Unir modelos idealizados y operativos: un marco de IA explicable para emuladores del sistema terrestre

Por qué importan mejores modelos climáticos

Los pronósticos estacionales y las proyecciones climáticas a largo plazo orientan decisiones sobre seguridad alimentaria, gestión del agua y preparación ante desastres. Sin embargo, incluso los ordenadores más sofisticados de hoy pueden interpretar mal patrones importantes como El Niño, que puede provocar desde sequías hasta inundaciones en todo el mundo. Este artículo presenta una nueva forma de hacer que esos modelos complejos sean más inteligentes y confiables, permitiéndoles “aprender” de modelos más simples y muy afinados mediante una forma explicable de inteligencia artificial.

Dos tipos de modelos climáticos, dos tipos de fortalezas

Los modelos climáticos operativos modernos simulan todo el sistema terrestre con gran detalle, siguiendo atmósfera, océano, tierra y hielo en rejillas globales. Son potentes pero imperfectos: suelen presentar sesgos en la representación de eventos extremos y en las estadísticas de patrones recurrentes como El Niño y La Niña. En el otro extremo están los modelos idealizados. Son ecuaciones simplificadas que se centran en unos pocos procesos clave, a menudo en una sola región o a lo largo de una línea en el océano. Al ser sencillos y rápidos, los científicos pueden afinarlos cuidadosamente para que reproduzcan comportamientos y estadísticas específicas con gran fidelidad. Desafortunadamente, estos dos mundos de modelos raramente se encuentran: los modelos detallados son demasiado complejos para ajustarlos a mano usando conocimientos de los simples, y los modelos simples carecen de los campos ricos necesarios para la predicción práctica.

Un puente construido con IA explicable

Los autores proponen un “modelo puente” que combina las fortalezas de ambos enfoques usando inteligencia artificial explicable en lugar de una solución opaca. Primero, comprimen la enorme salida de un modelo climático complejo en una representación “latente” compacta mediante un autoencoder, una red neuronal que aprende a reconstruir los campos completos a partir de un conjunto mucho menor de números. Luego enriquecen ese estado compacto con un puñado de variables clave —como la temperatura superficial del mar y la profundidad de la termoclina a lo largo del ecuador— producidas por un modelo idealizado que se sabe que coincide bien con las observaciones. Una segunda red neuronal aprende cómo evoluciona en el tiempo el estado comprimido, mientras que un paso de asimilación de datos empuja repetidamente ese estado hacia los patrones que provienen del modelo idealizado. Dado que esta corrección se realiza mediante fórmulas estadísticas bien entendidas, la influencia del modelo simple sobre el sistema completo puede cuantificarse y trazarse, haciendo el proceso explicable.

Corregir la forma, la fuerza y el ritmo de El Niño

Para probar su marco, los investigadores se centran en la Oscilación El Niño–Sur (ENSO) en el Pacífico ecuatorial, cuyas fases cálidas (El Niño) y frías (La Niña) afectan fuertemente al clima mundial. Muchos modelos de última generación, incluidos los utilizados en el proyecto de intercomparación CMIP6, tienen dificultades para reproducir la diversidad de eventos de El Niño: algunos alcanzan su pico en el Pacífico oriental, otros en el central, y su intensidad y momento varían de ciclo en ciclo. Usando modelos idealizados que capturan con precisión las estadísticas de estas variaciones, el modelo puente corrige sustancialmente los sesgos de un modelo operativo líder (CESM2). Mejora los patrones espaciales de temperaturas y vientos superficiales y subsuperficiales, coincide con las distribuciones de probabilidad observadas y con los ritmos estacionales de los índices de El Niño, y reproduce secuencias realistas de eventos, incluidos episodios extremos y de varios años.

Explorar mundos “qué pasaría si” de forma rápida y clara

Como el puente se ejecuta sobre una versión comprimida del modelo completo, resulta mucho más barato de simular que el sistema climático original: una corrida de varias décadas lleva minutos en un ordenador estándar en lugar de los vastos recursos necesarios para un modelo global completo. Esta eficiencia permite a los científicos generar grandes ensamblajes para estudiar extremos raros y explorar escenarios “qué pasaría si”. Por ejemplo, al cambiar un parámetro de variación lenta en el modelo idealizado que representa la intensidad de los vientos alisios del Pacífico, los autores examinan futuros con una circulación atmosférica persistentemente debilitada o reforzada. El modelo puente responde desplazando dónde y con qué intensidad ocurren los eventos de El Niño, en consonancia con estudios previos, pero a una fracción del coste computacional. Puesto que las correcciones se aplican mediante un paso de asimilación de datos transparente, los investigadores pueden ver qué partes del sistema están siendo dirigidas y con qué intensidad.

Un nuevo tipo de gemelo climático

En términos cotidianos, este marco permite que un gran modelo climático detallado “tome prestada la sabiduría” de uno simple y bien entendido sin convertirse en una caja negra misteriosa. El híbrido resultante se comporta como un gemelo digital del sistema climático real: conserva los campos ricos y de alta resolución necesarios para estudios de impacto, a la vez que alinea sus patrones y estadísticas clave con las observaciones y con teoría cuidadosamente afinada. Los autores sostienen que este enfoque puede extenderse a otras regiones, a múltiples modelos e incluso más allá de las ciencias de la Tierra a cualquier sistema complejo donde coexistan modelos simples y detallados. Al hacer que las correcciones sean interpretables, su trabajo fomenta una colaboración más estrecha entre las comunidades que construyen modelos idealizados y las que mantienen modelos operativos, allanando el camino para predicciones más fiables de extremos climáticos relevantes para la sociedad.

Cita: Behnoudfar, P., Moser, C., Bocquet, M. et al. Bridging idealized and operational models: an explainable AI framework for Earth system emulators. npj Clim Atmos Sci 9, 65 (2026). https://doi.org/10.1038/s41612-026-01334-7

Palabras clave: El Niño, modelado climático, IA explicable, asimilación de datos, gemelos digitales