¿Podemos confiar en nuestros modelos climáticos si el futuro ya no se parece al pasado?

 

Guadalajara arde, no por huracanes, sino por el tráfico, el calor y la inercia de no cambiar nada. Mientras tanto, en el Atlántico, se incuban tormentas que, bajo la lupa de los modelos climáticos, no son solo meteorología: son signos de un futuro enrarecido. Pero... ¿y si esos modelos están viendo mal?

Vivimos en un planeta donde el cambio climático no es solo una cuestión de grados Celsius: es una reconfiguración del riesgo, la infraestructura y el metabolismo urbano y costero. En ese contexto, el artículo de Snaiki y Wu propone un marco radicalmente nuevo para corregir los sesgos de los modelos climáticos globales (GCMs), en especial cuando se trata de evaluar el riesgo de huracanes en escenarios futuros.

Los GCMs son la columna vertebral de la predicción climática. Pero su resolución es tosca, y sus errores sistemáticos pueden volverse fatales en contextos extremos como los huracanes. Hasta ahora, los métodos de corrección de sesgos asumían que estos eran estáticos —el mismo error que ayer, hoy y mañana. Un supuesto ingenuo en tiempos no lineales.

Este trabajo rompe con esa idea. En lugar de corregir el pasado, se dedica a predecir cómo evolucionarán los sesgos usando aprendizaje automático (LSTM) combinado con reducción de dimensionalidad (POD). Así, se entrena una especie de memoria climática que adapta el modelo a las condiciones futuras.

¿Cómo funciona técnicamente este sistema?

1. Se usa descomposición en valores singulares (SVD) para obtener los modos dominantes (POD) del clima histórico y futuro:

GCM_hist = U1 * S1 * V1^T

GCM_fut = U2 * S2 * V2^T

2. Se proyectan los datos en el subespacio reducido y se entrenan redes LSTM para aprender una función de mapeo entre los coeficientes históricos y futuros:

a_H = U1^T × GCM_hist

a_P = U2^T × GCM_fut

fθ: a_H → a_P

3. Esta función se aplica a datos reales de reanálisis (ERA5) para predecir cómo debería lucir un mundo futuro:

a_ERA5 = U1^T × ERA5

a_futuro = fθ(a_ERA5)

datos_futuros = U2 × a_futuro

¿Y qué encontraron?

Los resultados muestran que las ciudades como Miami, Atlantic City o Halifax enfrentarán incrementos del 15% al 45% en viento y lluvia extrema en escenarios futuros (hasta el año 2095). La diferencia no es trivial: cambia la forma en que deben construirse puentes, diseñarse drenajes y distribuirse seguros.

Pero lo más inquietante es esto: el modelo clásico (GFDL-CM4) subestima o sobreestima los riesgos dependiendo de la ciudad, mientras que el modelo corregido capta con mayor fidelidad la intensificación localizada de tormentas. Esto sugiere que, si no corregimos nuestros lentes climáticos, podríamos estar jugando a la ruleta rusa con nuestras costas.

Mi critica

Desde un punto de vista epistemológico, el enfoque tradicional de los GCMs padece de conservadurismo estructural: confía demasiado en el pasado como predictor. Este nuevo marco abraza la no estacionariedad y reconoce que el cambio climático altera las reglas del juego.

En un momento en que la Inteligencia Artificial genera arte, texto y decisiones, ¿por qué no dejarla corregir también nuestra visión del futuro climático? Y sin embargo, hay límites: ningún algoritmo puede modelar la voluntad política ni la ceguera institucional. La ciencia puede iluminar el camino, pero no puede obligarnos a caminarlo.

Aplicaciones y consecuencias

Para ingenieros: nuevos criterios de diseño para infraestructura costera.

Para urbanistas: planificación adaptativa basada en riesgos climáticos localizados.

Para aseguradoras: ajuste fino de primas y mapas de riesgo.

Para gobiernos: inversión en monitoreo y ciencia del clima que mire hacia adelante, no solo hacia atrás.

Sección técnica (para quien quiera más profundidad)

Modelo de trayectoria de huracanes:

v_t = (1 - α) * v_250 + α * v_850 + v_β * cos(φ)

Modelo de intensidad (FAST):

dv/dt = (1/2) * C_k / h * [α₀βVp²m³ - (1 - γm³)v²]

dm/dt = (1/2) * C_k / h * [(1 - m)v - χSm]

Periodo de retorno estimado por Weibull:

RP(v) = (n + 1) / (i * m / n)

Donde RP es el periodo de retorno para una velocidad v, n el número de eventos, i el orden, y m la duración en años del conjunto sintético (10,000 años).

Conclusión...

No basta con saber que lloverá más fuerte o que soplará con más furia. Lo que importa es si lo sabremos con tiempo, si haremos algo al respecto y si construiremos un presente que no deje al futuro en ruinas.

Referencias clave

Snaiki, S. & Wu, Y. (2024). A Novel Dynamic Bias-Correction Framework for Hurricane Risk Assessment under Climate Change. arXiv:2505.00832v1

Emanuel, K. (1987). The dependence of hurricane intensity on climate. Nature, 326, 483–485.

Smith, J. A., Baeck, M. L., et al. (2019). Complexity of urban hydrometeorological response. Nature Reviews Earth & Environment.

Goodarzi, M., Snaiki, S., Wu, Y. (2021). Physics-informed deep learning for extreme event prediction. AGU Advances.

Hauser, M., et al. (2022). AI in climate modeling: promises and limitations. PNAS.

Para leer más artículos como este Checa mi blog y sigueme en mis otras redes : https://linktr.ee/PepeAlexJasa

#Huracanes #CambioClimático #CrisisClimática #ModelosClimáticos #InteligenciaArtificial #FilosofíaDeLaCiencia #IngenieríaResiliente #DivulgaciónCientífica #DatosYFuturo