Un equipo de investigadores del IRTIC ha publicado en el volumen 196 de enero de 2026 de la revista Environmental Modelling & Software el artículo «An open, reproducible benchmark of daily CO₂ forecasting models with applications to GHG monitoring». El estudio demuestra que utilizar modelos y modelos híbridos basados en el algoritmo estadístico Prophet, diseñado para gestionar datos de series temporales con observaciones diarias y emitir un pronóstico acerca de las concentraciones de dióxido de carbono en la atmósfera, puede predecir este fenómeno mejor que los modelos estadísticos tradicionales y los de aprendizaje profundo.
De este modo, será posible reforzar la capacidad para responder a las tendencias emergentes del CO₂ atmosférico. Esto contribuirá a la evaluación del clima en base a pruebas y a la gestión de los ecosistemas a escala regional y continental.
El grupo de autores del artículo está formado por Pablo Catret Ruber, David García Rodríguez, Domingo J. Iglesias Fuente, Ernesto López Baeza, José Javier Samper Zapater y Juan José Martínez Durá. Su investigación presenta un marco de modelización reproducible que integra enfoques estadísticos, de aprendizaje automático, de aprendizaje profundo e híbridos para la predicción diaria de CO₂.
Mediante el uso de datos de alta frecuencia procedentes de 28 estaciones atmosféricas ICOS (en inglés, siglas de Sistema integrado de observación del carbono) repartidas por diversos ecosistemas y climas europeos, el equipo ha evaluado el rendimiento del modelo por cobertura del suelo, zona climática, altitud y latitud.
Todos los modelos se implementaron en Python con bibliotecas de código abierto, y tanto el código como los conjuntos de datos procesados están disponibles públicamente. Tanto los modelos como los modelos híbridos basados en Prophet, como ProphetTCN y ProHiTS, lograron una mayor precisión que los modelos estadísticos tradicionales y los de aprendizaje profundo, y una generalización sólida en todos los biomas.
La ventaja predictiva de la propuesta deriva de la combinación de una estructura estacional explícita, una dinámica de aprendizaje conservadora y, en configuraciones híbridas, la capacidad de capturar componentes de señales secundarias a través de sistemas de aprendizaje complementarios como TCN o LightGBM.
La precisión obtenida fue mayor en los emplazamientos situados a gran altitud y latitudes elevadas, y menor en las tierras de cultivo y los bosques mixtos. El marco de trabajo es transferible a otros contextos de seguimiento de gases de efecto invernadero y resulta adecuado para su integración en sistemas de apoyo a la toma de decisiones medioambientales y gestión de políticas climáticas.
