Datos globales de equivalencia de agua en la nieve en malla de 0,25 grados obtenidos por aprendizaje automático a partir de mediciones in situ

Por qué la nieve global importa en la vida cotidiana

La nieve es algo más que un paisaje invernal; es un vasto reservorio natural que almacena agua en los meses fríos y la libera en primavera para alimentar ríos, cultivos, ciudades y la energía hidroeléctrica. Conocer cuánto agua está almacenada en la nieve alrededor del mundo ayuda a las sociedades a prepararse frente a inundaciones, sequías y cambios en el suministro de agua en un clima que se calienta. Sin embargo, la magnitud clave que nos informa de esto, llamada equivalencia de agua en la nieve, ha sido sorprendentemente difícil de medir a escala global.

El desafío de pesar la nieve del planeta

Los científicos pueden medir la nieve en puntos concretos mediante cursos de nieve, almohadas automatizadas que pesan el manto nivoso y otras estaciones de campo. Redes en Norteamérica, Europa y Rusia han recogido estos datos durante décadas. Los satélites, los modelos meteorológicos y los radares también ofrecen pistas sobre la nieve. Pero cada fuente tiene lagunas y limitaciones, especialmente en nieve profunda, bosques y montañas escarpadas. Como resultado, los mapas globales existentes a menudo discrepan sobre cuánto hielo y nieve hay, y muchas regiones, como los Andes o partes de Asia, siguen estando mal caracterizadas.

Enseñar a un ordenador a aprender de la nieve y el tiempo

Para cerrar estas brechas, los autores construyeron un nuevo conjunto de datos diario global de equivalencia de agua en la nieve llamado SWEML usando un método de aprendizaje automático conocido como random forests (bosques aleatorios). Reunieron registros largos de mediciones de nieve en tierra de múltiples países, junto con productos basados en satélite y una reanálisis meteorológica global moderna que proporciona campos consistentes de temperatura, precipitación, radiación y viento. Se añadieron características del terreno como elevación, pendiente y tipo de vegetación porque influyen de manera decisiva en cómo se acumula y derrite la nieve. El equipo agrupó las celdas de malla nevadas del mundo en 14 regiones con rasgos climáticos y paisajísticos similares, y entrenó modelos de aprendizaje automático separados para cada región para que el sistema pudiera aprender más precisamente el comportamiento local de la nieve.

De puntos dispersos a un mapa diario global de nieve

Como distintas agencias miden la nieve de formas diferentes, los datos crudos de las estaciones no siempre coinciden. Los investigadores primero ajustaron el historial de cada estación para que su media y su variabilidad coincidieran con un producto meteorológico global muy utilizado, manteniendo las oscilaciones día a día de las observaciones originales. Este paso hizo que los datos de entrada fueran más coherentes sin borrar su carácter local. Los modelos de random forest aprendieron entonces las relaciones entre estos valores de nieve ajustados y el entorno meteorológico y topográfico. Una vez entrenados, los modelos se usaron para estimar la equivalencia de agua en la nieve diaria en cada celda de malla de 0,25 grados de la Tierra, excepto la Antártida, desde 1980 hasta 2020, produciendo un registro continuo de 41 años.

Comprobando los mapas frente a otras fuentes

El equipo puso a prueba rigurosamente SWEML frente a varias referencias independientes. Estas incluyeron estudios aerotransportados por rayos gamma sobre Norteamérica que infieren la equivalencia de agua en la nieve a partir de cómo la nieve bloquea la radiación natural, mapas de nieve de alta resolución para los Andes construidos con imágenes satelitales y un conjunto de productos globales de nieve y superficie terrestre ampliamente usados. En millones de comparaciones con mediciones de campo no utilizadas en el entrenamiento, SWEML mostró el error típico más bajo y un sesgo general pequeño, tendiendo ligeramente a subestimar la nieve. Funcionó especialmente bien en montañas altas como las Rocosas y los Alpes, donde muchos otros productos tienen dificultades, y reprodujo patrones estacionales —como el momento y la magnitud del máximo del manto nivoso— con mayor fidelidad que sus pares.

Qué significa esto para la planificación del agua y el clima

Por primera vez, científicos y gestores del agua disponen de un registro diario, continuo y basado en aprendizaje automático sobre cuánto agua está almacenada en la nieve a lo largo de cuatro décadas. SWEML no sustituirá al trabajo de campo local y aún presenta desafíos en terreno muy abrupto o en regiones con pocos o nulos datos de entrenamiento. Pero proporciona una nueva y potente base para seguir los cambios en los recursos de nieve, mejorar las evaluaciones de riesgo de inundaciones y sequías y alimentar modelos climáticos e hidrológicos que necesitan insumos consistentes a largo plazo. En un mundo con inviernos cambiantes, este tipo de visión global del reservorio de nieve del planeta es un paso importante hacia una gestión del agua más inteligente.

Cita: Seo, J., Panahi, M., Kim, J. et al. Global 0.25-degree gridded Snow water equivalent data derived from machine learning using in-situ measurements. Sci Data 13, 739 (2026). https://doi.org/10.1038/s41597-026-06895-z

Palabras clave: equivalencia de agua en la nieve, aprendizaje automático, conjunto de datos global de nieve, hidrología, cambio climático