Durante siglos, los pescadores de Perú han observado una relación entre las aguas oceánicas más cálidas de lo habitual —lo que ahora se conoce como fenómeno de El Niño— y las sequías e inundaciones en tierra.

Pero hacer predicciones hidrológicas precisas sobre el impacto de El Niño en los patrones meteorológicos regionales —e incluso comprender el complejo fenómeno de El Niño en sí mismo- ha sido un obstáculo para los científicos del clima durante décadas.

Según Auroop Ganguly, codirector del Global Resilience Institute de la Universidad Northeastern, se creía que para establecer la conexión era necesario desarrollar un modelo físico increíblemente complejo, con flujos difíciles de medir entre el océano y la atmósfera y entre la atmósfera y la tierra.

En un reciente artículo publicado en Nature Communications, Ganguly y tres coautores demostraron que el uso del aprendizaje automático para procesar los datos existentes puede aportar ideas sobre el impacto de El Niño en los grandes sistemas fluviales del mundo —el Ganges, el Congo y el Amazonas— y, en última instancia, en los patrones meteorológicos regionales.

Ganguly explica que los científicos han recopilado una gran cantidad de datos, basados tanto en observaciones como en modelos, relacionados con patrones meteorológicos, las temperaturas de los océanos de todo el planeta, los niveles de las inundaciones, las sequías y otros fenómenos climáticos.

Hasta ahora esos datos no se habían aprovechado al máximo, pero los nuevos avances en aprendizaje automático o profundo permiten utilizar servidores con gran potencia de cálculo para desarrollar algoritmos predictivos con ellos. El aprendizaje profundo permite descubrir una conexión entre las temperaturas de la superficie del mar en el Pacífico oriental, donde se produce intermitentemente El Niño o La Niña, y lo que eso implica para los caudales de los ríos en todo el mundo.

La información que se obtenga podrá ayudar a prepararse mejor para inundaciones, sequías y otros fenómenos climáticos que afectan a la vida, los hogares, la industria, el transporte y la producción de alimentos.

«Desarrollar y adaptar métodos de aprendizaje automático para abordar los grandes retos de la sociedad es una necesidad urgente de nuestra época», afirma la coautora Jennifer Dy, profesora de ingeniería eléctrica e informática de Northeastern.

La temperatura es relativamente fácil de medir, aunque se necesitan cantidades ingentes de datos para hacer un seguimiento de las temperaturas en toda la amplia extensión de océanos del planeta. La precipitación es más difícil de medir, porque los sistemas de precipitación «pueden ser algo aleatorios y evolucionar muy rápidamente», según la NASA. El modelo de aprendizaje profundo permite a los científicos aprovechar ambos tipos de información para desarrollar un modelo potencialmente predictivo, afirman los científicos.

Dy, directora de formación postdoctoral en IA experimental, afirma que el Instituto de IA Experimental de Northeastern tiene previsto trabajar en el desarrollo de «soluciones generalizables y fiables» que combinen modelos climáticos globales con aprendizaje automático personalizado.

Poder predecir información sobre el caudal de los ríos a partir de mapas de temperatura de la superficie del mar puede parecer algo muy específico, dice Ganguly, que «sin embargo, permite que se abran oportunidades increíbles».

La investigación muestra cómo los métodos basados en datos pueden mejorar las predicciones para los recursos hídricos a partir de información climática, afirma la coautora Kate Duffy, que recientemente dejó su puesto de científica en la NASA para lanzar su propia empresa de teledetección por satélite basada en IA.

Existe la posibilidad, según Ganguly y Dy, de que esto abra la puerta al desarrollo de sistemas híbridos de IA para un acoplamiento más eficaz de los componentes de modelos dentro de los sistemas terrestres y modelos climáticos globales.