Predicción de la anomalía de temperatura global mediante redes LSTM gemelas aditivas

Por qué un mundo más cálido te afecta

El calentamiento global puede sonar abstracto, pero sus efectos no lo son: subida del nivel del mar, olas de calor más intensas, cambios en las tormentas y presión sobre el suministro de alimentos y agua. Para prepararse ante lo que viene, los científicos necesitan no solo instantáneas del clima actual, sino estimaciones fiables de la velocidad a la que subirán las temperaturas en las próximas décadas. Este artículo explora una nueva forma de utilizar la inteligencia artificial para prever cuánto más cálido podría volverse el planeta y qué significa eso para nuestro futuro cercano.

De termómetros crudos a tendencias de gran escala

En lugar de trabajar con informes meteorológicos de una sola ciudad, los investigadores utilizan un registro global conocido como conjunto de datos de anomalías de temperatura Berkeley Earth. Una “anomalía de temperatura” es simplemente cuánto más cálido o más frío es un período dado en comparación con una línea base histórica elegida. Dado que las lecturas mes a mes son ruidosas y están fuertemente influenciadas por peculiaridades locales, el equipo se apoya en promedios de cinco años que abarcan 170 años, desde mediados del siglo XIX hasta 2022. Suavizar los datos de esta manera reduce los picos aleatorios y revela mejor la tendencia subyacente de calentamiento que refleja la respuesta a largo plazo del planeta a los gases de efecto invernadero y otras influencias.

Enseñar a una red neuronal a recordar el clima

Para captar esa tendencia y proyectarla hacia adelante, los autores recurren a un tipo de red neuronal artificial llamada Long Short-Term Memory, o LSTM. Las LSTM están diseñadas para manejar secuencias —como palabras en una frase o temperaturas a lo largo del tiempo— decidiendo qué fragmentos de información pasada conservar y cuáles olvidar. Las LSTM tradicionales y modelos relacionados han funcionado bien en predicciones a corto plazo, como adivinar el siguiente punto de datos. Pero cuando sus propias predicciones se retroalimentan como entrada para prever muchos pasos en el futuro, los pequeños errores se acumulan y la perspectiva a largo plazo puede desviarse gravemente de la realidad.

Dividir las señales climáticas en corrientes gemelas

La innovación central de este trabajo es una LSTM Gemela Aditiva (AT-LSTM). En lugar de una sola LSTM tratando de imitar cada giro y revés del registro climático, el modelo utiliza dos ramas LSTM paralelas. Cada rama puede centrarse en diferentes impulsos ocultos en los datos —por ejemplo, el calentamiento lento debido a gases de efecto invernadero frente a oscilaciones más rápidas ligadas a variaciones naturales del clima. Las salidas de estas dos ramas se suman y se pasan por una red “decodificadora” final que convierte su señal combinada en una predicción de anomalía de temperatura. Este diseño gemelo no solo se alinea con la forma en que los climatólogos piensan en múltiples procesos parcialmente independientes del sistema terrestre, sino que también amplía el rango útil de las señales internas de la red, ayudando a mantenerla más estable en horizontes de predicción largos.

Poner el modelo a prueba

Para ver si AT-LSTM realmente mejora la previsión a largo plazo, los autores llevan a cabo una prueba en dos etapas. Primero, entrenan el modelo tanto con series sintéticas de referencia —curvas limpias generadas por computadora que imitan diferentes tipos de trayectorias de calentamiento— como con los datos históricos de Berkeley. Comparan qué tan bien varios diseños de redes neuronales reproducen tanto sus datos de entrenamiento como una porción “de prueba” separada de cada serie que los modelos nunca vieron durante el entrenamiento. Muchos modelos, incluidos algunos híbridos que mezclan LSTM con capas convolucionales, parecen impresionantes según estas medidas estándar. Sin embargo, reproducir datos pasados no es lo mismo que mirar con fiabilidad hacia el futuro.

Juzgar los modelos por cómo pronostican, no solo por su ajuste

La segunda etapa se aproxima más al uso en el mundo real. Partiendo del último punto observado en el conjunto de prueba, cada modelo utiliza su propia predicción previa como la siguiente entrada, avanzando 240 meses —20 años— sin ser corregido por datos reales. Esta configuración revela con qué rapidez se acumulan los errores. A lo largo de una batería de arquitecturas, AT-LSTM suele mostrar los errores promedio de predicción más pequeños y las puntuaciones estadísticas más altas cuando se le evalúa en esta tarea de horizonte largo. Para el registro de anomalías de temperatura global en particular, el error típico del modelo en una ventana de pronóstico simulada de 20 años es de aproximadamente 0,07 grados Celsius, claramente inferior al de muchos enfoques de aprendizaje profundo competidores.

Lo que el pronóstico dice sobre nuestro futuro cercano

Con este modelo de comportamiento mejorado, los autores generan proyecciones de 20 años para las anomalías de temperatura global desde 2022 hasta 2042. Entrenando 40 versiones de AT-LSTM para capturar la incertidumbre en el proceso de aprendizaje del modelo, encuentran que todas apuntan a un calentamiento continuado. Para 2042, el conjunto de pronósticos se agrupa entre aproximadamente 1,05 °C y 1,67 °C por encima de la línea base histórica, con una media de 1,415 °C y una incertidumbre estimada de alrededor de ±0,073 °C. Estos números coinciden estrechamente con las proyecciones de los modelos climáticos convencionales y con las advertencias de organismos como el Panel Intergubernamental sobre Cambio Climático. En lenguaje claro, si los patrones actuales continúan, es probable que nos acerquemos o superemos el umbral ampliamente debatido de 1,5 °C en las próximas décadas, lo que subraya la urgencia de reducir las emisiones de gases de efecto invernadero y de adoptar otras estrategias de mitigación climática.

Cita: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Palabras clave: cambio climático, calentamiento global, anomalía de temperatura, redes neuronales, pronóstico climático