Tsinghua presenta UniCM, un modelo unificado para múltiples modos climáticos, mejorando la precisión de las predicciones climáticas

Autor y fuente del artículo: 36Kr

[Introducción] Un equipo de Tsinghua ha propuesto el modelo UniCM, que aprende mediante un marco unificado las interacciones entre múltiples modos climáticos, ayudando a la IA a comprender mejor las complejas relaciones del sistema climático global. Este avance no solo mejora la precisión y la oportunidad de las predicciones climáticas, sino que también convierte a la IA en una herramienta para explorar los mecanismos climáticos, con importante valor para la prevención de desastres, la agricultura y otros campos.

Cuando se menciona la predicción climática, lo más familiar para la gente suele ser El Niño (ENSO).

Sin embargo, el clima global no está determinado por un solo fenómeno climático. Además del ENSO, múltiples modos climáticos, como el Dípolo del Océano Índico (IOD), el Modo Tropical del Atlántico Norte (TNA) y el Modo Meridional del Pacífico Norte (NPMM), coexisten y forman un sistema global dinámicamente acoplado a través de teleconexiones transoceánicas e interacciones océano-atmósfera.

Durante mucho tiempo, la mayoría de los métodos de predicción se centraron principalmente en un solo patrón climático o estudiaron solo las relaciones entre unos pocos patrones, lo que dificultaba describir los complejos procesos de interacción no lineales en el sistema climático global. UniCM, en cambio, incorpora múltiples patrones climáticos clave en un mismo marco unificado, considerando al sistema océano-atmósfera global como un todo interconectado.

Recientemente, el equipo del profesor Li Yong del Departamento de Ingeniería Electrónica de la Universidad Tsinghua publicó en Nature Machine Intelligence un artículo de investigación titulado “Learning the coupled dynamics of global climate modes”, en el que propone el modelo unificado de predicción de modos climáticos globales UniCM (Unified Climate Model).

Enlace al artículo: https://www.nature.com/articles/s42256-026-01245-5

El equipo de investigación descubrió que la predecibilidad del sistema climático no proviene solo de los fenómenos climáticos individuales, sino principalmente de las relaciones de acoplamiento persistentes entre múltiples modos climáticos. A través del aprendizaje de estas dinámicas de acoplamiento, UniCM libera la "predecibilidad emergente" que los métodos tradicionales dificultan aprovechar.

Esta investigación supera el enfoque tradicional de predicción climática «unimodal y predicción separada», y por primera vez, desde una perspectiva de sistema acoplado global, aprende de manera unificada las complejas relaciones dinámicas entre múltiples modos climáticos oceánicos-atmosféricos, proporcionando un nuevo paradigma de investigación para la predicción climática a largo plazo, la alerta temprana de eventos climáticos extremos y el descubrimiento científico climático impulsado por IA.

Antecedentes de la investigación

En los últimos años, la inteligencia artificial ha logrado un rápido desarrollo en el campo de la predicción del tiempo. Varios modelos de IA ya pueden lograr predicciones meteorológicas de alta precisión en escalas de varios días a semanas.

Sin embargo, las predicciones climáticas se centran en escalas de tiempo más largas: ¿cómo evolucionará el sistema climático global en los próximos meses, años o incluso más tiempo? ¿Qué regiones podrían experimentar eventos extremos como sequías, inundaciones o olas de calor? Estas preguntas implican complejas interacciones entre múltiples sistemas oceánicos y atmosféricos a distintas escalas.

Los métodos actuales suelen tratar los modos climáticos como objetos independientes, mientras que el sistema climático del mundo real es una red compleja altamente acoplada. Cómo hacer que la IA no solo «sepa predecir», sino que también ayude a los científicos a comprender las relaciones de acoplamiento a largo plazo entre estos modos, se convierte en un desafío importante en el campo de la IA para la ciencia.

Modelo climático unificado de «doble perspectiva»

Para resolver este problema, el equipo de investigación diseñó la arquitectura UniCM de doble rama.

El modelo contiene dos módulos principales:

1. Globalformer: Aprender la evolución de campos físicos locales

Globalformer procesa variables físicas clave como la temperatura de la superficie del mar (SST), el esfuerzo del viento, la profundidad de la termoclina y la temperatura del océano superior, aprendiendo los patrones de evolución espaciotemporal del sistema climático a partir de campos climáticos de gran detalle.

2. Modeformer: Aprender las relaciones entre los modos climáticos

Modeformer se centra en siete importantes modalidades climáticas: ENSO, IOD, TNA, NPMM, SPMM, IOB y SIOD, aprendiendo sus interacciones no lineales y procesos de evolución conjunta.

Más importante aún, UniCM establece un mecanismo de acoplamiento bidireccional: por un lado, los campos físicos locales generan modos climáticos a gran escala; por otro lado, los modos climáticos formados influyen a su vez en la evolución futura de los campos físicos locales. El equipo de investigación denomina a este mecanismo «mode-to-patch guidance», es decir, utilizar el estado climático a gran escala para guiar las predicciones locales, logrando una modelización en bucle cerrado que va de lo local a lo global y luego retroalimenta lo local desde lo global.

ENSO es considerado uno de los modos climáticos más importantes a nivel mundial y también una de las tareas más desafiantes en el campo de la predicción climática a largo plazo.

Los resultados del estudio muestran que, en la evaluación de datos observados entre 1980 y 2023, UniCM superó consistentemente varios modelos base representativos en una ventana de predicción de 24 meses. El modelo puede extender el plazo útil de predicción de ENSO hasta 19 meses, mientras que los modelos avanzados anteriores generalmente alcanzaban solo alrededor de 15 a 16 meses.

Al mismo tiempo, UniCM también demuestra una ventaja clara en el problema del "obstáculo de previsibilidad primaveral", que ha afectado durante mucho tiempo el campo de la predicción climática. El modelo mantiene una alta habilidad predictiva al atravesar la primavera en el hemisferio norte, extendiendo la capacidad predictiva efectiva hasta aproximadamente 14 meses.

Además, UniCM reprodujo con éxito el evento super El Niño de 1997-1998 y el evento de «triple La Niña» consecutivo de 2020-2023, capturando con precisión el inicio, desarrollo y decadencia de estos eventos extremos históricos.

UniCM no solo es experto en predecir ENSO, sino que también puede predecir simultáneamente siete tipos de modos climáticos importantes dentro del mismo marco, incluyendo ENSO, IOD, IOB, SIOD, SPMM, NPMM y TNA.

Los resultados muestran que el modelo supera a los métodos representativos actuales en la predicción de múltiples modos climáticos. En particular, para algunos modos no ENSO más difíciles de predecir, la mejora promedio en la habilidad predictiva supera el 22%; el período anticipado efectivo de predicción para el IOD alcanza aproximadamente 7 meses.

Más importante aún, UniCM puede reconstruir con precisión las relaciones de retardo reales entre diferentes modos climáticos. Por ejemplo, logró reproducir con éxito la conexión física en la que el NPMM lidera al ENSO aproximadamente 4 meses, así como las estructuras de acoplamiento entre múltiples modos climáticos transoceánicos.

Esto indica que el modelo ha aprendido no solo correlaciones estadísticas simples, sino mecanismos de acoplamiento físico reales presentes en el sistema climático global.

Además de su capacidad predictiva, UniCM tiene una alta explicabilidad.

El equipo de investigación descubrió, mediante el análisis del mecanismo de atención interno del modelo, que antes de eventos importantes de ENSO, el modelo se enfoca automáticamente en regiones clave y relaciones de modos con significado físico.

Por ejemplo, antes del evento de El Niño extremo de 1997, el modelo identificó el papel precursor importante del NPMM; en algunos eventos climáticos complejos, se descubrió que el TNA podría desempeñar un papel clave como nodo central. Los hallazgos relacionados son altamente coherentes con los resultados de investigaciones climáticas físicas previas.

Esto significa que UniCM no solo puede predecir estados climáticos futuros, sino que también puede ayudar a los científicos a descubrir mecanismos potenciales y plantear nuevas hipótesis científicas, convirtiéndose así en una herramienta esencial para la investigación climática.

Aplicaciones futuras y perspectivas de desarrollo

En el contexto del cambio climático global, la importancia de las predicciones climáticas a largo plazo se vuelve cada vez más evidente. Predicciones climáticas más precisas y de mayor duración servirán directamente a los sectores de producción agrícola, gestión de recursos hídricos, programación energética, desarrollo pesquero y prevención y mitigación de desastres.

El equipo de investigación considera que UniCM no solo representa un nuevo modelo de predicción climática, sino también una idea unificada de modelado para sistemas complejos. En el futuro, este marco tiene el potencial de extenderse a estudios sobre oscilaciones intraestacionales, cambios climáticos interdecadales y la evolución de patrones climáticos bajo el contexto del calentamiento global, y aplicarse además a otros sistemas complejos con características de acoplamiento bidireccional entre procesos locales y estructuras globales.

De "predecir el clima" a "comprender el clima", y luego a "descubrir patrones", UniCM muestra nuevas posibilidades de la inteligencia artificial en la ciencia de los sistemas terrestres: la información predictiva realmente importante tal vez no esté oculta en un solo indicador climático, sino en las relaciones acopladas que evolucionan continuamente en todo el sistema climático.

Referencias: https://www.nature.com/articles/s42256-026-01245-5