Desde la ETH Zúrich surge un modelo fundamental capaz de integrar la atmósfera, el suelo y el ciclo del agua, incluso utilizando datos incompletos.

Cuando una tormenta tropical se transforma en un supertifón en cuestión de días, el desafío no reside únicamente en predecir su trayectoria, sino también en comprender cómo el viento, las precipitaciones, la humedad del suelo, la topografía, la temperatura y la circulación atmosférica interactúan entre sí. En julio de 2023, el tifón Doksuri demostró esta complejidad de forma especialmente severa, azotando Filipinas y China con vientos violentos, lluvias torrenciales y daños generalizados en las zonas costeras. Investigadores del ETH Domain utilizaron este caso concreto para probar un nuevo modelo meteorológico. Inteligencia artificial Aplicado al sistema terrestre.

El modelo se llama Modelo de fundamentos del sistema terrestre,el ESFMy se desarrolló dentro del Iniciativa suiza de IA, con el aporte de ETH Zurich, EPFL, Centro suizo de ciencia de datos y otros socios científicos. La innovación no reside en reemplazar los modelos meteorológicos tradicionales, sino en construir una infraestructura capaz de interpretar datos heterogéneos e incompletos: imágenes satelitales, mediciones de estaciones terrestres, series atmosféricas, datos hidrológicos y observaciones dispersas en el espacio y el tiempo.

El problema es tanto industrial como científico. La agricultura, los seguros, la gestión de infraestructuras, la defensa civil, la energía y la planificación urbana dependen cada vez más de pronósticos y reconstrucciones fiables. Sin embargo, los datos ambientales reales rara vez llegan de forma ordenada. Las redes de monitoreo no están distribuidas uniformemente, los sensores pueden fallar, las nubes dificultan la visión de los satélites y las zonas remotas siguen estando mal observadas. ESFM se creó precisamente para trabajar en esta discontinuidad.

Un modelo que conecta la atmósfera, la tierra y el agua.

El punto clave es la integración. Muchos sistemas de IA meteorológica se han centrado principalmente en la atmósfera, tratando el resto como contexto o variables secundarias. ESFM, por otro lado, intenta representar la sistema terrestre como un todo interconectado, donde los procesos atmosféricos, hidrológicos y terrestres no se separan artificialmente. Este enfoque es relevante porque los eventos extremos, como inundaciones, sequías y ciclones tropicales, no dependen de una sola variable, sino de cadenas de retroalimentación.

Fanny Lehmann, matemáticas, becario postdoctoral deCentro ETH de IA Y un miembro del grupo que desarrolló el modelo explicó el salto metodológico de la siguiente manera:

Los modelos meteorológicos de IA anteriores se han centrado principalmente en la atmósfera. Nuestro modelo, en cambio, conecta deliberadamente los datos meteorológicos atmosféricos con los datos hidrológicos y terrestres. A partir de esto, la IA identifica patrones, tendencias y relaciones clave dentro del sistema meteorológico terrestre y los utiliza para generar pronósticos, incluso cuando faltan datos importantes. La verdadera fortaleza de nuestro modelo reside en su capacidad para aprender las interacciones meteorológicas cruciales a partir de diversas fuentes de datos.

En términos técnicos, ESFM no impone toda la información en una única cuadrícula prenormalizada. El modelo trata los diferentes tipos de datos por separado, los asocia con coordenadas espaciales y temporales, y luego los combina en un marco común. Esto permite preservar las características específicas de cada fuente, desde mapas ráster satelitales hasta mediciones puntuales de temperatura, presión, viento o nivel del agua.

Es un paso importante en el uso delBig Data En ciencias ambientales, una amplia gama de observaciones no basta si los datos no son comparables. La innovación de ESFM reside en su capacidad para utilizar diferentes formatos y densidades sin reducirlo todo a una representación rígida, evitando así la pérdida de información.

La prueba de Doksuri y el problema de las observaciones incompletas

La prueba del supertifón Doksuri es significativa porque el evento no se incluyó en los datos de entrenamiento. A pesar de ello, según la ETH Zúrich, el ESFM predijo la intensidad del viento con notable precisión durante varios días y reconstruyó de forma realista la ubicación, el movimiento y la expansión espacial de la tormenta. Esto no constituye una certificación operativa para su uso como sistema de alerta, pero sí indica una útil capacidad de generalización para la investigación de eventos extremos.

Sin embargo, la característica más distintiva del modelo sigue siendo su gestión de las lagunas de información. Según la fuente, tras el entrenamiento, ESFM es capaz de generar pronósticos incluso a partir de observaciones satelitales donde solo se dispone de aproximadamente el 100 % de los datos. 3 por ciento de píxelesEsto es especialmente relevante para aplicaciones en áreas con escasa cobertura de observación o en situaciones donde la adquisición de datos se ve obstaculizada por las condiciones meteorológicas, las limitaciones técnicas o la falta de infraestructura.

Firat Ozdemir, desarrollador principal del equipo ESFM y científico de datos sénior en lo Centro suizo de ciencia de datosresumió el problema de la siguiente manera:

Los modelos de IA anteriores para la predicción meteorológica, a diferencia de ESFM, solían entrenarse con un solo tipo de datos o con unos pocos conjuntos de datos de formato similar. Su rendimiento suele disminuir al trabajar con datos muy heterogéneos o incompletos. ESFM aborda este problema integrando datos de múltiples fuentes y completando las lagunas de información de forma mucho más eficiente.

Esta capacidad tiene implicaciones concretas. En una zona afectada por la sequía, por ejemplo, la combinación de precipitación, humedad del suelo, características geológicas, temperatura y niveles de agua puede ayudar a interpretar la evolución del riesgo. ESFM reconstruye los datos faltantes vinculando las lagunas con la información disponible de áreas cercanas, variables correlacionadas y observaciones pasadas. La lógica no se basa en una simple interpolación, sino en el aprendizaje de relaciones físicas recurrentes.

Desde modelos especializados hasta una base reutilizable.

La palabra modelo de cimentacion Debe leerse con atención. En el lenguaje de la IA, indica un modelo entrenado sobre una base amplia, capaz de ser reutilizado y adaptado a tareas posteriores mediante sintonia FINAEn el caso de las ciencias de la Tierra, esto significa pasar de herramientas verticales, diseñadas para una sola variable o caso de uso, a una plataforma más general para integrar datos y realizar pronósticos.

Sebastián Schemm, científico atmosférico y profesor enUniversidad de Cambridge, que ya trabaja en la ETH Zúrich, ha especificado el alcance del modelo:

ESFM no es un modelo climático clásico ni un modelo especializado de predicción meteorológica o alerta de tormentas; más bien, pertenece a una categoría distinta de modelos que pueden servir como base flexible para una amplia gama de tareas en la investigación climática y meteorológica. Su ventaja reside en una especie de comprensión sistémica aprendida, que le permite generar pronósticos plausibles en muchos casos, incluso cuando los datos son incompletos o fragmentados.

El trabajo técnico asociado al proyecto, presentado en elAsamblea General de la EGU 2026 de Viena, describe ESFM como un marco para integrar datos heterogéneos y realizar pronósticos. El modelo se basa en la estructura principal. 3D Swin UNet Aurora, que ya utiliza esta herramienta, introduce extensiones para datos faltantes, mediciones dispersas, observaciones puntuales e imágenes satelitales. Entre los elementos destacados en la versión preliminar se encuentran la atención axial para capturar dependencias entre variables y esquemas de tokenización de variables individuales.

Para el sector, el cambio es significativo porque traslada la IA climática de un entorno predominantemente experimental a una arquitectura más modular. Un modelo básico puede adaptarse a la hidrología, la agricultura, la biodiversidad o el monitoreo ambiental sin tener que empezar desde cero cada vez. Mathieu Salzmann, científico sénior enEPFL y subdirector científico de datos del Centro Suizo de Ciencia de Datos, ha señalado precisamente esta dirección: explotar la capacidad de representación del modelo en ámbitos como la agricultura, la biodiversidad y la hidrología.

Acceso abierto e implicaciones para las regiones con escasez de datos.

Otro factor industrialmente significativo es la accesibilidad. ETH Zurich indica que ESFM está disponible en Abrazando la cara y en un repositorio GitHubEl repositorio público contiene código de entrenamiento y evaluación para experimentos de predicción atmosférica y del sistema terrestre. En un campo dominado por costosos recursos computacionales, la apertura del modelo no elimina las barreras, pero sí permite a los grupos de investigación y a las organizaciones públicas inspeccionar, adaptar y probar el marco.

El proyecto también cuenta con el apoyo deRed Internacional de Computación e Inteligencia Artificial, una iniciativa vinculada a ETH Zurich que promueve colaboraciones internacionales en IA. Uno de los objetivos declarados es hacer que los modelos de este tipo sean utilizables también en Sur Globaldonde la escasez de datos locales representa una limitación estructural para la previsión ambiental. En tales contextos, la capacidad de perfeccionar la gestión forestal sostenible con observaciones regionales puede ser muy beneficiosa para la agricultura, la gestión del agua y la prevención de riesgos.

Torsten Höfler, profesor de informática en ETH Zurich y arquitecto jefe de IA en la Centro Nacional de Supercomputación de Suiza Desde Lugano, se vinculó el caso de ESFM con la naturaleza más general de los modelos de fundación:

"Al entrenarse con tipos de datos muy diferentes, modelos como ESFM adquieren una forma de conocimiento fundamental y, por lo tanto, pueden resolver de forma flexible una amplia gama de tareas. En la investigación de IA, se les denomina modelos fundamentales."

La previsión no debe confundirse con la promesa de una predicción perfecta. Los eventos extremos siguen siendo sistemas dinámicos complejos, y cualquier resultado generado por un modelo requiere validación, comparación con observaciones independientes e integración en los protocolos existentes. Sin embargo, la dirección es clara:Inteligencia artificial Está entrando en la meteorología y las ciencias ambientales no solo como una herramienta predictiva, sino como una tecnología para reconstruir e integrar el conocimiento.

para SuizaEl proyecto confirma el papel de los ecosistemas de investigación distribuidos entre universidades, centros de datos e infraestructuras de supercomputación. Para el mercado, señala un posible cambio: de modelos especializados para un único pronóstico a bases reutilizables para comprender fenómenos climáticos, hidrológicos y de uso del suelo con datos a menudo imperfectos. El reto consistirá en transformar esta capacidad en herramientas fiables, verificables y útiles para la toma de decisiones públicas e industriales.

La temperatura del planeta Tierra, según los datos masivos (Big Data), ha variado desde 1880 hasta 2025.

Seguimiento de las emisiones de dióxido de carbono desde el espacio

Aquí hay tres ideas que pueden interesarle:

Cómo afecta el cambio climático a la seguridad en el lugar de trabajo
Estelas de condensación, azufre y aerosoles: este es el nuevo enigma climático de la aviación.
El monte Cimone, el centinela climático global en la cima de los Apeninos.