.

Aplicación a otros fenómenos extremos y raros

Según los científicos, el método híbrido podría aplicarse a otros fenómenos meteorológicos extremos, como ciclones tropicales o precipitaciones extremas.

«Lo que me gusta de este marco», dijo Hassanzadeh, «es que está listo para escalarse. Ya existen modelos de IA entrenados con observaciones meteorológicas reales que están en uso, por lo que el siguiente paso es conectar un modelo numérico de predicción meteorológica o climática de última generación a uno de ellos mediante este algoritmo».

“Combina las ventajas de la IA y la física tradicional, y resulta especialmente eficaz para los fenómenos extremos, que son los más difíciles de simular y los que tienen mayor impacto social.”

Esto proporcionaría a quienes toman las decisiones acceso a la información precisa que necesitan, como la frecuencia de tormentas intensas y olas de calor en el clima actual y futuro, a escalas regionales, como por ejemplo, específicamente en Texas, Florida o California.

“Este es precisamente el tipo de información que los gobiernos federales, estatales y locales necesitan como primer paso para la planificación de la adaptación y mitigación del cambio climático”, añadió Hassanzadeh. “Es muy alentador que podamos ampliar esto a modelos reales que proporcionen directamente dicha información al público y a los responsables políticos”.

Fuente: Universidad de Chicago