El 18 y 19 de octubre, en fechas climatológicamente señaladas para estos episodios, la dana Adam dejó lluvias torrenciales en amplias zonas de Cataluña y de la Comunidad Valenciana. En la Safor y la Marina Alta los acumulados superaron los 500 milímetros, y en Oliva rebasaron puntualmente los 600. Oliva es la misma localidad que conserva desde noviembre de 1987 el récord español de precipitación en 24 horas. Hubo víctimas mortales e inundaciones graves. El recuerdo de la inundación del 29 de octubre de 2024 estuvo muy presente pero esta vez las instituciones reaccionaron con más prontitud y eficacia.
El episodio deja dos enseñanzas. La primera es que reconocer a tiempo una situación extraordinaria permite avisar aunque no se conozca el máximo. La segunda es que la cuantificación sigue siendo el punto débil: entre los 300 milímetros previstos y los más de 600 registrados hay una diferencia que ningún predictor puede resolver por intuición. De ahí una cuestión operativa: ¿podemos aprovechar mejor nuestros conocimientos y los datos acumulados para anticipar futuros episodios mediterráneos?
La inteligencia artificial está transformando la predicción meteorológica. Los nuevos modelos globales ofrecen resultados destacados en muchas variables y plazos, pero mantienen dificultades con la precipitación más intensa. De ahí se extrae a veces una conclusión demasiado rápida: si suavizan las lluvias excepcionales, la IA no serviría para preverlas. Creo que esa conclusión no está justificada. Sus posibilidades dependen del tipo de modelo, de la escala, de cómo se entrena y, especialmente, de los datos con los que aprende.
Muchos modelos de IA se han entrenado con reanálisis como ERA5, cuya precipitación procede del propio modelo numérico que interviene en esa reconstrucción atmosférica, y pueden heredar sus sesgos. Schmitt y colaboradores mantienen la arquitectura de un modelo y sustituyen esa referencia por estimaciones satelitales de IMERG. El modelo mejora en diversos aspectos, aunque persisten dificultades con las lluvias más intensas. El resultado muestra cuánto importa la «verdad» que se ofrece durante el aprendizaje.
En la misma línea, WeatherNext 3, de Google DeepMind y Google Research, incorpora imágenes recientes de satélites geoestacionarios, genera nuevas predicciones cada hora y aprende la precipitación de varias fuentes: el reanálisis europeo, IMERG y una reconstrucción propia que combina satélite y radar. Es un avance notable, aunque la propia Google no lo presenta como sustituto de la predicción oficial, y no demuestra por sí solo que puedan anticiparse los máximos de un episodio como el de Valencia.
En el ámbito regional, Pujol y colaboradores combinan observaciones de estaciones y predicciones de AROME y ARPEGE para estudiar lluvias intensas en Francia, incluida su región mediterránea. Su sistema híbrido supera a las alternativas basadas en una sola fuente y mantiene su capacidad de discriminación hasta umbrales muy exigentes, aunque un extremo estadístico no equivale necesariamente a los máximos de una catástrofe.
El antecedente más próximo a lo que aquí se propone está en Italia. Grazzini y colaboradores desarrollaron MaLCoX, que se ejecuta diariamente en el servicio regional de Emilia-Romaña. Se entrena con veinte años de predicciones retrospectivas del ECMWF, realizadas con una misma versión del modelo para que sus sesgos sean homogéneos, y con precipitación observada de alta resolución. Reconoce condiciones favorables a extremos, clasifica los episodios y permite examinar qué variables pesan en cada predicción. Un detalle significativo es que los rasgos de la circulación a gran escala, y no solo los locales, aumentan su capacidad a plazos superiores a seis días. Es decir, aprovecha la mayor predictibilidad de la configuración atmosférica para anticipar el riesgo de lluvias extremas.
Son investigaciones distintas y sus resultados no pueden trasladarse automáticamente a otras regiones. Pero apuntan a posibilidades complementarias: mejores datos de aprendizaje, observaciones recientes y reconocimiento de configuraciones regionales. ¿Por qué no explorarlas de forma específica en nuestro Mediterráneo? Disponemos de redes pluviométricas, radares, satélites y un archivo largo de análisis y predicciones. Las lluvias torrenciales, aunque excepcionales en cada lugar, se repiten en distintas zonas de la cuenca, y reunir esa experiencia puede proporcionar una muestra útil.
Hay, sin embargo, una cautela. Un sistema que aprende del pasado reconoce mejor lo que abunda en el archivo. Si algunas configuraciones están cambiando, o aparecen ahora con una frecuencia que antes no tenían, el archivo podría representarlas mal. Lo apuntan, por ejemplo, ciertos episodios recientes con rasgos de tipo tropical y sin la estructura dinámica clásica. Es una razón más para vigilar el comportamiento del sistema con los episodios recientes y para no prescindir del juicio del predictor.
Quienes hemos trabajado durante muchos años en predicción reconocemos configuraciones que favorecen el flujo de levante, otras con alimentación del sur o del sureste, situaciones condicionadas por la orografía y episodios en los que resultan decisivas la convergencia, la persistencia o la posición de una baja en altura. Esa experiencia no permite decidir si en un punto caerán 250, 400 o 700 milímetros. Pero sí señala relaciones entre la configuración atmosférica y el episodio que podemos intentar cuantificar. Un sistema de IA puede examinar muchos más casos y variables que una persona.
El primer experimento no tendría que ser un nuevo modelo de toda la atmósfera. Bastaría con enseñar a un sistema regional a relacionar las predicciones numéricas, preferentemente retrospectivas y homogéneas, con la precipitación registrada después. Las entradas deberían recoger tanto el motor como el combustible. El motor es la dinámica de niveles altos: el chorro y sus zonas de salida, la divergencia y la advección de vorticidad en 300 y 250 hPa. El combustible es el aire cálido y húmedo de capas bajas: el transporte de vapor, la humedad en 850 hPa y la temperatura del mar. A ello se sumarían el relieve, la precipitación prevista por los modelos y la información proporcionada por sus sistemas de conjuntos. La posición, la orientación y la evolución de una vaguada, una dana o un corredor húmedo contienen información que unos pocos índices resumen solo parcialmente.
La referencia sería la lluvia estimada mediante pluviómetros y radar, con controles de calidad. El aprendizaje incluiría tanto grandes episodios como situaciones aparentemente favorables que no produjeron lluvias extremas. Esos «falsos amigos» son esenciales para que cualquier configuración sugestiva no se convierta en una alarma.
La prueba decisiva sería evaluar el sistema con episodios completos que no hubiera visto durante el entrenamiento, empleando solo la información disponible antes de cada situación. Habría que compararlo con lo que ya usan los predictores, el conjunto del ECMWF y su índice de extremos, y contar sus aciertos, omisiones y falsas alarmas. Reconocer retrospectivamente un episodio no equivale a anticipar uno nuevo.
Su utilidad operativa estaría en ofrecer probabilidades de superar umbrales para zonas y periodos bien definidos, como una cuenca concreta y acumulaciones de una, seis o veinticuatro horas. Después podrían añadirse rangos plausibles de precipitación, extensión y persistencia de la lluvia, y antecedentes semejantes. Todo ello ayudaría a responder a la pregunta que el pasado fin de semana estuvo sobre la mesa en Oliva: ¿hay antecedentes en los que configuraciones parecidas terminaron produciendo bastante más de lo que preveía el modelo?
No sería realista exigir el máximo puntual exacto. Una pequeña diferencia en la posición o la persistencia de una banda cambia por completo el registro de un pluviómetro. Pero tampoco debería recaer sobre el predictor la responsabilidad de decidir intuitivamente si 300 milímetros previstos serán 200 o 600. La cuantificación necesita apoyo objetivo y probabilista.
El predictor seguiría valorando la coherencia física de los resultados, vigilando la evolución con satélite, radar y observaciones, y reconociendo los procesos mal representados. Su experiencia sería decisiva ante configuraciones nuevas, pero contaría con una memoria objetiva mucho mayor que la de cualquier persona. Y para anticipar inundaciones habría que conectar esas estimaciones con el estado de las cuencas y la exposición de las zonas afectadas.
Dos octubres casi seguidos en los que las cantidades han rozado lo extraordinario justifican avanzar por este camino e invertir los recursos necesarios -todavía escasos- y unas claras prioridades. Tenemos conocimientos, observaciones y herramientas para plantear un ensayo regional con objetivos concretos y una evaluación independiente. Nada garantiza el éxito, pero sí permite comprobar si podemos estimar mejor la probabilidad, la localización y la magnitud de una situación peligrosa. Convertir la experiencia acumulada en una ayuda verificable sería una forma concreta de mejorar la vigilancia futura.
No hay comentarios:
Publicar un comentario