🤖 machine learning

Deep Clustering for Climate: Analyzing Teleconnections through Learned Categorical States

Este trabajo explora el uso de redes siamesas enmascaradas para discretizar series temporales climáticas en estados categóricos significativos, demostrando que estas representaciones permiten identificar regímenes climáticos útiles y su asociación estadística con eventos de El Niño.

Autores originales: Lívia Meinhardt, Dário Oliveira

Publicado 2026-04-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Lívia Meinhardt, Dário Oliveira

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El "Traductor de Climas": Cómo la Inteligencia Artificial nos ayuda a entender el caos del tiempo

Imagina que intentas entender la personalidad de una persona observando miles de datos: su ritmo cardíaco, su temperatura, lo que come, cuántas horas duerme y qué gestos hace cada segundo. Es tanta información que es imposible ver "quién es" esa persona; solo ves un caos de números.

El clima es igual. Los científicos tienen montañas de datos sobre la temperatura de cada rincón del planeta, pero es como intentar leer un libro donde cada letra cambia de color y de forma cada milisegundo. Es un ruido constante.

¿Qué hicieron los investigadores de la FGV EMAp?

En lugar de intentar analizar cada pequeño cambio de temperatura, crearon una Inteligencia Artificial (IA) que actúa como un "traductor de estados de ánimo" para el clima.

1. La analogía de las "Etiquetas de Emociones" (Clustering)

Imagina que en lugar de registrar cada vez que alguien sonríe o frunce el ceño (datos crudos), decides crear categorías: "Estado Alegre", "Estado Melancólico", "Estado Enojado" o "Estado Relajado".

Los investigadores usaron una técnica llamada Deep Clustering. La IA miró los datos de temperatura del Cerrado brasileño (una región de sabanas) y, sin que nadie le dijera qué buscar, empezó a agrupar los días en "paquetes" o regímenes.

En lugar de decir: "Hoy la temperatura mínima fue de 18.4°C y la máxima de 30.2°C", la IA ahora puede decir: "Hoy el clima está en el 'Estado de Calor Extremo' o "Hoy estamos en el 'Estado de Frescor Invernal'". Esto convierte un caos de números en una secuencia de etiquetas fáciles de entender, como si estuviéramos leyendo la historia del clima en un diario de emociones.

2. El "Efecto Dominó" de El Niño (Teleconexiones)

Una de las partes más emocionantes es cómo esta IA detectó la influencia de El Niño.

Piensa en El Niño como un gran director de orquesta que está muy lejos (en el Océano Pacífico), pero que, cuando mueve su batuta, hace que los músicos de Brasil cambien su ritmo.

Gracias a estas "etiquetas de emociones" que creó la IA, los científicos descubrieron algo fascinante:

No es un cambio al azar: El Niño no solo hace que haga "más calor". La IA mostró que El Niño hace que ciertos "estados de ánimo" del clima aparezcan más seguido y otros desaparezcan.
Es un baile con ritmo (Lags): El efecto de El Niño no es instantáneo. Es como una onda en un estanque: primero llega una pequeña perturbación, luego el golpe fuerte y finalmente la onda se desvanece. La IA pudo mapear exactamente cuánto tiempo tarda el "humor" del clima en cambiar después de que El Niño aparece.
Se está volviendo más intenso: El estudio notó que, en las últimas décadas, estos cambios de "estado de ánimo" causados por El Niño son mucho más marcados y frecuentes que antes. Es como si el director de la orquesta estuviera golpeando la batuta con cada vez más fuerza.

¿Para qué sirve esto en la vida real?

Si podemos traducir el clima complejo a un lenguaje de "estados" simples, podemos:

Predecir mejor: Si sabemos que estamos entrando en un "Estado de Calor Extremo" que suele durar tres meses, los agricultores pueden prepararse.
Entender el cambio climático: Podemos ver si los "estados de ánimo" del planeta se están volviendo más erráticos o extremos.
Simplificar la ciencia: En lugar de pelearse con billones de datos, los científicos pueden trabajar con un "mapa de estados" mucho más claro para tomar decisiones sobre incendios, agricultura o salud pública.

En resumen: Los investigadores han creado un filtro inteligente que limpia el ruido del clima y nos entrega una historia clara y organizada, permitiéndonos ver cómo los grandes fenómenos del océano dictan el ritmo de la vida en la tierra.

1. El Problema

El análisis de la variabilidad climática es fundamental para la ciencia y la predicción, pero presenta desafíos significativos debido a que los datos climáticos brutos (como mapas de temperatura) son altamente ruidosos y poseen dependencias no lineales complejas. Identificar "regímenes climáticos" (estados estables y significativos del clima) de forma automática es difícil mediante métodos estadísticos tradicionales. El problema central es cómo discretizar series temporales climáticas continuas en estados categóricos que sean semánticamente ricos, físicamente interpretables y útiles para analizar teleconexiones (como la influencia de El Niño).

2. Metodología

Los autores proponen un marco de aprendizaje de representaciones y agrupamiento (clustering) conjunto utilizando Masked Siamese Networks (MSN).

Arquitectura: Utilizan un codificador Vision Transformer (ViT-Small) modificado para procesar canales de temperatura (mínima y máxima).
Aprendizaje Autosupervisado (MSN): El modelo aprende mediante el emparejamiento de dos vistas de la misma entrada:
- Vista objetivo (target view): Un recorte grande que cubre la mayor parte de la región.
- Vista ancla (anchor view): Recortes más pequeños donde se aplica un enmascaramiento aleatorio (15% de la cuadrícula).
Discretización mediante Prototipos: En lugar de un espacio latente continuo, el modelo utiliza $K=30$ prototipos aprendibles. La probabilidad de que una representación pertenezca a un prototipo se calcula mediante una función softmax con temperatura controlada.
Objetivo de entrenamiento: Se minimiza la entropía cruzada entre las predicciones de la vista ancla y las etiquetas pseudo-etiquetas de la vista objetivo. Se incluye una regularización de Maximización de Entropía Media (ME-MAX) para evitar el colapso de los clusters y asegurar que se utilicen todos los prototipos.
Inferencia: El codificador ancla se descarta y se utiliza el codificador objetivo para mapear datos completos a una secuencia determinista de estados categóricos $S = (k^*_1, k^*_2, \dots, k^*_T)$ .

3. Contribuciones Clave

Discretización Autosupervisada: Un método para convertir campos climáticos de alta dimensión en secuencias categóricas compactas sin necesidad de etiquetas manuales.
Identificación de Regímenes Físicos: Demostración de que los clusters aprendidos no son arbitrarios, sino que capturan la estacionalidad y las anomalías térmicas (extremos de calor y frío).
Análisis de Teleconexiones: Un marco para estudiar cómo fenómenos de gran escala (ENSO/El Niño) redistribuyen la probabilidad de ocurrencia de estos regímenes climáticos a través del tiempo y las estaciones.

4. Resultados Principales

El estudio se centró en el Cerrado brasileño utilizando datos de temperatura (Tmin y Tmax) de 1961 a 2024.

Caracterización de Regímenes: Los 30 clusters aprendidos muestran una organización estacional clara y diferencias térmicas significativas. Los clusters no solo difieren en su media, sino que separan distintos cuantiles de la distribución de temperatura (capturando extremos).
Impacto de ENSO (El Niño):
- Sensibilidad: El fenómeno El Niño altera drásticamente la frecuencia de ciertos clusters. Los clusters 2 (asociado a extremos de calor máximo) y 22 (asociado a un calentamiento persistente de temperaturas mínimas) son los más sensibles.
- Estructura de Retraso (Lagged structure): La respuesta de los regímenes no es instantánea. El análisis muestra que diferentes clusters alcanzan su pico de anomalía en distintos momentos del ciclo de El Niño, permitiendo identificar señales precursoras o retardadas.
- Modulación Estacional: El efecto de El Niño está "filtrado" por la estación del año; el fenómeno modifica el ciclo anual de los regímenes en lugar de simplemente aumentar el calor de forma uniforme.
Evolución Temporal: Se observó que los regímenes sensibles a El Niño (especialmente el cluster 22) se han vuelto más frecuentes y persistentes en las últimas décadas, sugiriendo una teleconexión no estacionaria que se intensifica con el tiempo.

5. Significancia

Este trabajo demuestra que el aprendizaje de representaciones profundas puede actuar como un "puente" entre los datos climáticos brutos y el análisis científico interpretable. Al convertir datos complejos en estados discretos, se facilita el estudio de la dinámica climática regional y la transición entre estados. El enfoque abre la puerta a integrar más variables (precipitación, humedad) y a aplicar estas representaciones en la evaluación de riesgos climáticos, como la agricultura o el riesgo de incendios.