IA per a unificar la predicció meteorològica de demà i la projecció climàtica de finals de segle

L’estudi, coordinat pel professor de la UV Gustau Camps-Valls, identifica tres ponts —temporal, causal i estructural— que podrien conduir a un sistema més unificat i fiable per a predir l’atmosfera terrestre, des de les tempestes de demà fins als canvis que es produiran al llarg de dècades.

Què tenen en comú les previsions meteorològiques per a la setmana vinent i les projeccions climàtiques per a finals de segle? Ambdues intenten descriure l’evolució del mateix sistema terrestre, però tradicionalment han sigut desenvolupades per comunitats científiques diferents, utilitzant dades, supòsits, models i criteris d’avaluació distints. Aquesta divisió ha impedit que les comunitats intercanvien experiències i eines.

La predicció meteorològica se centra principalment en l’estat inicial de l’atmosfera i en els canvis que es produeixen al llarg d’hores, dies o setmanes. La ciència del clima, per contra, estudia com respon el sistema terrestre al llarg de dècades o segles a factors en evolució, com les concentracions de gasos d’efecte d’hivernacle, els aerosols i els canvis en l’ús del sòl. El temps proporciona als científics nombrosos fenòmens observables amb els quals posar a prova els models; quant a les condicions climàtiques futures, no existeix un registre observacional equivalent.

El nou article sosté que la IA està començant a fer un gran pas avant per a reduir aquesta bretxa. Les comunitats utilitzen tècniques molt similars, s’enfronten a reptes molt semblants i intercanvien idees de forma més activa. I en tot això, la IA actua com un catalitzador sinèrgic. Tècniques com les xarxes neuronals de grafs, els transformadors, els models generatius, els models base i els models híbrids de física i IA s’utilitzen cada vegada més en tots dos camps. Aquestes tècniques poden accelerar les simulacions, combinar conjunts de dades d’observació de la Terra de gran volum i heterogenis, augmentar la resolució espacial i generar prediccions probabilístiques.

Els investigadors van analitzar l’evolució de la literatura científica entre 1975 i 2025. Els seus resultats mostren que la recerca sobre el temps, el clima i la IA ha crescut molt ràpid i que el solapament temàtic entre els estudis meteorològics i climàtics ha augmentat més enllà del que caldria esperar per casualitat, especialment des de l’expansió de la revolució de l’aprenentatge profund al voltant de 2010. La predicció, la reducció d’escala i l’emulació de models es troben entre les àrees metodològiques que ara comparteixen totes dues comunitats.

L’estudi organitza aquesta convergència entorn de tres ponts pràctics. El primer és temporal: la predicció d’escala subestacional a estacional cobreix el període intermedi entre les previsions meteorològiques convencionals i les prediccions climàtiques a més llarg termini. La segona és de caràcter causal: la IA pot facilitar l’anàlisi de fenòmens extrems en condicions climàtiques alternatives o contrafactuals, cosa que ajuda als investigadors a examinar com el canvi climàtic altera la seua probabilitat o intensitat. La tercera és de caràcter estructural: els models meteorològics i climàtics poden compartir cada vegada més components, representacions i combinacions híbrides d’equacions físiques i aprenentatge automàtic.

No obstant això, els autors subratllen que la precisió predictiva per si sola no és suficient. “Els sistemes d’IA també han de respectar les lleis físiques, mantenir-se estables durant simulacions prolongades, representar la incertesa i funcionar de manera fiable quan s’enfronten a condicions alienes a les seues dades d’entrenament”, afirma Alberto Carrassi, de la Universitat de Bolonya. De fet, això és especialment important en el cas de fenòmens extrems sense precedents i de règims climàtics futurs per als quals no existeix cap equivalent històric directe.

El treball també té en compte els riscos mediambientals i socials associats a la IA. L’entrenament de models a gran escala requereix energia i recursos computacionals, mentre que l’accés a la infraestructura necessària continua concentrat en un nombre relativament reduït d’institucions i empreses. “La IA podria abaratir el cost de les previsions avançades i fer-les més accessibles, però també podria agreujar les desigualtats si els països i els centres de recerca no poden participar en el desenvolupament dels models propis, a més de causar danys a llarg termini”, afirma Francisco de Melo Viríssimo, de la London School of Economics and Political Sciences del Regne Unit.

Per a Camps-Valls, “el repte principal no consisteix, per tant, simplement a dissenyar algorismes més potents, sinó a establir una nova cultura de cooperació entre meteoròlegs, climatòlegs, físics, informàtics, centres de predicció operativa i responsables de la presa de decisions”. En la mateixa línia, “la confiança dependrà de la transparència, la coherència física, la comunicació clara de la incertesa i l’accés equitatiu a les dades i els models”, afirma Kai-Hendrik Cohrs, de l’IPL-UV.

L’estudi reuneix 20 investigadors d’institucions d’Espanya, Alemanya, Itàlia, el Regne Unit, Grècia, els Països Baixos i els Estats Units. Junt amb Camps-Valls, la contribució de la UV inclou els investigadors de l’IPL Nathan Mankovich, Esther Rodrigo-Bonet i Kai-Hendrik Cohrs. Camps-Valls va dissenyar i va estructurar l’estudi, va preparar la seua primera versió juntament amb els coautors i va supervisar el treball.

L’article va sorgir durant el taller d’ELLIS «AI for Learning Weather and Climate», celebrat a València el 2024 en el marc del Programa d’investigació ELLIS sobre aprenentatge automàtic per a les ciències de la terra i del clima. Més de 30 especialistes es van reunir durant una setmana per a debatre les barreres científiques i operatives que separen tots dos camps.

La recerca també està vinculada a importants iniciatives europees en matèria d’IA fiable i ciència del sistema terrestre. Ha comptat amb el suport del Consell Europeu d’Investigació a través de la subvenció de sinergia de l’ERC «USMILE», coordinada a la Universitat de València per Camps-Valls, així com dels projectes europeus ELIAS, AI4PEX, MeDiTwin i ThinkingEarth.

Referència de l’article: 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