El estudio, coordinado por el profesor de la UV Gustau Camps-Valls, identifica tres puentes —temporal, causal y estructural— que podrían conducir a un sistema más unificado y fiable para predecir la atmósfera terrestre, desde las tormentas de mañana hasta los cambios que se producirán a lo largo de décadas.

¿Qué tienen en común las previsiones meteorológicas para la próxima semana y las proyecciones climáticas para finales de siglo? Ambas intentan describir la evolución del mismo sistema terrestre, pero tradicionalmente han sido desarrolladas por comunidades científicas diferentes, utilizando datos, supuestos, modelos y criterios de evaluación distintos. Esta división ha impedido que las comunidades intercambien experiencias y herramientas.

La predicción meteorológica se centra principalmente en el estado inicial de la atmósfera y en los cambios que se producen a lo largo de horas, días o semanas. La ciencia del clima, por el contrario, estudia cómo responde el sistema terrestre a lo largo de décadas o siglos a factores en evolución, como las concentraciones de gases de efecto invernadero, los aerosoles y los cambios en el uso del suelo. El tiempo proporciona a los científicos numerosos fenómenos observables con los que poner a prueba los modelos; en cuanto a las condiciones climáticas futuras, no existe un registro observacional equivalente.

El nuevo artículo sostiene que la IA está empezando a dar un gran paso adelante para reducir esta brecha. Las comunidades utilizan técnicas muy similares, se enfrentan a retos muy parecidos e intercambian ideas de forma más activa. Y en todo ello, la IA actúa como un catalizador sinérgico. Técnicas como las redes neuronales de grafos, los transformadores, los modelos generativos, los modelos base y los modelos híbridos de física e IA se utilizan cada vez más en ambos campos. Estas técnicas pueden acelerar las simulaciones, combinar conjuntos de datos de observación de la Tierra de gran volumen y heterogéneos, aumentar la resolución espacial y generar predicciones probabilísticas.

Los investigadores analizaron la evolución de la literatura científica entre 1975 y 2025. Sus resultados muestran que la investigación sobre el tiempo, el clima y la IA ha crecido muy rápido y que el solapamiento temático entre los estudios meteorológicos y climáticos ha aumentado más allá de lo que cabría esperar por casualidad, especialmente desde la expansión de la revolución del aprendizaje profundo alrededor de 2010. La predicción, la reducción de escala y la emulación de modelos se encuentran entre las áreas metodológicas que ahora comparten ambas comunidades.

El estudio organiza esta convergencia en torno a tres puentes prácticos. El primero es temporal: la predicción de escala subestacional a estacional cubre el periodo intermedio entre las previsiones meteorológicas convencionales y las predicciones climáticas a más largo plazo. La segunda es de carácter causal: la IA puede facilitar el análisis de fenómenos extremos en condiciones climáticas alternativas o contrafactuales, lo que ayuda a los investigadores a examinar cómo el cambio climático altera su probabilidad o intensidad. La tercera es de carácter estructural: los modelos meteorológicos y climáticos pueden compartir cada vez más componentes, representaciones y combinaciones híbridas de ecuaciones físicas y aprendizaje automático.

Sin embargo, los autores subrayan que la precisión predictiva por sí sola no es suficiente. “Los sistemas de IA también deben respetar las leyes físicas, mantenerse estables durante simulaciones prolongadas, representar la incertidumbre y funcionar de forma fiable cuando se enfrentan a condiciones ajenas a sus datos de entrenamiento”, afirma Alberto Carrassi, de la Universidad de Bolonia. De hecho, esto es especialmente importante en el caso de fenómenos extremos sin precedentes y de regímenes climáticos futuros para los que no existe ningún equivalente histórico directo.

El trabajo también tiene en cuenta los riesgos medioambientales y sociales asociados a la IA. El entrenamiento de modelos a gran escala requiere energía y recursos computacionales, mientras que el acceso a la infraestructura necesaria sigue concentrado en un número relativamente reducido de instituciones y empresas. “La IA podría abaratar el coste de las previsiones avanzadas y hacerlas más accesibles, pero también podría agravar las desigualdades si los países y los centros de investigación no pueden participar en el desarrollo de los propios modelos, además de causar daños a largo plazo”, afirma Francisco de Melo Viríssimo, de la London School of Economics and Political Sciences del Reino Unido.

Para Camps-Valls, “el reto principal no consiste, por tanto, simplemente en diseñar algoritmos más potentes, sino en establecer una nueva cultura de cooperación entre meteorólogos, climatólogos, físicos, informáticos, centros de predicción operativa y responsables de la toma de decisiones”. En la misma línea, “la confianza dependerá de la transparencia, la coherencia física, la comunicación clara de la incertidumbre y el acceso equitativo a los datos y los modelos”, afirma Kai-Hendrik Cohrs, del IPL-UV.

El estudio reúne a 20 investigadores de instituciones de España, Alemania, Italia, el Reino Unido, Grecia, los Países Bajos y Estados Unidos. Junto a Camps-Valls, la contribución de la UV incluye a los investigadores del IPL Nathan Mankovich, Esther Rodrigo-Bonet y Kai-Hendrik Cohrs. Camps-Valls diseñó y estructuró el estudio, preparó su primera versión junto con los coautores y supervisó el trabajo.

El artículo surgió durante el taller de ELLIS «AI for Learning Weather and Climate», celebrado en València en 2024 en el marco del Programa de Investigación ELLIS sobre Aprendizaje Automático para las Ciencias de la Tierra y del Clima. Más de 30 especialistas se reunieron durante una semana para debatir las barreras científicas y operativas que separan ambos campos.

La investigación también está vinculada a importantes iniciativas europeas en materia de IA fiable y ciencia del sistema terrestre. Ha contado con el apoyo del Consejo Europeo de Investigación a través de la subvención de sinergia de la ERC «USMILE», coordinada en la Universitat de València por Camps-Valls, así como de los proyectos europeos ELIAS, AI4PEX, MeDiTwin y ThinkingEarth.

Referencia del artículo: Camps-Valls, G.; Carrassi, A.; de Melo Viríssimo, F. et al. “Bridging the weather and climate divide with artificial intelligence”. Nat Commun 17, 8578 (2026). https://doi.org/10.1038/s41467-026-75787-y