El clima leído al revés advierte sobre la sequía ✛ ✦

Original: "Coupling Precipitation Forecasting and Early Warning with Reverse-Martingale Recurrent Neural Networks"
arXiv:2607.00331 · 2026-07-01 · CC BY 4.0 · 1 min
Un programa informático entrenado para leer el clima al revés detecta la sequía con meses de antelación.

Una estación meteorológica en Texas registra la lluvia día tras día. La cinta crece. Se forma una película del clima. Normalmente se reproduce hacia adelante, y un programa de aprendizaje automático adivina el aguacero de mañana. Pero le enseñaron a ver también hacia atrás: a poner la película al revés.

Al ir hacia atrás, todo debería coincidir con el pasado. Con tiempo despejado no hay errores. Pero antes de una sequía, la lluvia, la humedad y el viento cambian de forma descoordinada. La «película» inversa empieza a desmoronarse. Un contador especial acumula estos fallos. En cuanto el error supera el umbral, el programa da la alarma.

En Texas, la señal sonó 140 días antes que con los métodos habituales, casi cinco meses antes.

Este enfoque se probó en experimentos informáticos y con datos de todo el mundo. Comparando la «película» hacia adelante y hacia atrás, el programa encuentra cambios que aún no aparecen en los informes. Al reducir los indicadores a lo esencial, detecta alteraciones antes de que sean visibles. Las oscilaciones internas se convierten en una alerta temprana. En Taiwán, durante la sequía más severa en medio siglo, la alarma llegó con cuatro meses de antelación en las estaciones de montaña, donde las lluvias desaparecen sin avisar.

Durante la sequía más grave en medio siglo en Taiwán en 2020-2021, el nuevo método dio la alarma en estaciones de montaña cuatro meses antes que el índice estándar.

En la novela «El ministerio del futuro», los sistemas climáticos predicen catástrofes con antelación; aquí el programa también «siente» la calamidad que se avecina meses antes.

d_t = \|h_{t-1} - g_{\phi}(h_t)\|
Cuánto difiere el estado oculto real anterior del predicho por el mapeo inverso
S_t = \max(0, S_{t-1} + z_t - k)
Evidencia acumulada a favor de un cambio de régimen, donde z_t es el defecto estandarizado y k el valor de referencia
Científicos
Andrey Markov
Conceptos
precipitation anomaly retrospective forecast probabilistic forecast IRI redes neuronales de aprendizaje predictivo drought error de predicción autoregressive model reanalysis precisión de predicción precipitación spring predictability barrier lead time reconocimiento de patrones computación de reservorio monsoon bosque aleatorio climate network interannual variability regresión de red neuronal