Cómo predecir El Niño con seis meses de antelación ✛ ✎

Original: "El Nino Prediction Based on Weather Forecast and Geographical Time-series Data"
arXiv:2604.04998 · 2026-04-05 · arXiv non-exclusive · análisis propio · 2 min
Una red neuronal que observa mapas del océano y escucha el ritmo de la temperatura predice El Niño con un 90% de precisión.

Dos observadores vigilan el océano Pacífico. Uno examina los mapas térmicos de la superficie; el otro escucha el ritmo de la temperatura y la acumulación de calor en la columna de agua. Por separado, cada uno solo percibe una parte del panorama, pero juntos pueden detectar la aproximación de El Niño con varios meses de antelación, antes de que la corriente cálida altere el clima en todo el planeta.

El Niño, la fase cálida de la oscilación climática en el Pacífico ecuatorial, trae sequías a Australia e inundaciones a Perú, y afecta la pesca y las cosechas. Un pronóstico preciso con seis meses de anticipación da tiempo para prepararse. Investigadores de la Universidad Nacional de Vietnam han construido el modelo ConvLSTM-XT, que integra a los dos observadores en una sola arquitectura. Una red neuronal convolucional (CNN) procesa los mapas térmicos de la temperatura superficial del mar (SST), mientras que una memoria a largo plazo (LSTM) analiza las series temporales de temperatura y contenido de calor oceánico (OHC). Los datos abarcan desde enero de 2000 hasta septiembre de 2023, y la región se limita a la zona Niño 3.4 (5°S–5°N, 120°–170°O).

El modelo se entrenó durante 50 épocas con el optimizador Adam, con una tasa de aprendizaje de 0.001 y un tamaño de lote de 32; la función de pérdida fue el error cuadrático medio. El pronóstico se evaluó mediante el índice ONI (promedio trimestral de la anomalía de SST), comparándolo con el umbral de 0.5°C.

La precisión del pronóstico alcanzó el 90,57% en configuraciones donde al menos uno de los cinco trimestres usaba observaciones reales y el resto eran pronósticos. Cuando los cinco trimestres se pronosticaron sin apoyo de observaciones, la precisión cayó al 83,02%. El análisis cualitativo de los mapas térmicos de marzo a septiembre de 2023 mostró que el modelo captó la transición de anomalías frías a cálidas, característica del desarrollo de El Niño, aunque no siempre superó el umbral de 0.5°C en los cinco períodos. Los dos observadores, uniendo esfuerzos, ya ofrecen varios meses de ventaja frente a la anomalía climática.

El Niño de 1982–1983 casi destruyó la población de anchoa peruana, de la que dependía la mayor pesquería del mundo. Las capturas cayeron de 12 millones de toneladas a menos de 1 millón de toneladas.

En la novela de Kim Stanley Robinson 'Las cuarenta señales de lluvia', los modelos climáticos juegan un papel clave en la predicción de fenómenos meteorológicos extremos, y los científicos luchan por que sus pronósticos sean escuchados por los políticos. El desarrollo de modelos más precisos de El Niño resuena con este tema: cuanto más temprana y precisa sea la advertencia, mayores serán las posibilidades de adaptación.

A_{region}(t) = \frac{1}{N} \sum_{(lat,lng) \in Ni\~no 3.4} \left[ T_{lat,lng}(t) - \frac{1}{30} \sum_{yt=c(yt)-15}^{c(yt)+14} T_{lat,lng}(yt, m(t)) \right]
Diferencia entre la temperatura superficial actual y su promedio climatológico de 30 años para el mismo mes, promediada sobre toda la región Niño 3.4.
ONI(t) = \frac{1}{3} \left( A_{region}(t-2) + A_{region}(t-1) + A_{region}(t) \right)
Promedio móvil de tres meses de las anomalías de temperatura superficial, utilizado para definir El Niño (umbral de 0.5°C).
Conceptos
El Niño pronóstico La Niña El Niño index NOAA CPC NOAA PMEL / TAO spring predictability barrier ERSST Jin-Timmermann model ENSO equatorial wave propagation relative ONI Multivariate ENSO Index zebiak cane model Indian Ocean capacitor effect ensemble forecast lead time Westerly wind burst interannual variability TAO/TRITON moorings