Un modelo del MIT combina IA y señales del Ártico para prever el invierno

Un equipo de investigadores que trabaja con Judah Cohen, científico de investigación del Department of Civil and Environmental Engineering (CEE) del MIT, ganó el primer puesto en otoño en la competición 2025 AI WeatherQuest de predicción subseasonal organizada por el European Centre for Medium-Range Weather Forecasts (ECMWF).

El reto mide hasta qué punto los modelos de Inteligencia Artificial reproducen patrones de temperatura durante varias semanas, un intervalo en el que la predicción ha estado históricamente limitada. El modelo vencedor integró el reconocimiento de patrones mediante aprendizaje automático con los mismos diagnósticos del Ártico que Cohen ha perfeccionado durante décadas, y logró mejoras relevantes en la predicción a varias semanas, por encima de las principales referencias de IA y de las bases estadísticas.

El sistema también identificó con mucha antelación un posible episodio de frío a mediados de diciembre en la costa este de Estados Unidos, semanas antes de que ese tipo de señales suelan aparecer. Ese pronóstico se difundió ampliamente en los medios en tiempo real. Si se valida, según explica Cohen, serviría para mostrar que la combinación de indicadores árticos e IA puede ampliar el margen de anticipación para prever fenómenos meteorológicos con impacto.

Cada otoño, a medida que el hemisferio norte se encamina hacia el invierno, Cohen empieza a encajar un rompecabezas atmosférico complejo. Lleva décadas estudiando cómo las condiciones del Ártico marcan el rumbo del tiempo invernal en Europa, Asia y Norteamérica. Su investigación se remonta a su etapa posdoctoral con Bacardi y con la profesora Dara Entekhabi, de la Stockholm Water Foundations, centrada en la cobertura de nieve en Siberia y su relación con la predicción invernal.

Su perspectiva para el invierno 2025–26 apunta a una temporada definida por señales procedentes del Ártico, interpretadas con una nueva generación de herramientas de inteligencia artificial que ayudan a completar el panorama atmosférico.

Los pronósticos de invierno se apoyan en gran medida en los diagnósticos de El Niño–Southern Oscillation (ENSO), es decir, las condiciones del océano y la atmósfera del Pacífico tropical que influyen en el tiempo a escala global. Sin embargo, Cohen señala que este año el ENSO es relativamente débil.

En su predicción subseasonal, Cohen vigila diagnósticos de altas latitudes como la nieve de octubre en Siberia, los cambios de temperatura al inicio de la temporada, la extensión del hielo marino ártico y la estabilidad del vórtice polar. “These indicators can tell a surprisingly detailed story about the upcoming winter,” he says.

Uno de sus predictores más constantes es el tiempo de octubre en Siberia. Este año, mientras el hemisferio norte registró un octubre inusualmente cálido, Siberia fue más fría de lo normal y tuvo una nevada temprana. “Cold temperatures paired with early snow cover tend to strengthen the formation of cold air masses that can later spill into Europe and North America,” says Cohen — patrones que, históricamente, se han vinculado a una mayor frecuencia de episodios fríos más adelante en el invierno.

Las temperaturas oceánicas elevadas en el mar de Barents–Kara y una fase “easterly” de la oscilación cuasibienal también apuntan a un vórtice polar potencialmente más débil al comienzo del invierno. Cuando esa perturbación se acopla con las condiciones en superficie en diciembre, conduce a temperaturas por debajo de lo normal en partes de Eurasia y Norteamérica al inicio de la estación.

Aunque los modelos meteorológicos de IA han avanzado de forma notable en la predicción a corto plazo (de uno a 10 días), esos progresos aún no se han trasladado a horizontes más largos. La predicción subseasonal, que cubre de dos a seis semanas, sigue siendo uno de los desafíos más difíciles del campo.

En ese contexto, este año podría marcar un punto de inflexión para la predicción subseasonal. El modelo ganador, al combinar aprendizaje automático con diagnósticos árticos, mostró ganancias sustanciales en pronósticos de varias semanas.

El modelo de Cohen indica una mayor probabilidad de condiciones más frías de lo normal en zonas de Eurasia y del centro de Norteamérica más avanzado el invierno, con las anomalías más intensas previsiblemente a mitad de temporada.

A medida que se acelera el calentamiento del Ártico, su influencia en el comportamiento invernal resulta más evidente, lo que refuerza la importancia de comprender estas conexiones para la planificación energética, el transporte y la seguridad pública. El trabajo de Cohen sostiene que el Ártico encierra un potencial aún sin explotar para la predicción subseasonal, y que la IA puede ayudar a aprovecharlo en intervalos que durante mucho tiempo han sido difíciles para los modelos tradicionales.

En noviembre, Cohen incluso apareció como pista en el crucigrama de The Washington Post, un indicio de hasta qué punto su investigación ha entrado en las conversaciones públicas sobre el tiempo invernal.

Cohen seguirá actualizando su perspectiva a lo largo de la temporada en su blog.