Un equip d'investigadors de l’IRTIC ha publicat en el volum 196 de gener de 2026 de la revista Environmental Modelling & Software l'article «An open, reproducible benchmark of daily CO₂ forecasting models with applications to GHG monitoring». L'estudi demostra que utilitzar models i models híbrids basats en l'algorisme estadístic Prophet, dissenyat per a gestionar dades de sèries temporals amb observacions diàries i emetre un pronòstic sobre les concentracions de diòxid de carboni en l'atmosfera, pot predir aquest fenomen millor que els models estadístics tradicionals i els d'aprenentatge profund.
D'aquesta manera, serà possible reforçar la capacitat per a respondre a les tendències emergents del CO₂ atmosfèric. Això contribuirà a l'avaluació del clima sobre la base de proves i a la gestió dels ecosistemes a escala regional i continental.
El grup d'autors de l'article està format per Pablo Catret Ruber, David García Rodríguez, Domingo J. Iglesias Font, Ernesto López Baeza, José Javier Samper Zapater i Juan José Martínez Durá. La seua investigació presenta un marc de modelització reproduïble que integra enfocaments estadístics, d'aprenentatge automàtic, d'aprenentatge profund i híbrids per a la predicció diària de CO₂.
Mitjançant l'ús de dades d'alta freqüència procedents de 28 estacions atmosfèriques ICOS (en anglés, sigles de Sistema integrat d'observació del carboni) repartides per diversos ecosistemes i climes europeus, l'equip ha avaluat el rendiment del model per cobertura del sòl, zona climàtica, altitud i latitud.
Tots els models es van implementar en Python amb biblioteques de codi obert, i tant el codi com els conjunts de dades processades estan disponibles públicament. Tant els models com els models híbrids basats en Prophet, com ProphetTCN i ProHiTS, van aconseguir una precisió més gran que els models estadístics tradicionals i els d'aprenentatge profund, i una generalització sòlida en tots els biomes.
L'avantatge predictiu de la proposta deriva de la combinació d'una estructura estacional explícita, una dinàmica d'aprenentatge conservadora i, en configuracions híbrides, la capacitat de capturar components de senyals secundaris a través de sistemes d'aprenentatge complementaris com TCN o LightGBM.
La precisió obtinguda va ser major en els emplaçaments situats a gran altitud i latituds elevades, i menor en les terres de cultiu i els boscos mixtos. El marc de treball és transferible a altres contextos de seguiment de gasos d'efecte d'hivernacle i resulta adequat per a la seua integració en sistemes de suport a la presa de decisions mediambientals i gestió de polítiques climàtiques.
