La información de la superficie terrestre desde satélites mejora la habilidad de predicción de la temperatura próxima a la superficie

Por qué importan mejores predicciones de temperatura para usted

Desde decidir qué ponerse la próxima semana hasta gestionar cultivos, redes eléctricas y el riesgo de incendios forestales, todos dependemos de pronósticos de temperatura precisos. Sin embargo, incluso con supercomputadoras potentes, los modelos meteorológicos siguen teniendo dificultades, especialmente más allá de unos pocos días. Este estudio explora una idea simple pero poco utilizada: mejorar las predicciones prestando más atención a la propia tierra—qué tan caliente está el suelo y cuán activamente crecen las plantas—empleando datos satelitales globales.

Mirando la Tierra desde arriba

Los pronósticos meteorológicos modernos se basan principalmente en información sobre el aire: viento, humedad, nubes y presión. Pero los satélites llevan décadas recopilando silenciosamente información rica sobre la superficie terrestre. Esto incluye la temperatura de la superficie terrestre (qué tan caliente está la “piel” del suelo), cuán verde y frondosa está la vegetación, y un débil resplandor de las hojas llamado fluorescencia inducida por la luz solar que revela qué tan activamente las plantas están fotosintetizando. Los sistemas de predicción tradicionales en su mayoría ignoran estas señales de suelo y plantas porque pueden ser difíciles de representar en modelos basados en física. Los autores de este artículo se propusieron probar un enfoque distinto: en lugar de forzar los datos satelitales dentro de los modelos existentes, construyeron un sistema flexible de aprendizaje profundo separado que pudiera aprender directamente tanto de las observaciones atmosféricas como de las satelitales.

Enseñando el tiempo a una red neuronal

Para ello, el equipo entrenó miles de pequeñas redes neuronales conocidas como modelos Long Short-Term Memory (LSTM). Cada una se centró en un punto específico del globo y aprendió cómo evolucionaba a lo largo del tiempo la temperatura diaria en ese punto. Primero alimentaron a las redes solo con entradas “estándar” similares a las que usan los modelos meteorológicos tradicionales: temperatura del aire cerca de la superficie, radiación entrante y calor, humedad, presión, precipitaciones, humedad del suelo y cobertura de nieve. Luego entrenaron un segundo conjunto de redes que recibieron la misma información más tres variables terrestres derivadas de satélite: temperatura de la superficie terrestre, un índice de verdor y la fluorescencia vegetal. Comparando el rendimiento de estas dos familias de modelos, pudieron medir directamente cuánto ayudaba la información terrestre adicional.

Números pequeños, gran impacto

A escala global y para pronósticos de uno a doce días, añadir información satelital de la superficie terrestre mejoró de forma consistente la precisión de las predicciones de temperatura. En promedio, los errores de pronóstico se redujeron alrededor de un 6–7 por ciento, lo que corresponde aproximadamente a una mejora de una cuarta parte de grado Celsius. Las ganancias fueron mayores alrededor de los cuatro días de adelanto—una ventana “de rango medio” crucial a menudo usada para planificación. Las mejoras fueron especialmente notables en bosques fuera de los trópicos y en regiones semiáridas, donde la forma en que la tierra intercambia calor y humedad con el aire determina fuertemente las temperaturas locales. En muchas de estas áreas, las medidas satelitales de la actividad vegetal y la temperatura de la superficie se convirtieron en los predictores más importantes, superando a las entradas atmosféricas tradicionales.

Lo que las plantas nos dicen sobre el calor de mañana

Un resultado llamativo es que la fluorescencia vegetal, un indicador directo de la fotosíntesis, a menudo importó más que medidas más simples de verdor. Cuando las plantas están activamente absorbiendo carbono y evaporando agua, enfrían la superficie e influyen en cómo se reparte la energía entrante entre calentar el aire y potenciar la evaporación. Como estos procesos se desarrollan durante días, otorgan a los pronósticos una especie de “memoria” de las condiciones recientes del suelo. Las redes neuronales captaron esta conexión: donde la vegetación cambia marcadamente con las estaciones y donde la humedad del suelo limita la actividad vegetal, los datos satelitales adicionales fueron más útiles. En contraste, las selvas tropicales—con copas densas, siempreverdes y nubes frecuentes que degradan las mediciones satelitales—mostraron resultados mixtos, y algunas celdas de la rejilla incluso presentaron ligeros empeoramientos vinculados a problemas de calidad de los datos.

Ayuda en los pronósticos cuando más importa

Los beneficios de la información satelital de la superficie no se limitaron a solo unos pocos días de adelanto. Aunque la mejora relativa disminuyó en tiempos de pronóstico más largos—porque la atmósfera se vuelve intrínsecamente más difícil de predecir—algunas regiones, como partes de Norteamérica, Sudamérica, el sur de África y el oeste de Asia, todavía ganaron habilidad incluso a 11–12 días. Estas son las escalas temporales en las que las alertas tempranas de olas de calor y episodios de frío pueden salvar vidas y reducir pérdidas económicas. El estudio también encontró que en regiones con datos satelitales muy escasos o de baja calidad, usar patrones promedio a largo plazo de estas variables terrestres a veces funcionó mejor que depender de mediciones diarias ruidosas, lo que sugiere estrategias prácticas para sistemas de pronóstico operativos.

Una nueva asociación entre satélites y modelos meteorológicos

Para los no especialistas, el mensaje clave es simple: el suelo y las plantas que lo cubren contienen pistas valiosas sobre la temperatura del aire de mañana, y los satélites están en una posición única para capturar esas pistas en todo el mundo. Al permitir que un sistema de aprendizaje profundo aprenda directamente de estas observaciones, los investigadores demostraron que los pronósticos pueden volverse significativamente más nítidos, especialmente unos días antes, cuando se toman muchas decisiones. Su trabajo sugiere que los futuros modelos meteorológicos operativos podrían volverse más precisos y útiles al integrar de manera sistemática la información satelital sobre tierra y vegetación en el proceso de predicción—combinando las fortalezas de los modelos basados en física y del aprendizaje impulsado por datos para anticipar mejor el calor y el frío que dan forma a nuestra vida diaria.

Cita: Ruiz-Vásquez, M., O, S., Brenning, A. et al. Land surface information from satellites boost near-surface temperature forecast skill. Commun Earth Environ 7, 245 (2026). https://doi.org/10.1038/s43247-026-03298-1

Palabras clave: datos satelitales de la superficie terrestre, predicción de temperatura, modelos meteorológicos de aprendizaje profundo, vegetación y clima, predicción numérica del tiempo