🔬 physics

Probabilistic Deep Learning for Drought Forecasting: Role of Internal Climate Variability

Este artículo propone un marco de aprendizaje profundo probabilístico para el pronóstico de sequías en Europa que incorpora explícitamente la variabilidad climática interna de grandes conjuntos de modelos para generar límites de sequía mejor calibrados y con aversión al riesgo, particularmente durante condiciones anomalamente secas donde los métodos tradicionales basados en reanálisis subestiman el riesgo de la cola inferior.

Autores originales: Henri Funk, Cornelia Gruber, Göran Kauermann, Helmut Küchenhoff, Magdalena Mittermeier

Publicado 2026-08-04

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Henri Funk, Cornelia Gruber, Göran Kauermann, Helmut Küchenhoff, Magdalena Mittermeier

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

Imagina intentar predecir el clima para el próximo mes. Es como intentar adivinar el resultado de un juego de dados donde los propios dados son ligeramente tambaleantes, la mesa está vibrando y las reglas cambian dependiendo de la estación. Este es el mundo de la ciencia climática, específicamente el complicado negocio de pronosticar las sequías. Las sequías no se tratan solo de "falta de lluvia"; son una danza compleja entre cuánta agua cae del cielo, cuánta se evapora en el aire y cuánto retiene la humedad la tierra. Los científicos saben desde hace tiempo que, incluso si conociéramos las reglas exactas del juego, hay una parte del clima que es simplemente caótica por naturaleza—como el rebote aleatorio de una pelota. Esto se llama "variabilidad interna". Es el propio temblor aleatorio del sistema climático, que puede hacer que una región sea húmeda o seca sin otra razón que la pura suerte del sorteo.

¿Por qué es esto importante? Porque si eres un agricultor planificando tus cultivos, un gestor municipal preparándose para la escasez de agua, o un propietario preocupado por los incendios forestales, necesitas saber no solo el futuro "promedio", sino también los escenarios de peor caso. Si un pronóstico dice "podría estar un poco seco", eso no es suficiente. Necesitas saber: "¿Qué tan seco podría volverse plausiblemente si los dados del clima salen realmente mal?". Durante mucho tiempo, los modelos informáticos que se utilizaban para predecir estos riesgos trataban ese temblor aleatorio como un simple ruido que debía ignorarse, o intentaban adivinar el peor caso mirando únicamente lo que sucedió en el pasado. Pero el pasado podría no tener las respuestas para un futuro que está cambiando.

Este artículo es como un equipo de detectives que decidió dejar de adivinar y empezar a usar un truco superinteligente para ver el futuro con más claridad. Construyeron una nueva clase de "bola de cristal" para las sequías en Europa utilizando un tipo de inteligencia artificial llamada aprendizaje profundo. Pero aquí está el giro: no dejaron que la IA simplemente adivinara; la alimentaron con una biblioteca masiva de escenarios de "qué pasaría si" generados por un gigante simulador climático. Piensa en ello como pedir a 50 expertos climáticos diferentes que imaginen los próximos años, todos comenzando con las mismas reglas pero lanzando sus propios dados. Al comparar todos estos 50 futuros imaginarios, el equipo pudo finalmente ver la forma del propio "temblor aleatorio". Descubrieron que, al usar este grupo de 50 simulaciones, podían trazar una "línea de peligro" mucho más segura y realista para las sequías. Esta línea nos dice qué tan malo podría ponerse todo si la aleatoriedad natural del clima se pone en nuestra contra. ¿El resultado? Un sistema de alerta que no solo dice "podría estar seco", sino que dice: "Aquí está lo peor que podría pasar plausiblemente, y estamos preparados para ello".

La historia de los "dados tambaleantes" y las 50 bolas de cristal

Los autores de este estudio, Henri Funk y su equipo de Múnich, Alemania, se propusieron resolver un problema frustrante: predecir las sequías es difícil porque el clima está lleno de sorpresas. Incluso si conocemos el panorama general, como el calentamiento global, el sistema climático tiene sus propios "tambaleos" internos (variabilidad interna) que pueden hacer que una región sea seca o húmeda de formas difíciles de predecir. Si solo miras los registros históricos (el pasado), podrías perderte estos cambios bruscos, especialmente cuando el clima está cambiando.

La vieja forma vs. El nuevo truco
Tradicionalmente, los científicos han intentado predecir las sequías observando el pasado. Toman un largo historial de datos meteorológicos y entrenan a una computadora para detectar patrones. Es como aprender a conducir mirando solo un mapa de por dónde has conducido antes. El problema es que, si la carretera cambia o el coche se comporta de manera diferente, el mapa antiguo no ayuda. En este estudio, el equipo demostró que confiar únicamente en el pasado (específicamente, un conjunto de datos llamado ERA5-Land) conduce a una falsa sensación de seguridad. Cuando probaron sus predicciones de estilo antiguo contra los años secos de 2020–2024, las "líneas de peligro" que trazaron eran demasiado altas. Perdieron una gran parte de los eventos realmente secos. Era como si estuvieran advirtiendo a la gente sobre una llovizna ligera cuando en realidad se avecinaba una tormenta.

Para solucionar esto, el equipo introdujo un nuevo ingrediente: un "Gran Conjunto" (Large Ensemble). Imagina que tienes un simulador climático en una supercomputadora. En lugar de ejecutarlo una vez para obtener un solo futuro, lo ejecutaron 50 veces. Cada ejecución comenzó con las mismas reglas y la misma física, pero ajustaron las condiciones iniciales de forma mínima, como lanzando un dado 50 veces. Debido a que las reglas eran las mismas, cualquier diferencia entre los 50 resultados tenía que ser causada por ese "tambaleo" natural y aleatorio del sistema climático.

La IA y el Conjunto
El equipo utilizó un modelo de IA sofisticado llamado "Transformer de Fusión Temporal" (TFT). Piensa en esta IA como un estudiante muy inteligente que ha estudiado la historia del clima de Europa durante 50 años. Aprendió a predecir el balance hídrico (lluvia menos evaporación) para el próximo mes basándose en factores como las temperaturas del mar, la presión atmosférica y la época del año.

Pero la IA por sí sola no podía ver el panorama completo de los "tambaleos". Así que el equipo hizo algo ingenioso. Tomaron su IA entrenada y le pidieron que hiciera predicciones para todas las 50 de esas simulaciones climáticas de "qué pasaría si".

El Centro: La IA dio un pronóstico de "mejor estimación" basado en datos históricos reales.
La Dispersión: Al observar cómo diferían las 50 simulaciones entre sí, el equipo pudo medir exactamente cuánto "tambalea" el clima por su cuenta.

Luego combinaron estas dos cosas. Tomaron la mejor estimación de la IA y le añadieron un "margen de seguridad" basado en la dispersión de las 50 simulaciones. Esto creó un nuevo "límite inferior": una línea en el gráfico que dice: "Incluso si los dados del clima salen realmente mal, es poco probable que empeore de esto".

Lo que encontraron
Los resultados fueron reveladores. Cuando probaron este nuevo método contra los años secos de 2020–2024, el método antiguo (mirando solo el pasado) falló estrepitosamente. En algunas regiones, como los Alpes y Francia, el método antiguo perdió casi la mitad de los eventos de sequía. Era como una aplicación del clima que decía "soleado" mientras estaba cayendo un aguacero.

El nuevo método, utilizando las 50 simulaciones, fue mucho mejor.

Mejor Cobertura: En la mayor parte de Europa, la nueva "línea de peligro" capturó los eventos secos con mucha más precisión. Por ejemplo, en el Mediterráneo y la Península Ibérica, detectó casi todas las sequías y sequías extremas.
La Realidad "Tambaleante": El estudio demostró que la aleatoriedad natural del clima es algo real y medible que se puede predecir. Al tratar esta aleatoriedad como una característica en lugar de un error, pudieron crear un pronóstico que es "consciente del riesgo".
Donde tuvo dificultades: El nuevo método no fue perfecto en todas partes. En los Alpes, la resolución del modelo computacional (qué tan detallado era el mapa) era demasiado gruesa para ver los patrones climáticos montañosos pequeños y complejos. En esos puntos específicos, el nuevo método todavía perdió algunas sequías extremas, aunque seguía siendo mejor que el método antiguo.

Por qué esto es importante
El artículo sugiere que debemos dejar de tratar la aleatoriedad natural del clima como simple "ruido" para ser ignorado. En cambio, debemos tratarla como una cantidad de pronóstico por derecho propio. Al utilizar grandes grupos de simulaciones (conjuntos), podemos transferir la física de la variabilidad climática a nuestros modelos de aprendizaje automático. Esto nos da un pronóstico "conservador": uno que es un poco más cauteloso y preparado para lo peor.

Los autores advierten cuidadosamente que esto es una "prueba de concepto". Demostraron que esto funciona para Europa utilizando datos de 2020 a 2024. No afirmaron haber resuelto la predicción de sequías para siempre, pero demostraron que mirar 50 futuros de "qué pasaría si" nos da una visión mucho más clara del peligro que mirar solo un pasado. Es un cambio de adivinar el futuro a comprender todo el rango de posibilidades, asegurando que, cuando los dados del clima se pongan en nuestra contra, no nos pille desprevenidos.

Resumen Técnico: Aprendizaje Profundo Probabilístico para el Pronóstico de Sequías

Planteamiento del Problema
El pronóstico de sequías es crítico para la gestión de los recursos hídricos, la agricultura y la adaptación climática, pero sigue siendo inherentemente incierto debido al complejo acoplamiento de los procesos tierra-atmósfera y los patrones de circulación a gran escala. Un desafío primordial es la variabilidad climática interna, que genera fluctuaciones en la precipitación y la temperatura independientes del forzamiento externo. Esta variabilidad limita la predictibilidad regional y suele ser tratada como ruido no estructurado o subestimada en los sistemas de pronóstico actuales. Los enfoques tradicionales de aprendizaje automático para la predicción de sequías, aunque efectivos para capturar relaciones no lineales, suelen derivar la incertidumbre predictiva únicamente de los registros de reanálisis históricos. Este enfoque no logra representar explícitamente el rango completo de resultados hidrometeorológicos plausibles impulsados por la variabilidad interna, particularmente bajo condiciones climáticas cambiantes donde los registros históricos pueden no capturar la severidad de los futuros extremos.

Metodología
Los autores proponen un marco híbrido de aprendizaje profundo que integra un modelo de pronóstico basado en datos con una estimación basada en conjuntos (ensembles) de la variabilidad interna. El flujo de trabajo consta de tres componentes principales:

Modelo de Pronóstico (Transformador de Fusión Temporal):
- Se entrena un Transformador de Fusión Temporal (TFT, por sus siglas en inglés) utilizando datos de reanálisis ERA5-Land (1970–2019) para predecir el balance hídrico mensual (precipitación menos evapotranspiración potencial) con un mes de antelación.
- Las entradas incluyen valores objetivo históricos, variables meteorológicas (precipitación, temperatura, presión), grandes variables predictoras regionales (por ejemplo, el índice de la Oscilación del Atlántico Norte, temperaturas de la superficie del mar del Mediterráneo) y covariables estáticas (elevación, coordenadas).
- El modelo produce un pronóstico central ( $\hat{\mu}$ ) que representa la trayectoria esperada del balance hídrico.
Cuantificación de la Incertidumbre mediante Grandes Conjuntos (Large Ensembles):
- Para capturar la variabilidad interna, el TFT entrenado se aplica a 50 miembros del Gran Conjunto del Modelo Climático Regional Canadiense (CRCM5-LE). Todos los miembros comparten la misma física y forzamiento externo, pero difieren en las condiciones iniciales, proporcionando 50 trayectorias climáticas independientes e igualmente plausibles.
- El método aísla la variabilidad interna no explicada calculando el error residual entre el verdadero balance hídrico del CRCM5-LE y el pronóstico del TFT para cada miembro del conjunto.
- Mediante el cálculo de las diferencias por pares de estos residuales, se elimina el sesgo sistemático (inducido por la aplicación de un modelo entrenado con reanálisis a datos de conjunto), dejando una estimación robusta de la variabilidad interna estocástica ( $\hat{\sigma}$ ).
- Esta variabilidad se modela como una función suave de espacio y tiempo.
Límites de Sequía Orientados al Riesgo:
- El pronóstico central se combina con la variabilidad derivada del conjunto para construir un límite de predicción de la cola inferior: $\hat{\mu}_{LE}^{\alpha} = \hat{\mu} - z_{1-\alpha} \cdot \hat{\sigma}$ .
- Tanto el pronóstico central como el límite inferior se transforman en el Índice de Precipitación-Evapotranspiración Estandarizado (SPEI-1) para su evaluación.
- Esto se compara con un límite inferior de referencia derivado directamente de las estimaciones de cuantiles del TFT entrenado únicamente con la trayectoria única de ERA5-Land.

Contribuciones Clave

Desarrollo de Marco: El estudio presenta un marco de pronóstico de sequías europeo con un mes de antelación que incorpora explícitamente la variabilidad climática interna en las predicciones de aprendizaje automático.
Incertidumbre Informada por Conjuntos: Demuestra que las simulaciones de grandes conjuntos pueden utilizarse para cuantificar la variabilidad interna espacio-temporal que los algoritmos de aprendizaje profundo no pueden aprender de un único registro histórico.
Calibración de la Cola Inferior Mejorada: El artículo introduce una trayectoria de cola inferior "físicamente plausible" que sirve como una referencia conservadora y de gestión de riesgos, mostrando una calibración superior a los límites basados solo en reanálisis, especialmente durante períodos anomalamente secos.

Resultados
El marco fue evaluado en un período de prueba fuera de la muestra (2020–2024) en ocho regiones europeas y cuatro estaciones.

Habilidad de Pronóstico: El error absoluto medio (MAE) para el pronóstico central osciló entre 0.42 (Península Ibérica) y 1.11 (Alpes). El rendimiento fue generalmente menor en regiones con orografía compleja (Alpes) o una fuerte dependencia de patrones de circulación más allá del índice NAO (Islas Británicas).
Calibración de la Incertidumbre:
- Límite de Reanálisis: El límite inferior derivado únicamente de ERA5-Land estuvo mal calibrado, ya que los valores observados de SPEI-1 cayeron por debajo del límite nominal del 10% con mucha más frecuencia de lo esperado (por ejemplo, 46.67% en los Alpes, 30.3% en el promedio paneuropeo). No logró capturar la mayoría de los eventos de sequía y sequía extrema durante el período 2020–2024.
- Límite de Conjunto: El límite informado por el conjunto estuvo significativamente mejor calibrado. En la mayoría de las regiones, el porcentaje de observaciones que caen por debajo del límite del 10% estuvo más cerca del nivel nominal (por ejemplo, 13.33% en Francia frente al 43.33% del reanálisis).
- Eventos Extremos: Durante las sequías de 2020–2024, el límite de reanálisis no detectó el 74.2% de los eventos de sequía y el 90.3% de los eventos de sequía extrema. El límite de conjunto redujo estas tasas de falla, capturando una mayor proporción de eventos extremos, aunque todavía tuvo dificultades en terrenos complejos como los Alpes, donde la resolución de 12 km no logra resolver la variabilidad orográfica local.
Desempeño Estacional: El límite de conjunto mostró la mayor mejora en invierno (11.8% de excedencia) y verano (24.3% de excedencia), mientras que el límite de reanálisis subestimó consistentemente el riesgo en todas las estaciones.

Significancia y Afirmaciones
El artículo sostiene que la variabilidad interna debe tratarse como una cantidad de pronóstico por derecho propio y no como ruido irreducible. La principal significancia es conceptual y práctica: al utilizar los grandes conjuntos no como observaciones directas, sino como un mecanismo para aprender la escala y la estructura de la variabilidad interna, el marco transfiere la variabilidad climática físicamente plausible a los pronósticos de aprendizaje automático.

Los autores afirman que este enfoque produce límites conscientes del riesgo que son más informativos para la evaluación de sequías bajo condiciones climáticas cambiantes, particularmente cuando los datos históricos por sí solos subestiman el riesgo de la cola inferior. El estudio proporciona una prueba de concepto retrospectiva para la evaluación de sequías consciente de la incertidumbre y un marco transferible para el pronóstico consciente de la variabilidad climática, aunque reconoce limitaciones en regiones con topografía compleja donde la resolución del conjunto es insuficiente.

La historia de los "dados tambaleantes" y las 50 bolas de cristal

Resumen Técnico: Aprendizaje Profundo Probabilístico para el Pronóstico de Sequías

Más como este