La IA puede ayudarnos a ver el próximo desastre climático antes de que ocurra

GenFocal transforma grandes proyecciones climáticas en escenarios regionales mucho más detallados. Esta IA para predecir riesgos climáticos no busca decir exactamente qué tormenta ocurrirá dentro de 30 años, sino entender mejor dónde están las amenazas antes de construir, asegurar o invertir.

Sabemos que el planeta se está calentando. Sabemos que las olas de calor, las inundaciones y otros fenómenos extremos pueden transformar ciudades enteras. El problema aparece cuando la pregunta deja de ser global y se vuelve incómodamente concreta: ¿qué significa el cambio climático para el lugar exacto donde vivimos?

La IA para predecir riesgos climáticos podría ayudar a cerrar esa brecha. Los modelos climáticos globales son extraordinariamente útiles para entender cómo puede evolucionar el planeta durante las próximas décadas, pero trabajan a una escala demasiado amplia para muchas de las decisiones que deben tomarse sobre el terreno.

Una investigación publicada en Nature Machine Intelligence propone utilizar inteligencia artificial generativa para reducir esa distancia. El sistema se llama GenFocal y fue desarrollado por investigadores de Google Research, con participación de científicos vinculados al California Institute of Technology. Su objetivo es convertir proyecciones climáticas relativamente gruesas en representaciones meteorológicas regionales mucho más detalladas y, sobre todo, probabilísticas.

No se trata simplemente de obtener mapas climáticos más bonitos. Se trata de hacer que décadas de simulaciones puedan convertirse en información más útil para decidir dónde construir infraestructura, cómo preparar una red eléctrica, cuánto riesgo enfrenta una región o qué tan vulnerable puede ser una comunidad frente al clima del futuro.

Por qué necesitamos IA para predecir riesgos climáticos a escala local

Los modelos climáticos globales permiten estudiar tendencias a gran escala, pero su resolución puede dejar fuera fenómenos regionales importantes. Eso crea una brecha entre lo que la ciencia climática puede proyectar y la información que necesitan gobiernos, aseguradoras, empresas de energía, desarrolladores urbanos y comunidades.

La dificultad aumenta con los llamados eventos compuestos. Una temperatura extraordinariamente alta puede ser peligrosa por sí sola, pero su efecto cambia cuando coincide con humedad elevada. Lo mismo ocurre con incendios favorecidos simultáneamente por vegetación seca y fuertes vientos. Son relaciones entre variables, espacio y tiempo que los métodos convencionales de reducción de escala no siempre reproducen correctamente.

Es un problema particularmente relevante para México. Las ciudades mexicanas ya enfrentan decisiones de desarrollo en zonas vulnerables a inundaciones, mientras que fenómenos como las islas de calor obligan a buscar nuevas herramientas para entender cómo las condiciones climáticas afectan incluso diferentes zonas de una misma ciudad. La pregunta ya no es únicamente cuánto aumentará la temperatura media del planeta. Es qué significará ese cambio en una costa, una ciudad, una carretera o una red eléctrica determinada.

GenFocal intenta llenar los pixeles que faltan

Aquí entra GenFocal. El sistema utiliza inteligencia artificial generativa para realizar lo que los climatólogos llaman downscaling: partir de información climática de baja resolución y producir representaciones meteorológicas mucho más detalladas.

En los experimentos descritos por los investigadores, el modelo transforma estados climáticos con una resolución de 1.5 grados en información de 0.25 grados. Para entrenarlo utilizaron 20 años de datos, correspondientes al periodo 1980-1999, combinando el reanálisis meteorológico ERA5 con simulaciones del Community Earth System Model 2. Posteriormente utilizaron 2000-2009 para ajustar el modelo y 2010-2019 para evaluarlo.

La arquitectura funciona en dos grandes etapas. Primero corrige sesgos presentes en la simulación climática de baja resolución. Después aplica un proceso de superresolución para producir información meteorológica con mayor detalle espacial y temporal, intentando conservar la coherencia entre días consecutivos.

Ese último punto importa. Una ola de calor no es simplemente un pixel extremadamente caliente en un mapa. Es un fenómeno que puede mantenerse durante días y desplazarse por una región. Un ciclón tropical tampoco puede entenderse observando variables meteorológicas de manera aislada. GenFocal intenta aprender precisamente esas relaciones.

La IA puede generar tormentas que el modelo original apenas veía

Una de las capacidades más interesantes del sistema aparece con los ciclones tropicales. Los modelos climáticos globales pueden no tener suficiente resolución para representar correctamente algunos de los procesos que intervienen en la formación y evolución de estas tormentas. GenFocal, en cambio, consiguió generar actividad ciclónica detallada a partir de las condiciones climáticas de gran escala, incluso cuando esos eventos específicos no estaban claramente resueltos en los datos de entrada.

Eso no significa que la IA esté adivinando qué huracán aparecerá en determinada fecha del futuro. La diferencia es importante.

GenFocal es probabilístico. Su objetivo es generar numerosas realizaciones plausibles del clima para estimar distribuciones de riesgo. En otras palabras, no intenta decir “este huracán ocurrirá aquí el 17 de agosto de 2054”, sino responder preguntas más útiles para planificación: bajo determinadas condiciones climáticas, ¿qué tan probable es cierto tipo de evento y qué características podría tener?

Los investigadores produjeron, por ejemplo, escenarios equivalentes a 8,000 temporadas de agosto a octubre para estudiar cambios en ciclones tropicales entre 2010-2019 y 2050-2059. El modelo proyectó un aumento de tormentas tropicales y huracanes que tocan tierra en la costa este de Estados Unidos durante la primera mitad del siglo, además de cambios regionales en su intensidad. Los autores señalan que estas tendencias son consistentes con otros métodos de reducción de escala y con tendencias observadas, aunque forman parte de una investigación científica que continúa evolucionando. La posibilidad de producir miles de escenarios es precisamente una de las ventajas de este enfoque.

De pronosticar el clima a calcular el riesgo

La inteligencia artificial ya está modificando la manera en que pronosticamos el clima. Modelos desarrollados por Google, Nvidia y otras compañías pueden producir pronósticos meteorológicos con una velocidad que hace pocos años parecía difícil de alcanzar. Pero GenFocal apunta a un problema diferente.

Un pronóstico meteorológico pregunta qué podría ocurrir durante los próximos días. Una proyección climática intenta entender qué condiciones podrían dominar durante las próximas décadas. Y esa diferencia cambia también la utilidad económica de la tecnología.

Una empresa eléctrica no necesita saber qué temperatura habrá exactamente un martes de 2050. Necesita entender cómo podría cambiar la frecuencia de periodos prolongados de calor extremo para saber si su infraestructura podrá soportar la demanda. Una aseguradora no necesita conocer el nombre del huracán que llegará dentro de 30 años. Necesita comprender cómo podría evolucionar la distribución de ciclones, inundaciones o incendios para calcular exposición y riesgo.

Una ciudad tampoco puede esperar décadas para descubrir que construyó infraestructura crítica en un lugar que se volvió sistemáticamente más vulnerable.

La investigación señala precisamente aplicaciones en diseño de infraestructura, planeación energética, pronóstico de inundaciones y servicios financieros como la fijación de precios de seguros. Ahí está el verdadero cambio.

La IA para predecir riesgos climáticos comienza a pasar de decirnos qué puede ocurrir a ayudarnos a calcular qué significa económicamente que ocurra.

El riesgo climático necesita una escala humana

La reducción de escala climática no es nueva. Existen modelos regionales basados en física capaces de producir simulaciones detalladas, pero ejecutarlos repetidamente resulta computacionalmente costoso.

También existen métodos estadísticos considerablemente más baratos, aunque pueden tener dificultades para representar las complejas relaciones espaciales, temporales y entre múltiples variables que caracterizan algunos eventos extremos.

GenFocal intenta quedarse con parte de las ventajas de ambos mundos.

Según los autores, el sistema produjo información climática local de mayor fidelidad que métodos estadísticos establecidos. Además, al generar grandes conjuntos de escenarios de manera eficiente, permite estudiar acontecimientos raros que requieren muchas muestras para calcular adecuadamente su probabilidad.

Esto conecta con una transformación más amplia: los modelos climáticos ya no son solamente instrumentos científicos. Cada vez más funcionan como infraestructura para tomar decisiones.

En México ya vemos versiones tempranas de esa transición. Herramientas basadas en IA y análisis satelital están siendo utilizadas para identificar islas de calor urbanas, mientras modelos numéricos y gemelos digitales comienzan a ofrecer nuevas maneras de analizar el riesgo de inundación en las ciudades.

GenFocal lleva esa lógica varios pasos adelante: intentar convertir el clima futuro en distribuciones de riesgo suficientemente detalladas para intervenir antes de que el desastre exista.

La IA para predecir riesgos climáticos no es una bola de cristal

También conviene evitar la tentación de presentar la inteligencia artificial como una máquina capaz de resolver la incertidumbre climática.

No lo es.

GenFocal depende de las simulaciones climáticas que recibe como entrada y de los datos históricos utilizados para aprender las características estadísticas del clima. Generar escenarios de alta resolución tampoco elimina las incertidumbres inherentes a proyectar un sistema tan complejo como la atmósfera durante décadas.

El propio estudio plantea GenFocal como un nuevo paradigma y un punto de partida, no como la respuesta definitiva al problema.

Esa precaución importa especialmente porque las grandes tecnológicas han comenzado a presentar la inteligencia artificial como parte de la solución climática, mientras que el impacto ambiental de la propia infraestructura de IA sigue generando preguntas sobre consumo eléctrico, agua y emisiones.

En este caso, sin embargo, la propuesta puede evaluarse de manera mucho más concreta: no promete que la IA detendrá el cambio climático. Promete que puede ayudarnos a medir mejor algunas de sus consecuencias.

Y eso podría ser suficientemente importante.

Porque buena parte de la adaptación climática depende de tomar decisiones antes de tener certeza absoluta: reforzar una presa, cambiar códigos de construcción, ampliar una red eléctrica, modificar primas de seguros, proteger una costa o decidir dónde no debería construirse.

La innovación de GenFocal está precisamente ahí. No intenta eliminar la incertidumbre.

Intenta hacerla más visible, más local y, sobre todo, más útil para decidir.