La IA que predice catástrofes climáticas inéditas: qué significa para América Latina

Los modelos de riesgo climático actuales tienen un talón de Aquiles: necesitan catástrofes pasadas para proyectar futuras. Las aseguradoras, planificadores urbanos y operadores de redes eléctricas entrenan sus simulaciones con registros históricos que ya contienen eventos extremos. Si un territorio no ha sufrido "su Katrina" o "su Ida", el modelo no sabe cómo se ve. Ese límite acaba de romperse.

Ingenieros del MIT publicaron en Nature Communications un método llamado η-learning (Extreme Event Aware) que genera mapas de eventos extremos estadísticamente posibles pero sin precedentes en el historial local. No requiere datos de desastres previos: aprende de registros meteorológicos ordinarios —precipitación horaria, mapas de baja y alta resolución de periodos normales— y usa estadísticas de puntos para mantener las predicciones dentro de márgenes físicos realistas. En pruebas sobre EE. UU. continental, comprimieron 25 años de datos horarios en visualizaciones diarias, entrenaron con solo seis meses sin lluvias severas y el algoritmo aprendió a traducir patrones de baja resolución en detalles atmosféricos de alta resolución, generando miles de realizaciones estadísticas en minutos.

La demostración práctica es elocuente. En septiembre de 2021, los remanentes del huracán Ida descargaron 80 mm en una hora sobre Central Park y más de 181 mm totales, colapsando el metro de Nueva York. El registro extremo observado ronda 200 mm. El η-learning permite preguntar: ¿cómo se vería una tormenta de 300 mm sobre la ciudad? El modelo devuelve mapas detallados de cobertura espacial, intensidad pico y duración del evento nunca visto.

La IA no solo memoriza patrones: aprende física

Un estudio independiente publicado en npj Climate and Atmospheric Science aporta la validación teórica que faltaba. Investigadores de la Universidad de Reading, el Naval Research Laboratory y otras instituciones compararon las sensibilidades de un modelo de IA data-driven con las del modelo adjunto de un sistema dinámico basado en físicas, usando el ciclón Xynthia (2010) como caso de prueba. Las estructuras de sensibilidad a 36 horas fueron "muy similares" y las perturbaciones evolucionadas llevaron a impactos comparables. Esto demuestra que los modelos de IA aprenden enlaces espaciotemporales físicamente significativos entre procesos atmosféricos, no solo correlaciones estadísticas superficiales.

Esta implicación operativa es profunda: la retropropagación (backpropagation) permite calcular gradientes de sensibilidad en minutos con una sola CPU o segundos con GPU, sin las limitaciones de linealidad de los modelos adjuntos tradicionales, que fallan más allá de pocos días de antelación. Los autores señalan que esto habilita estudios de condiciones iniciales en regímenes no lineales (típicamente >5 días), con aplicaciones en diseño de redes de observación y análisis de dinámica atmosférica.

¿Por qué esto cambia la ecuación para América Latina?

Esta región enfrenta una convergencia de factores que vuelve crítica esta capacidad:

• Brecha de datos históricos: Muchos países latinoamericanos carecen de series largas, homogéneas y digitalizadas de eventos extremos. El η-learning funciona con datos ordinarios de estaciones locales y mapas de precipitación estándar —justo lo que sí existe en redes meteorológicas nacionales.
• Infraestructura computacional limitada: Ejecutar modelos dinámicos globales de alta resolución requiere supercomputadoras. Los modelos de IA data-driven, una vez entrenados, corren en hardware modesto. La sensibilidad por retropropagación baja la barrera de entrada para análisis de predictibilidad que antes estaban reservados a centros meteorológicos mayores.
• Exposición asimétrica: El Caribe y Centroamérica enfrentan huracanes de intensificación rápida; los Andes, sequías y deslaves por lluvias extremas; el Cono Sur, olas de calor y tormentas severas. El cambio climático está alterando la frecuencia e intensidad de estos fenómenos fuera del rango histórico. Poder simular "el evento de 100 años" sin haberlo vivido es una herramienta de planificación de infraestructura, seguros y gestión de emergencias.
• Cadenas de suministro y energía: La paralización de la hidrovía Paraguay-Paraná por sequía, el colapso de generación hidroeléctrica en Brasil o Colombia, o el daño a puertos del Pacífico por marejadas inéditas tienen impacto macroeconómico regional. La capacidad de asignar probabilidad matemática a catástrofes no ocurridas, como destaca Themis Sapsis del MIT, es "el pilar fundamental sobre el que deberemos edificar la resiliencia económica e infraestructural".

Riesgos y siguientes pasos

Esta investigación del MIT se centró en precipitación extrema en EE. UU. continental. La transferibilidad a topografías complejas (Andes, cordilleras centroamericanas), regímenes de monzón sudamericano o ciclones tropicales del Caribe requiere validación local. El artículo en Nature Communications sugiere que la arquitectura es flexible —incendios forestales, inundaciones oceánicas, navegación robótica autónoma e incluso colapsos financieros— pero cada dominio necesita sus estadísticas de puntos y bases espaciales propias.

El estudio de sensibilidad del ciclón Xynthia usó un modelo de IA específico y un caso extratropical. La generalización a ciclones tropicales de intensificación rápida, frecuentes en el Atlántico y el Pacífico este, sigue pendiente. Además, la interpretabilidad de los mapas generados por η-learning ante tomadores de decisión no técnicos (alcaldes, ministros, directores de seguros) requiere capas de traducción y visualización que aún no existen como estándar.

La apuesta estratégica

Para un ejecutivo de infraestructura, un regulador financiero o un gestor de riesgo en América Latina, la señal es clara: la frontera de la predicción de extremos se está moviendo de "extrapolar lo conocido" a "cuantificar lo plausible pero no observado". Los datos ordinarios que ya poseen las redes meteorológicas nacionales —registros diarios, mapas de precipitación, series de temperatura— se convierten en activo estratégico si se alimentan a estos nuevos algoritmos.

Esta pregunta operativa ya no es solo "¿qué pasó la última vez?" sino "¿qué podría pasar la próxima vez que la física lo permita?" La respuesta, por primera vez, puede venir de un modelo que no necesita haber visto la catástrofe para dibujarla.