El hielo marino ártico refleja buena parte de la energía solar que recibe, mientras que el océano descubierto, más oscuro, la absorbe. Esa diferencia convierte a la cobertura helada en un regulador del equilibrio térmico del planeta, cuyas variaciones alteran patrones atmosféricos y oceánicos en regiones muy distantes del polo.
Anticipar cuánta superficie congelada habrá cada temporada es, por eso, uno de los desafíos abiertos de la climatología, sobre todo en un contexto de retroceso acelerado que ya registró su mayor caída invernal desde que existen mediciones satelitales. Un algoritmo deliberadamente sencillo acaba de igualar en precisión a decenas de modelos mucho más sofisticados.
Un equipo del Centro Mubadala para las Ciencias del Clima y el Medio Ambiente, con sede en la Universidad de Nueva York en Abu Dhabi, diseñó un sistema capaz de pronosticar la extensión del hielo ártico con hasta nueve meses de antelación, cuya precisión igualó la de 34 modelos de pronóstico estacional, según informó la institución en un comunicado.
Lo llamativo no reside solo en el alcance temporal, sino en el método: mientras los modelos convencionales simulan las interacciones entre atmósfera, océano y capa helada, y los más recientes recurren a inteligencia artificial, este algoritmo utiliza únicamente el registro histórico de la extensión del hielo.
El trabajo, publicado en la revista Scientific Reports, presenta lo que sus autores denominaron Predictor Aleatorio por Análogos. Su lógica es directa: identifica en los datos del pasado las configuraciones más parecidas al estado actual del hielo y, a partir de lo que ocurrió después en cada caso, genera un abanico de escenarios futuros.
En lugar de ofrecer una única cifra, entrega un conjunto de pronósticos cuya dispersión permite calcular el grado de confianza de cada predicción.
Las pruebas retrospectivas, que consisten en aplicar el algoritmo a períodos ya transcurridos para verificar si habría acertado, arrojaron un margen de error inferior a 0,6 millones de kilómetros cuadrados, según se detalla en el estudio. Cuando los investigadores evaluaron específicamente los pronósticos de septiembre, el mes en que la cobertura ártica alcanza su mínimo anual, el sistema mostró una destreza comparable a la de los 34 modelos que integran la Red de Predicción del Hielo Marino, una iniciativa internacional que reúne los principales sistemas de pronóstico del sector, según indica el comunicado institucional.
“Pronosticar el hielo marino ártico con varios meses de anticipación es un problema difícil, y cada vez más importante a medida que el Ártico continúa cambiando”, afirmó Francesco Paparella, director inaugural del Centro Mubadala para las Ciencias del Clima y el Medio Ambiente en la Universidad de Nueva York en Abu Dhabi, y autor principal del estudio, según el comunicado.
“Nuestro enfoque es deliberadamente simple, pero compite con modelos de pronóstico mucho más complejos. Y además proporciona una estimación de su propia incertidumbre, lo que lo convierte en un punto de referencia útil y transparente para evaluar futuros métodos de pronóstico”, agregó.
En tanto, al ser consultado en el comunicado por los modelos que suman complejidad para brindar datos que, con este método sencillo, se habrían equiparado, Paparella abordó la cuestión de manera directa.
“El valor de este predictor no es reemplazar modelos más sofisticados, sino ofrecer un criterio claro contra el cual puedan medirse. Si un modelo mucho más complejo no logra superar un enfoque tan simple, eso dice algo importante sobre cuánta información predictiva adicional está aportando esa complejidad”, sostuvo, según el comunicado.
El estudio propone, en ese sentido, que todo modelo de predicción del hielo ártico, ya sea basado en física o en inteligencia artificial, debería demostrar primero que supera al Predictor Aleatorio por Análogos antes de considerarse un avance genuino. “No superar a un método tan sencillo debería considerarse una limitación grave”, se detalla en el trabajo.
El algoritmo fue desarrollado por Faiq Raees, investigador del Instituto Courant de Ciencias Matemáticas de la Universidad de Nueva York y del Centro de Estabilidad, Inestabilidad y Turbulencia de la sede en Abu Dhabi, junto con Paparella. Ambos contribuyeron en partes iguales al trabajo, según se declara formalmente en el estudio.
En el comunicado, el equipo también señaló el potencial del sistema como recurso de bajo costo para las crecientes actividades de investigación polar de los Emiratos Árabes Unidos.
A diferencia de los modelos que requieren simulaciones computacionales costosas, el predictor funciona con el registro histórico disponible, lo que facilita su aplicación en contextos donde los recursos técnicos son limitados.
