El aprendizaje automático ayuda a reducir drásticamente la incertidumbre sobre el calentamiento futuro

Por qué esto importa para nuestro futuro

Cuando los científicos estiman cuánto se calentará el planeta, el abanico de futuros posibles sigue siendo amplio, y esa incertidumbre condiciona desde la planificación costera hasta las políticas energéticas. Este estudio muestra que técnicas potentes de aprendizaje por ordenador pueden extraer mucha más información del calentamiento que ya hemos observado, reduciendo de forma notable el rango de temperaturas futuras probables. Eso ofrece una guía más clara sobre con qué rapidez podríamos superar objetivos climáticos internacionales clave, como 1,5 °C y 2 °C de calentamiento global.

Mirando más allá de la media global

Hasta ahora, la mayoría de los esfuerzos por refinar las proyecciones de calentamiento futuro se han apoyado en un único número: el aumento de la temperatura media superficial del planeta. Pero el calentamiento global no es uniforme. Algunas regiones, como el Ártico y partes de los trópicos, se están calentando mucho más rápido que otras. Los autores sostienen que estas diferencias geográficas contienen pistas valiosas que se obvian en gran medida cuando nos centramos solo en la media global. Usan una forma de aprendizaje automático para leer el mapa global completo de tendencias de temperatura de los últimos 50 años y conectar esos patrones con la gama de resultados de calentamiento producidos por decenas de modelos climáticos.

Enseñar a una máquina a aprender del calentamiento pasado

El equipo entrena un algoritmo de aprendizaje con simulaciones de muchos modelos climáticos que participaron en un importante proyecto internacional de comparación. Para cada corrida del modelo, introducen el patrón de calentamiento de 1971 a 2020 en cada punto de la malla terrestre y piden al algoritmo que prediga cuánto se calentará el modelo a escala global en tres ventanas temporales futuras: a corto plazo (2021–2040), mediados de siglo (2041–2060) y finales de siglo (2081–2100), bajo varias trayectorias de emisiones. Al repetir esto a lo largo de cientos de simulaciones, el sistema aprende qué partes de los patrones de calentamiento pasados están más estrechamente ligadas al aumento eventual de la temperatura global y cuán fuertes son esos vínculos.

Encontrar regiones clave que moldean el futuro

El sistema de aprendizaje descubre de forma consistente que ciertas regiones influyen mucho más de lo que su tamaño sugiere en la determinación del calentamiento global futuro. Entre ellas están el Ártico, la meseta tibetana, el sur y sureste de Asia, la cuenca del Amazonas y partes de los océanos Índico y Austral. En estas zonas, el calentamiento local tiende a escalar de manera estable con la media global a lo largo del tiempo y de los escenarios, reflejando realimentaciones climáticas fuertes y persistentes, como la pérdida de hielo reflector o cambios en las nubes. El algoritmo asigna de forma natural mayor peso a las celdas de la malla donde los diferentes modelos climáticos están de acuerdo sobre la sensibilidad de las temperaturas, y resta importancia a ubicaciones donde los modelos divergen, como partes del Ártico euroasiático con comportamiento del hielo marino incierto.

Proyecciones más precisas y umbrales más tempranos

Cuando las relaciones aprendidas se aplican a mapas de calentamiento observados reales procedentes de múltiples conjuntos de datos de temperatura, la incertidumbre en el calentamiento global futuro se reduce sustancialmente. En promedio, a través de escenarios y periodos temporales, el método recorta la varianza del error en más del 70% en comparación con las proyecciones de modelos no restringidos; aproximadamente una vez y media la mejora lograda por métodos que solo usan la tendencia media global. Importa especialmente que este enfoque estrecha tanto los extremos altos como los bajos del rango, por lo que es menos probable que sobrestimemos o subestimemos el calentamiento futuro. Para una trayectoria de emisiones de rango medio a alto, utilizada frecuentemente en estudios de impactos, el estudio encuentra que la probabilidad de superar los 2 °C de calentamiento a mediados de siglo aumenta hasta aproximadamente el 80% una vez que se incluye la información espacial, frente a cerca del 70% cuando solo se usa la tendencia media global.

Lo que esto significa para las personas y la planificación

Las proyecciones refinadas no solo ajustan las estimaciones del aumento de la temperatura global; también mejoran los mapas de calentamiento local utilizados en evaluaciones de impacto. En la mayor parte de las zonas terrestres, la dispersión en el calentamiento proyectado para mediados de siglo respecto a hoy disminuye en decenas de por ciento, lo que proporciona estimaciones más precisas para la agricultura, los recursos hídricos, riesgos para la salud y la planificación de infraestructuras. Al mismo tiempo, los límites inferiores elevados subrayan que los umbrales clave del Acuerdo de París probablemente se crucen antes de lo que sugerían algunas estimaciones limitadas previas. En términos prácticos, este trabajo muestra que un uso más inteligente de los registros de temperatura existentes —especialmente en un puñado de regiones climáticamente sensibles— puede afinar de forma notable nuestra imagen del futuro climático y reforzar el argumento a favor de una mitigación y adaptación más rápidas y dirigidas.

Cita: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

Palabras clave: proyecciones de calentamiento global, aprendizaje automático clima, patrones de calentamiento, incertidumbre climática, umbrales del Acuerdo de París