Un enfoque de aprendizaje automático para la extensión de la anomalía de almacenamiento total de agua hasta 1980 (ML-TWiX)

Por qué importan los cambios de agua a largo plazo

La cantidad de agua almacenada en tierra —en el suelo, la nieve, los ríos, los lagos y el subsuelo— cambia de mes a mes y de década a década. Estos cambios afectan las sequías, las inundaciones, la producción de alimentos e incluso el nivel global del mar. Los satélites nos han brindado una vista planetaria potente de estas variaciones solo desde principios de los años 2000, un período demasiado corto para comprender completamente los patrones climáticos a largo plazo. Este estudio presenta ML-TWiX, una reconstrucción basada en aprendizaje automático que prolonga nuestro registro global de cambios en el almacenamiento de agua en tierra hasta 1980, ayudando a científicos y responsables a observar tendencias multidecádicas en el ciclo del agua de la Tierra.

Ver el agua oculta desde el espacio

Los satélites de las misiones GRACE y GRACE Follow-On no ven el agua directamente. En cambio, miden cambios minúsculos en la gravedad de la Tierra causados por el movimiento del agua alrededor del planeta. A partir de esas variaciones gravitacionales, los científicos deducen «anomalías del almacenamiento total de agua»: cuánto difiere la cantidad de agua almacenada en tierra respecto a su promedio a largo plazo. Estos datos han transformado nuestro entendimiento del agotamiento de los acuíferos, las sequías persistentes, las inundaciones en cuencas fluviales y las contribuciones del agua terrestre al aumento del nivel del mar. Pero las observaciones al estilo GRACE cubren solo unas dos décadas, dejando un registro demasiado corto para detectar con solidez tendencias climáticas lentas o para comparar los extremos actuales con los del pasado reciente.

Enseñar a las máquinas a aprender de los modelos

Para ir más allá de lo que los satélites pueden ofrecer por sí solos, los autores recurren al aprendizaje automático. Muchos modelos por ordenador ya simulan cómo se mueve y almacena el agua en tierra, pero cada modelo tiene puntos ciegos: algunos representan bien la nieve pero pasan por alto las aguas subterráneas, otros incluyen el uso humano del agua pero simplifican los ríos, y así sucesivamente. ML-TWiX toma las salidas de trece de esos modelos globales, que cubren 1980–2012, y utiliza las observaciones de GRACE durante 2002–2012 como objetivo de entrenamiento. Tres algoritmos de aprendizaje distintos —Random Forest, XGBoost y Regresión de Procesos Gaussianos— se entrenan, celda por celda de la malla, para aprender a combinar los modelos de modo que su salida conjunta coincida con lo que GRACE realmente observó cuando estaba en órbita.

Construir una imagen más sólida combinando muchas perspectivas

En lugar de confiar en una única técnica, ML-TWiX utiliza un enfoque de ensamblado. Cada uno de los tres métodos de aprendizaje automático se entrena varias veces con configuraciones ligeramente diferentes y luego se promedian todas sus predicciones. Esta agregación reduce el impacto de las peculiaridades de cualquier modelo individual y hace que el producto final sea más robusto en climas que van desde los trópicos húmedos hasta los desiertos secos y las latitudes altas dominadas por la nieve. De manera importante, también se registra la dispersión entre los miembros del ensamblado, proporcionando un mapa de incertidumbre que indica a los usuarios dónde la reconstrucción es más o menos fiable. La incertidumbre tiende a ser mayor en regiones con ciclos de agua muy dinámicos, como el Amazonas y las zonas monzónicas, y menor en regiones más áridas donde los cambios de almacenamiento son menores.

Poner el nuevo registro a prueba

Los autores no se limitan a confiar en la salida del aprendizaje automático; la contrastan con varias líneas de evidencia independientes. Primero, durante los años en que GRACE estuvo operativo, el almacenamiento de agua reconstruido sigue de cerca el registro satelital en cientos de grandes cuencas fluviales, con correlaciones muy altas y errores bajos. Segundo, comparan ML-TWiX con estimaciones derivadas del rastro por láser a satélites (satellite laser ranging), una técnica más antigua que también detecta cambios gravitacionales, y encuentran que el nuevo conjunto de datos reproduce esa señal casi tan bien como lo hace el propio GRACE. Tercero, prueban si los cambios mes a mes en el almacenamiento reconstruido son consistentes con la ecuación básica del balance hídrico que relaciona precipitación, evaporación y escorrentía. Finalmente, emplean un balance global del nivel del mar: cuando la tierra almacena más agua, los océanos deberían descender temporalmente, y viceversa. La media global de ML-TWiX concuerda bien con las estimaciones basadas en el nivel del mar, particularmente durante la era satelital.

Qué significa esto para entender el futuro del agua en la Tierra

Para no especialistas, ML-TWiX puede entenderse como un «intérprete» inteligente y guiado por datos entre muchas simulaciones informáticas imperfectas y un registro satelital corto pero muy confiable. Al aprender cómo se comportaron esas simulaciones durante los años de GRACE, puede reproducir relaciones similares hasta 1980, rellenando más de dos décadas adicionales de mapas mensuales globales de cambio en el almacenamiento de agua en tierra. Aunque la reconstrucción es menos cierta antes de la era satelital y no puede capturarlo todo —especialmente donde el clima o el uso humano del agua pueden haber cambiado de maneras novedosas—, sigue ofreciendo una de las imágenes más coherentes y rigurosamente evaluadas hasta la fecha sobre cómo ha variado el agua terrestre en las últimas décadas. Esa perspectiva más amplia debería ayudar a investigadores y planificadores a contextualizar mejor las sequías, inundaciones y tensiones hídricas actuales dentro de un marco histórico y climático más amplio.

Cita: Saemian, P., Tourian, M.J., Douch, K. et al. A Machine Learning approach for Total Water storage anomaly eXtension back to 1980 (ML-TWiX). Sci Data 13, 142 (2026). https://doi.org/10.1038/s41597-026-06604-w

Palabras clave: almacenamiento de agua terrestre, satelites GRACE, hidrología por aprendizaje automático, ciclo hidrológico global, cambio del nivel del mar