Cada primavera, los pronósticos de El Niño pierden fuerza, como un intérprete que se distrae con cada susurro en la sala y convierte una reunión de una hora en una de dos. Los científicos llaman a esto la barrera de predictibilidad primaveral: precisamente en marzo y abril, los modelos que en enero aún hablaban con seguridad de una fase cálida en el Pacífico comienzan a equivocarse el doble de veces. El nuevo trabajo propone un camino distinto: no intentar gritar por encima del ruido, sino enseñar a la red neuronal a eliminarlo capa por capa, como un restaurador quita el hollín de un cuadro antiguo.

Los autores tomaron los últimos seis meses de temperatura superficial del océano en el Pacífico tropical y pidieron al modelo que emitiera una distribución de probabilidad para el mes siguiente. Luego añadían el mes predicho al historial y repetían el procedimiento hasta 30 veces, de modo que el pronóstico avanzaba como una persona que camina por un pantano y comprueba cada mata antes de apoyar el peso. Entrenaron con el reanálisis IAP v4 de 1940 a 1999 y validaron en el periodo independiente 2000–2023. Por separado compararon dos variantes: una con entrenamiento previo en el conjunto de modelos climáticos CMIP6 y otra sin él.

El resultado sorprendió: el modelo sin entrenamiento previo con CMIP6 mantiene una correlación del índice Niño3.4 superior a 0.5 durante 14 meses, mientras que la variante con CMIP6 pierde ese nivel ya después de 7 meses. En un experimento anterior con datos de 1980–2021, la correlación superior a 0.5 se mantenía hasta 26 meses, y el error absoluto medio de temperatura durante 30 meses fue de 0.66 °C. En comparación, los principales modelos dinámicos superan 0.7 °C de error en el horizonte de 6 a 9 meses. El modelo reprodujo el súper El Niño de 2015 y la triple La Niña de 2020–2022 con un error del índice dentro de ±0.3 °C.

La gran sorpresa física: cuando los autores analizaron cómo el modelo elimina el ruido en cada paso, resultó que ese proceso es matemáticamente equivalente a la ecuación de Van der Pol. Esta ecuación describe oscilaciones autosostenidas con amortiguamiento no lineal, es decir, exactamente el ciclo de acumulación y descarga de calor que genera El Niño y La Niña. Los parámetros de amortiguamiento no lineal y de frecuencia de oscilación extraídos de la red neuronal corresponden al ciclo observado de 22 meses del ENSO. La red neuronal no solo aprendió los datos; por sí misma, sin pistas, reprodujo la física de la variabilidad climática.

Hasta este trabajo no estaba claro si se podía obtener a la vez un pronóstico probabilístico de El Niño a más de un año y un modelo físicamente interpretable. Ahora está claro: el modelo de difusión ofrece un pronóstico fiable del índice Niño3.4 para 14–26 meses y, dentro de su proceso inverso, reproduce la ecuación de Van der Pol. Esta herramienta puede aplicarse en centros operativos para el pronóstico probabilístico de El Niño y la alerta temprana de la barrera de predictibilidad primaveral, cuando cada primavera la precisión de los modelos cae bruscamente. La red neuronal ha dejado de ser una caja negra y se ha convertido en una ventana a la mecánica del océano.