¿Es posible predecir el “mega diluvio del año”? Lo que dice la ciencia

¿Es posible predecir con exactitud la megatormenta más fuerte del año antes de que ocurra? La ciencia meteorológica actual responde que no. Ni los modelos físicos tradicionales ni los sistemas de inteligencia artificial logran anticipar con precisión los eventos climáticos más extremos, según estudios recientes y datos oficiales de agencias meteorológicas.

La pregunta cobra relevancia porque los fenómenos extremos se vuelven más frecuentes con el cambio climático, y con ellos crece la necesidad de sistemas de alerta temprana confiables. La respuesta corta: los eventos sin precedentes, por definición, quedan fuera del margen de lo que cualquier modelo puede aprender del pasado, por lo que la incertidumbre persiste incluso con la tecnología más avanzada disponible.

El caso japonés como evidencia

Japón ofrece uno de los ejemplos más documentados de esta limitación. La Agencia Meteorológica de Japón reconoció que su sistema de predicción de bandas de lluvia lineales, uno de los fenómenos que genera las tormentas más destructivas del país, acierta solo entre el 30% y el 33% de las veces en pronósticos de corto plazo.

Esa cifra está muy por debajo de la meta oficial fijada en 50%. El sistema, que emite alertas cuando detecta riesgo de formación de estas bandas en un plazo de tres horas, fue evaluado hasta el 30 de agosto: de 53 alertas emitidas, solo 16 se cumplieron.

Los pronósticos con mayor anticipación son todavía menos confiables. Cuando la agencia intenta predecir estos fenómenos con medio día de antelación, a nivel de región amplia, la tasa de acierto cae a un rango de entre 15% y 25%. Esto significa que, de cada cuatro alertas emitidas con ese margen de tiempo, tres terminan siendo falsas alarmas.

Nomura, titular de la Agencia Meteorológica de Japón, admitió en una conferencia de prensa que la precisión de estos pronósticos “no ha mejorado”. La declaración llegó después de que las inundaciones registradas en Chiba y otras regiones del país no fueran anticipadas por el sistema de alertas.

Por qué es un problema técnico difícil de resolver

Las razones detrás de esta limitación son de orden técnico y estructural. La falta de una red de observación suficiente del vapor de agua sobre el mar impide capturar con precisión uno de los insumos clave para anticipar estas tormentas.

A esto se suma la resolución insuficiente de los modelos numéricos actuales, que no logran reproducir de forma completa la dinámica de las nubes cumulonimbus responsables de las precipitaciones más intensas.

Existe además un tercer factor: el fenómeno conocido como “back-building”, por el cual las tormentas se regeneran repetidamente en el mismo punto geográfico. Este proceso introduce un nivel de incertidumbre atmosférica local que los modelos actuales no logran capturar con exactitud.

Qué dice la ciencia sobre inteligencia artificial y modelos físicos

Un estudio liderado por el Instituto Tecnológico de Karlsruhe (KIT) junto a la Universidad de Ginebra, publicado en la revista Science Advances, comparó el desempeño de varios modelos de inteligencia artificial frente al modelo físico tradicional utilizado por el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF).

Los investigadores, encabezados por el doctor Zhongwei Zhang del Instituto de Estadística del KIT, analizaron sistemas de IA como GraphCast, Pangu-Weather y Fuxi, y los enfrentaron al modelo físico de alta resolución HRES del ECMWF.

El resultado fue consistente: en condiciones climáticas promedio, los modelos de IA alcanzan una precisión comparable o incluso superior a la de los modelos físicos clásicos. Pero ante eventos extremos y sin precedentes, esa ventaja se revierte por completo.

Zhang explicó que los modelos de IA “subestiman de forma general la intensidad de los récords de calor, frío y viento”. Agregó que “cuanto mayor es la superación del récord respecto a los datos de entrenamiento, mayor es la subestimación” que comete el sistema.

El estudio evaluó miles de eventos récord de calor, frío y viento registrados en 2018 y 2020. En todos los casos, los modelos de IA no solo subestimaron la intensidad de estos fenómenos, sino también su frecuencia de ocurrencia.

Los propios autores señalaron que la brecha entre el desempeño de la IA y los modelos físicos es más amplia cuando se trata de pronósticos con menor tiempo de anticipación, lo que indica que los sistemas de IA tienen mayor dificultad para predecir eventos que están por ocurrir en el futuro cercano.

La raíz del problema con la inteligencia artificial

La explicación de esta limitación tiene que ver con la forma en que los sistemas de IA aprenden a hacer pronósticos. Estos modelos se entrenan a partir de datos históricos, identificando patrones que se repitieron en el pasado.

El problema surge cuando un evento no tiene precedentes. Al ser inéditos, estos fenómenos caen fuera del rango de lo que el sistema aprendió, y por lo tanto el modelo no cuenta con referencias suficientes para anticiparlos correctamente.

Los modelos físicos tradicionales funcionan de manera distinta: en lugar de basarse en patrones históricos, simulan el comportamiento de la atmósfera a partir de leyes naturales de la física. Esto les permite proyectar escenarios que nunca fueron observados antes, algo que la IA no logra hacer con la misma eficacia.

Sebastian Engelke, coautor del estudio del KIT y la Universidad de Ginebra, resumió la conclusión general de la investigación: “La IA es una herramienta poderosa para el pronóstico del tiempo, pero para los eventos más extremos y de mayor impacto potencial, los modelos basados en física siguen siendo indispensables”.

Pese a las limitaciones detectadas, los investigadores no descartan el uso de la inteligencia artificial en meteorología. Por el contrario, plantearon la necesidad de desarrollar sistemas híbridos que combinen el aprendizaje automático con los modelos físicos tradicionales para mejorar la precisión general de los pronósticos.

Dónde sí funciona la inteligencia artificial

No todos los resultados con IA aplicada al pronóstico del tiempo son negativos. Un equipo de investigadores de la Universidad de Ciencia y Tecnología de Hong Kong (HKUST) desarrolló un modelo capaz de anticipar tormentas convectivas severas, incluyendo lluvias intensas, con hasta cuatro horas de anticipación.

El sistema, desarrollado en colaboración con instituciones meteorológicas nacionales y basado en datos satelitales junto con tecnología de difusión profunda, mejora la precisión de los pronósticos en más de 15% a una escala espacial de 48 kilómetros, en comparación con los sistemas existentes.

Dentro de la ventana de dos a cuatro horas de anticipación, el modelo mostró mejoras de precisión de entre 3% y 16%, con un promedio de 8,26 por ciento. El sistema actualiza sus pronósticos cada 15 minutos aproximadamente y cubre una región de unos 20 millones de kilómetros cuadrados, que incluye China, Corea, el sudeste asiático y zonas circundantes.

Sin embargo, esta ventaja se limita a plazos muy cortos. Los pronósticos tradicionales basados en modelos numéricos suelen alcanzar precisión confiable solo entre 20 minutos y dos horas antes de que ocurra un evento convectivo, debido a la sensibilidad de estos sistemas al caos atmosférico y a las limitaciones en la observación disponible.

Un punto de comparación: los terremotos

A modo de contraste con otros fenómenos naturales de alto impacto, cabe señalar cómo se aborda la predicción sísmica. Ni el Servicio Geológico de Estados Unidos (USGS) ni otras instituciones especializadas pueden anticipar con exactitud la fecha, hora y lugar de un terremoto.

Según se informó, actualmente no existe tecnología capaz de predecir con precisión cuándo ocurrirá un sismo. El monitoreo constante y los modelos de riesgo permiten, en cambio, identificar zonas con alta probabilidad de actividad sísmica, pero sin fijar un momento exacto.