Entender las complejas interacciones de los procesos atmosféricos es uno de los mayores retos de la ciencia climática. Un nuevo estudio –en el que ha participado nuestro compañero Fernando Iglesias-Suarez– muestra avances muy prometedores en este sentido, al aplicar aprendizaje automático (machine learning, en inglés, abreviado como ML) para representar la incertidumbre de procesos atmosféricos, un elemento clave pero que se suele subestimar en la modelización climática.
El estudio, titulado “Simulating Atmospheric Processes in Earth System Models and Quantifying Uncertainties With Deep Learning Multi‐Member and Stochastic Parameterizations” (Behrens et al., 2025), presenta una serie de nuevas estrategias de aprendizaje automático para lograr representar con mayor fidelidad procesos como la convección y la turbulencia, que ocurren en escalas demasiado pequeñas como para que las resuelvan los modelos climáticos convencionales.
¿Por qué la estocacidad es importante en los modelos climáticos?
La mayoría de los modelos climáticos que utilizan aprendizaje automático proporcionan predicciones determinísticas. Es decir: de una consecuencia para cada única causa. Sin embargo, muchos procesos atmosféricos son inherentemente estocásticos, por lo que pueden comportarse de maneras diferentes aunque se den condiciones similares. Pasar por alto esta aleatoriedad limita el realismo y la precisión de las simulaciones.
Para ocuparse de este asunto, el equipo a cargo del estudio desarrolló y probó parametrizaciones de aprendizaje automático estocástico, lo que permitió al modelo generar un rango de posibles resultados en vez de una única predicción. Este enfoque de conjunto mejora la representación tanto de los procesos físicos como de la cuantificación de la incertidumbre, clave para obtener unas proyecciones climáticas fidedignas.
Tres enfoques para unas parametrizaciones de aprendizaje automático más certeras
El equipo exploró tres formas distintas de introducir la estocacidad (véase la Fig. 1):
- Monte Carlo Dropout: añadir ruido durante la inferencia para simular la incertidumbre.
- Conjuntos de varios componentes: usar varias redes neuronales entrenadas de manera independiente para mostrar un rango de predicciones.
- Perturbaciones del espacio latente: aprovechar un codificador-decodificador variacional para introducir aleatoriedad controlada en las representaciones internas del modelo.
Entre estas, la estrategia del conjunto de varios componentes mostró resultados especialmente prometedores a la hora de captar el complejo comportamiento de la convección atmosférica y mejoró la simulación de precipitación tropical extrema.
Pruebas en el mundo real (o lo más cerca posible)
El equipo investigador insertó estas nuevas parametrizaciones en un modelo climático de vanguardia usando un marco conocido como “superparametrización”. Por el momento, la integración completa sigue siendo un reto y algunas simulaciones híbridas resultaron inestables al poco de iniciarse. Pero la integración parcial sí permitió cálculos estables de varios meses. Y lo que es más importante, esto permitió mejoras destacadas en áreas específicas, como del ciclo diurno de precipitación global (Fig. 2), comparado con las simulaciones tradicionales.
Compromiso con la innovación en el campo climático
En Predictia, este tipo de empeños forman parte de nuestro objetivo: convertir los avances científicos punteros en soluciones climáticas y meteorológicas prácticas y sencillas de usar. Al incorporar modelos con inteligencia artificial que no se limitan solo a predecir (sino también a representar la incertidumbre de esas proyecciones) nos acercamos más a la consecución de una información climática más útil y fiable.
Las parametrizaciones estocásticas con IA son un paso más hacia una nueva generación de modelos del sistema terrestre que reflejen mejor la naturaleza caótica de la atmósfera. Aparte de un logro científico, esto supone una destacada contribución en el ámbito de los servicios climáticos destinados a las personas responsables de la toma de decisiones.
Si te interesa el tema y quieres más información al respecto, no dudes en ponerte en contacto con nuestro equipo a través de la dirección de correo electrónico predictia@predictia.es.