Evaluación de los costes ambientales de redes neuronales recurrentes multi-escala para un nowcasting sostenible de lluvias extremas

Por qué importan pronósticos de lluvia más rápidos y ecológicos

Mientras las ciudades de todo el mundo afrontan aguaceros y riadas más repentinos, especialmente en lugares con recursos limitados, disponer de unos minutos extra de aviso puede salvar vidas. Pero los ordenadores que respaldan los pronósticos meteorológicos de última generación consumen mucha energía, son caros y con frecuencia están fuera del alcance de las regiones que más los necesitan. Este artículo plantea una pregunta simple pero apremiante: ¿podemos diseñar herramientas de inteligencia artificial que predigan precipitaciones peligrosas siendo a la vez asequibles y responsables con el medio ambiente?

De los superordenadores a patrones inteligentes en imágenes de radar

Los pronósticos de precipitación a muy corto plazo, llamados “nowcasts”, suelen producirse hoy mediante grandes modelos basados en la física que simulan la atmósfera en detalle. Estos sistemas funcionan bien en muchas situaciones, pero tienen dificultades con plazos muy cortos de una a dos horas, justo cuando la gente necesita orientación precisa sobre una tormenta inminente. Además, requieren recursos masivos de supercomputación. En contraste, los modelos de IA más recientes aprenden directamente de enormes colecciones de imágenes de radar meteorológico, tratando la evolución de las tormentas como fotogramas de un vídeo. Las redes neuronales recurrentes, diseñadas para capturar cómo cambian los patrones en el tiempo, ya han demostrado que pueden superar a los modelos tradicionales en la predicción de precipitaciones a muy corto plazo.

El coste oculto de la IA potente

Sin embargo, estos sistemas de IA traen su propio problema: pueden ser extremadamente grandes, exigiendo mucha memoria, electricidad y procesadores gráficos especializados. Ese coste no es solo económico. Entrenar y ejecutar tales modelos consume energía que genera emisiones de carbono y uso indirecto de agua en centrales eléctricas. Las regiones más afectadas por las lluvias extremas —como las ciudades tropicales del Sur Global— suelen ser las menos capaces de costear este hardware, profundizando una brecha climática y tecnológica existente. Mediante una revisión de estudios previos, los autores encontraron que casi nadie había medido realmente estos impactos ambientales para el nowcasting de precipitaciones, aun cuando los modelos crecían en tamaño y complejidad.

Una forma más eficiente de leer el cielo

El estudio se centra en una técnica denominada marco de redes neuronales recurrentes multi-escala, o MS-RNN, que reorganiza los modelos de IA existentes para que procesen imágenes de radar a varias resoluciones a la vez. En lugar de manejar cada detalle a tamaño completo, la red comprime y reconstruye repetidamente las imágenes, lo que le permite capturar estructuras amplias de la tormenta y rasgos finos con mayor eficiencia. Los investigadores adaptaron tres modelos populares de nowcasting a este diseño multi-escala y los probaron en dos conjuntos de datos de radar reales: uno de los Alpes italianos y otro del terreno altamente complejo y el paisaje urbano de Río de Janeiro, Brasil. No solo siguieron la precisión del pronóstico, sino también el uso de memoria, el tiempo de ejecución, el consumo eléctrico, las emisiones de carbono estimadas y el uso de agua asociado.

Qué muestran los experimentos sobre velocidad, precisión y huella

En el conjunto de los Alpes, las versiones multi-escala de los modelos redujeron drásticamente sus necesidades de recursos. El uso de memoria se redujo aproximadamente a la mitad, el tiempo de entrenamiento se recortó en torno a la mitad o más, y el consumo de electricidad disminuyó hasta en un 70 por ciento. Esto se tradujo en reducciones similares en las emisiones de carbono estimadas y en el consumo de agua, con ahorros de más del 60 por ciento en algunas variantes del modelo. Al mismo tiempo, la calidad del pronóstico se mantuvo igual o incluso mejoró ligeramente según medidas estándar de error y un indicador que valora el acierto en objetivos de lluvia intensa. En Río de Janeiro, donde los patrones meteorológicos y el terreno son más desafiantes y las imágenes de radar son de menor tamaño, las mejoras fueron más moderadas. Los modelos multi-escala siguieron usando menos energía y emitiendo menos carbono, pero sus pronósticos fueron algo menos precisos que las versiones originales, aunque las diferencias fueron lo suficientemente pequeñas como para que los autores sostengan que el compromiso suele valer la pena en contextos con recursos limitados.

Límites y próximos pasos para aguaceros extremos

Incluso con estas mejoras, todos los modelos probados siguieron teniendo dificultades con los episodios más raros y de mayor intensidad. Puntuaciones de error especiales que otorgan mayor peso a eventos extremos mostraron que los aguaceros intensos siguen siendo difíciles de predecir de forma fiable, en parte porque están subrepresentados en los datos de entrenamiento. Los autores señalan enfoques más recientes que combinan IA con conocimiento físico sobre las tormentas o que usan modelos generativos avanzados para agudizar las imágenes de radar, pero observan que estos métodos suelen ser todavía más exigentes computacionalmente —y casi nunca informan sobre su consumo de energía o agua. El estudio, por tanto, pide trabajos futuros que diseñen modelos con la eficiencia en mente desde el inicio y que publiquen de forma rutinaria métricas ambientales junto con los resultados de precisión.

Qué significa esto para la gente sobre el terreno

En términos cotidianos, el artículo muestra que es posible construir herramientas de IA que ofrezcan avisos útiles de precipitaciones a muy corto plazo consumiendo mucha menos memoria, energía y agua que muchos sistemas actuales. Para ciudades como Río de Janeiro, donde las inundaciones y los deslizamientos son frecuentes y los presupuestos ajustados, estos enfoques de “IA verde” podrían ayudar a acercar sistemas avanzados de alerta temprana, en lugar de reservarlos para centros meteorológicos con amplio financiamiento. El trabajo no resuelve el reto de predecir perfectamente las tormentas más extremas, pero traza una vía práctica hacia sistemas de pronóstico que sean a la vez más sostenibles y más equitativos.

Cita: Brum, D., Teylo, L., Silva, F.P.d. et al. Assessing the environmental costs of multi-scale recurrent neural networks for sustainable extreme rainfall nowcasting. Sci Rep 16, 12846 (2026). https://doi.org/10.1038/s41598-026-43029-2

Palabras clave: lluvias extremas, radar meteorológico, aprendizaje profundo, IA sostenible, nowcasting