Este artículo está organizado en dos partes.
Parte 1 — PSRCast en el análisis energético
La primera parte se basa en una presentación reciente realizada en la DTU PES Summer School en Dinamarca. Proporciona una visión general completa de PSRCast, la herramienta de generación de escenarios basada en inteligencia artificial (IA) de PSR, y su integración con herramientas analíticas como SDDP. Los enlaces al material presentado por Luiz Barroso y el video correspondiente están a continuación:
Presentación: https://www.psr-inc.com/app/link/?t=d&f=2026-05LuizBarrosoDTUSummerSchool.pdf
Vídeo: https://www.youtube.com/watch?v=p7CLXFiqxCU
Parte 2 — Aplicaciones más allá de la planificación energética
La segunda parte, escrita por Julio Alberto Dias y Mario Veiga Pereira, está adaptada de una edición reciente del Energy Report de PSR (https://www.psr-inc.com/en/energy-report/). Describe aplicaciones adicionales del PSRCast al seguro agrícola, al saneamiento y a otras áreas, y analiza la modelización de eventos extremos basada en IA, que requiere adaptaciones metodológicas en comparación con la modelización estándar del PSRCast. Un podcast reciente complementa esta discusión: https://www.youtube.com/watch?v=U-7HrFSMSIg.
Entre los diversos frentes de aplicación de la IA, la modelización climática es hoy uno de los temas centrales de mayor interés estratégico. Ya sea para mejorar pronósticos, reducir sesgos en modelos físicos, generar escenarios sintéticos o identificar patrones complejos en grandes bases de datos, las técnicas de aprendizaje automático han ampliado significativamente la capacidad de extraer información útil de los sistemas climáticos.
Este movimiento adquiere relevancia adicional en el contexto del cambio climático. En un entorno estacionario, en el que el comportamiento pasado sería una buena guía para el futuro, los modelos estadísticos basados exclusivamente en series históricas podrían proporcionar respuestas razonables a diversos problemas de planificación. Sin embargo, el sistema climático actual está en transición. Los cambios en la circulación atmosférica, en la frecuencia de los extremos y en la interacción océano-atmósfera hacen cada vez más frágil la hipótesis de que el pasado reciente representa adecuadamente las condiciones futuras. En este escenario, los métodos que simplemente reproducen patrones históricos tienden a ser insuficientes para capturar nuevos contextos de riesgo.
Al mismo tiempo, la revolución digital ha ampliado significativamente el acceso a la información climática. Las proyecciones de múltiples modelos de circulación global (GCM), desarrollados por diferentes centros de investigación, institutos y laboratorios de todo el mundo, están ahora ampliamente disponibles. Los ensembles multi-modelos de alta calidad y las bases de datos de reanálisis ofrecen un volumen sin precedentes de datos del sistema climático. El desafío, por lo tanto, dejó de ser la escasez de información y pasó a ser la capacidad de integrarla, interpretarla y traducirla en escenarios consistentes y utilizables para la toma de decisiones.
Dada la fuerte dependencia del sector eléctrico de las condiciones meteorológicas, PSR desarrolló el PSRCast: un modelo de IA diseñado con el objetivo de transformar las proyecciones de los modelos de circulación global en escenarios plausibles de recursos hídricos, de disponibilidad de generación renovable variable y de demanda, coherentes con las necesidades de operación y planificación energética. Está estructurado para capturar estas relaciones de forma probabilística, construyendo un generador de escenarios robusto, condicionado a señales climáticas globales.
La siguiente figura muestra la arquitectura del PSRCast.
Como se muestra en la figura, el PSRCast es una Red Neuronal Profunda (DNN) con tres capas, en la que las entradas del conjunto de entrenamiento son las predicciones de los GCM y las salidas son los eventos reales. Esta arquitectura permite la generación de miles de escenarios climáticos en períodos que van de 15 días a diez años. El PSRCast emula el comportamiento de los GCM, pero puede ejecutarse miles de veces más rápido.
Aplicaciones del PSRCast
- Nuevas estrategias de planificación y operación de energía relacionadas con el clima para Brasil, Colombia, México, Costa Rica y otros países
- Evaluación del impacto climático en la confiabilidad y los precios del suministro eléctrico (diversos clientes)
- Evaluación del riesgo de suministro para una empresa de servicios de agua
- Nuevas directrices para los informes de riesgo climático de las empresas de servicios públicos (en asociación con BTG)
- Evaluación del riesgo climático para el seguro agrícola
- Escenarios de eventos climáticos extremos de lluvia y ráfagas de viento
Como se mencionó, las aplicaciones del PSRCast para energía se presentaron en una edición anterior del Energy Report. A continuación se mostrarán las dos últimas aplicaciones de la lista: el seguro agrícola y los escenarios de eventos climáticos extremos de temperatura y viento.
Seguro agrícola
La arquitectura del PSRCast va más allá de la aplicación específica al sector eléctrico; puede aprender las relaciones entre las proyecciones de los GCM y cualquier cantidad derivada de estas señales climáticas. En este contexto, su desempeño puede entenderse como un proceso probabilístico de «downscaling», que traduce las señales de gran escala de los modelos globales a la escala de interés, ajusta los sesgos estructurales con respecto a lo observado e incorpora explícitamente la incertidumbre del proceso.
Una de las aplicaciones recientes a las que PSR ha estado contribuyendo es la proyección de cultivos agrícolas, cuya productividad a lo largo de los ciclos depende fuertemente de las condiciones meteorológicas. Variables como la temperatura máxima y mínima diaria, la radiación solar acumulada, el viento y la precipitación tienen una influencia directa en el desarrollo de los cultivos y constituyen parámetros fundamentales en los modelos de simulación agronómica.
La siguiente figura muestra la ubicación geográfica de las regiones analizadas en el contexto de esta actividad. La amplia distribución espacial destaca la diversidad de las dinámicas climáticas involucradas, así como la variedad de cultivos agrícolas considerados, como soja, maíz y otros, cada uno con sensibilidades específicas a las condiciones meteorológicas.
En esta aplicación, el objetivo del PSRCast es generar cientos de escenarios con resolución diaria y un horizonte de un año para un conjunto de variables meteorológicas en todos los puntos analizados.
Estos escenarios se construyen de manera que preserven no solo los patrones estadísticos individuales de cada variable, sino también las correlaciones espaciales y temporales entre ellas, así como otras estructuras de dependencia que influyen en el desarrollo de los cultivos a lo largo del ciclo productivo. Como se mencionó anteriormente, la diferencia del PSRCast radica en que no utiliza registros históricos para generar escenarios, porque debido al cambio climático, el pasado ya no es una referencia representativa para el futuro. Y como los lectores pueden imaginar, tener la distribución de probabilidad correcta de los eventos del próximo año es fundamental para calcular las primas del seguro agrícola.
En la siguiente figura se presentan ejemplos de proyecciones retrospectivas para el ciclo de cosecha que comenzó a fines de 2022, con el objetivo de ilustrar, de forma general, los escenarios que habría proyectado el PSRCast en comparación con los valores observados a lo largo del ciclo.
Cabe destacar que, en el contexto de la proyección a largo plazo, los análisis retrospectivos no solo sirven para diagnosticar la adecuación del modelo en la construcción de escenarios consistentes, sino también para posibilitar comparaciones entre la proyección actual y años recientes. Este enfoque permite una cuantificación relativa de las condiciones proyectadas en comparación con el pasado reciente, proporcionando una referencia adicional para la interpretación del riesgo y la toma de decisiones sobre la prima del seguro.
Este tipo de comparación se ejemplifica en la figura a continuación.
Estos escenarios pueden alimentar directamente los modelos de simulación de cultivos para estimar la productividad. Dado que los escenarios generados preservan las características estadísticas naturales de las variables meteorológicas, así como sus dependencias espaciales y temporales, proporcionan entradas coherentes y físicamente consistentes para estas herramientas.
Riesgo de lluvias extremas
Los eventos de precipitación extrema se encuentran entre los principales factores de riesgo para el sector eléctrico brasileño. Las lluvias intensas y persistentes impactan directamente la seguridad de las represas, la gestión de vertimientos, la integridad de las estructuras civiles y la confiabilidad de los sistemas de transmisión y distribución. En escenarios de alta variabilidad climática, la capacidad de anticipar aumentos en la probabilidad de eventos extremos se convierte en un elemento central de la gestión del riesgo y la preservación de la seguridad operacional, especialmente en el contexto actual en el que ya hemos sentido los impactos del cambio climático.
En el horizonte de corto plazo, es decir, las próximas horas o pocos días, el riesgo de eventos de precipitación extrema es razonablemente bien anticipado por modelos meteorológicos regionales de alta resolución. Estos modelos resuelven explícitamente la dinámica de la atmósfera y su interacción con la superficie con alto detalle espacial y temporal, haciendo posible identificar la formación y evolución de sistemas convectivos intensos con buena capacidad predictiva. A esta escala, la combinación de física detallada y la asimilación frecuente de datos observacionales proporciona una base sólida para alertas meteorológicas y acciones de respuesta inmediata.
El desafío se desplaza cuando el foco está en la cuantificación del riesgo en horizontes más largos, los próximos meses, por ejemplo, en los que deben tomarse decisiones estratégicas bajo incertidumbre estructural. En este contexto, el análisis deja de ser un problema de predicción determinista de un evento específico y se convierte en una evaluación de cambios en el perfil de probabilidad de los extremos.
En un escenario hipotético de capacidad computacional ilimitada, sería posible monitorear probabilísticamente el riesgo de eventos extremos simulando un número virtualmente infinito de trayectorias atmosféricas plausibles. Cada trayectoria evolucionaría de acuerdo con las mismas ecuaciones físicas utilizadas en los modelos meteorológicos, permitiendo que la distribución de probabilidad de la precipitación extrema se estimara directamente a partir de la frecuencia de ocurrencia en los diferentes escenarios simulados. En la práctica, sin embargo, las limitaciones computacionales hacen imposible construir ensembles de esta magnitud, especialmente durante un período de semanas a meses. Como alternativa, se han utilizado enfoques estadísticos para caracterizar el comportamiento de los extremos, como los análisis de valores extremos (modelos GEV y el enfoque de Picos sobre el Umbral con distribuciones de Pareto Generalizada), el ajuste de distribuciones paramétricas a las colas de series históricas, además de métodos basados en remuestreo y generación estocástica de escenarios sintéticos. Aunque útiles, estas estrategias dependen en gran medida de hipótesis estructurales y tienden a capturar de forma limitada la no linealidad y la dinámica multiescala que gobiernan la ocurrencia de eventos extremos.
IA para extremos: igual, pero diferente
A primera vista, puede parecer que el monitoreo estructural del riesgo de eventos extremos de precipitación es solo una extensión natural del modelo de IA para la generación de escenarios a largo plazo presentado anteriormente. Al fin y al cabo, si podemos generar escenarios prospectivos para variables como temperatura, precipitación, viento y caudal, bastaría con evaluar la distribución de estos escenarios y extraer las probabilidades asociadas a los eventos más severos.
Sin embargo, aunque existen similitudes metodológicas, la naturaleza del problema impone desafíos conceptualmente distintos.
En síntesis, dos peculiaridades centrales se destacan. La primera es la necesidad de incorporar explícitamente conceptos de la teoría de valores extremos en la modelización. Por definición, los eventos extremos son raros, y su representación en los datos históricos es limitada tanto en frecuencia como en la diversidad de configuraciones atmosféricas. Los modelos entrenados predominantemente para reproducir patrones medios o distribuciones centrales tienden a sub-representar las colas, precisamente donde reside el riesgo más crítico.
La segunda peculiaridad se refiere a la propia naturaleza de las proyecciones de precipitación en horizontes de meses. Los ensembles derivados de modelos de circulación global son generalmente adecuados para caracterizar anomalías medias y patrones estacionales esperados, funcionando bien como «drivers» para proyecciones hidrológicas y energéticas agregadas. Sin embargo, estos ensembles no fueron diseñados para representar fielmente la física asociada a eventos extremos localizados e intensos.
En una edición anterior del ER, se mostró que la representación de eventos extremos de temperatura y viento con el apoyo de la IA puede entenderse intuitivamente (y de forma simplificada) mediante la siguiente analogía: es un proceso similar al uso de modelos de súper-resolución en imágenes y videos. Así como los algoritmos de IA aprenden a transformar una película de baja resolución en una secuencia de «fotografías» más nítidas y detalladas, preservando la coherencia espacial y temporal, los modelos entrenados en las salidas de modelos climáticos pueden aprender a refinar grillas de temperatura y viento, convirtiendo campos atmosféricos de baja resolución en representaciones más detalladas. Como estas variables son estados resueltos dinámicamente por las ecuaciones fundamentales de la atmósfera, el proceso de «escalamiento» tiende a preservar estructuras físicas coherentes, lo que permite la reproducción más fiel de los extremos locales.
Por ejemplo, esta mayor «resolución» espacial se está utilizando para modelizar ráfagas de viento capaces de derribar torres de transmisión, en un proyecto de I+D en curso.
Sin embargo, la modelización de la precipitación extrema requiere cuidados adicionales. La razón es que, en los GCM, la precipitación no es una variable resuelta directamente por las ecuaciones físicas primarias, sino un producto derivado de múltiples parametrizaciones. Esto cambia la naturaleza del problema, porque el simple refinamiento espacial del campo de lluvia no garantiza la reconstrucción consistente de los mecanismos físicos asociados a los eventos extremos, lo que requiere un enfoque conceptualmente diferente.
La proyección a largo plazo de la precipitación no es la mejor variable explicativa para la precipitación extrema real.
Por lo tanto, en lugar de tomar la lluvia simulada por modelos globales como variable explicativa central, podemos utilizar un enfoque que desplace el foco hacia las señales atmosféricas que preceden y sostienen los extremos. El monitoreo está ahora condicionado por variables con mayor predictibilidad sinóptica y mayor estabilidad estructural, como el contenido total de vapor en la columna atmosférica, el movimiento vertical en los niveles medios de la troposfera, la humedad relativa en diferentes niveles de presión, y los vientos no solo en la superficie, sino también en niveles atmosféricos específicos. En conjunto, estos campos representan la disponibilidad de humedad, el forzamiento dinámico vertical y el transporte organizado de vapor, tres pilares físicos fundamentales para la ocurrencia de precipitación extrema.
La siguiente figura presenta algunas de las principales variables proyectadas por los modelos de circulación global que ayudan a explicar los eventos extremos de precipitación, así como el grado de predictibilidad de cada una.
PWAT: Contenido total de vapor de agua en la columna atmosférica. Mejor indicador del potencial máximo de precipitación.
u850/v850: Componentes zonal y meridional del viento en 850 hPa. Representan el transporte organizado de humedad en los niveles bajos.
w500: Velocidad vertical del aire en 500 hPa. Indicador robusto del forzamiento dinámico profundo asociado a sistemas organizados.
RH850: Humedad relativa en 850 hPa. Controla el suministro de humedad, pero ya recibe influencia local.
w700: Velocidad vertical del aire en 700 hPa. Útil para capturar la intensificación convectiva, aunque más sensible al ruido de subgrilla.
RH700: Humedad relativa en 700 hPa. Información complementaria; mayor variabilidad y menor robustez aislada.
Pr: Pronóstico de precipitación del modelo global. Resultado de parametrizaciones; mayor sesgo estructural y menor robustez para extremos específicos.
A partir de este conjunto de condicionantes basados en la física, podemos aplicar una arquitectura de Autoencoders Variacionales Condicionales (CVAE) — la tercera capa de la DNN del PSRCast, ver figura anterior — entrenándolos para generar escenarios consistentes de precipitación extrema en puntos de interés específicos, preservando tanto la coherencia física como la variabilidad estadística observada. En cuanto a la representación estadística, la estructura del CVAE debe adaptarse para reflejar de manera más adecuada la naturaleza asimétrica e intermitente de la precipitación extrema.¹
Esta estrategia permite separar dos niveles de incertidumbre: (i) la incertidumbre asociada al estado atmosférico de gran escala, proveniente de los ensembles de los modelos globales; y (ii) la incertidumbre asociada a los procesos «subgrilla» y a la variabilidad local, capturada por el componente probabilístico del modelo de IA.
Este enfoque es particularmente consistente con los fundamentos de la teoría de extremos, ya que reconoce la naturaleza altamente asimétrica, de colas pesadas y dependiente de las condiciones meteorológicas que caracteriza los eventos de precipitación intensa.
La figura a continuación presenta un ejemplo real ilustrativo en el que el modelo fue calibrado para generar escenarios de precipitación consistentes en una represa en el sur del país.
A partir de diferentes condiciones atmosféricas proyectadas, es posible producir un conjunto masivo de secuencias diarias de precipitación, lo que permite la construcción de distribuciones de riesgo prospectivas. Estos escenarios pueden evaluarse y compararse con referencias históricas y parámetros de diseño, lo que hace posible identificar, por ejemplo, si hay indicios de un aumento en la probabilidad de ocurrencia de eventos extremos en las condiciones meteorológicas actuales, o si los tiempos de retorno asociados a las precipitaciones críticas consideradas en el diseño de la represa siguen siendo adecuadamente cubiertos.
Uso de DNN y satélites para estimar las extracciones de agua para riego
La extracción de agua para riego es información muy relevante para la operación del sistema hidroeléctrico. En un artículo para Elera, PSR desarrolló una metodología basada en IA e información de espectros electromagnéticos del suelo, medidos por satélites, para estimar de forma precisa y automática esta extracción. El procedimiento se resume en la siguiente figura.
De forma simplificada, la información espectral permite identificar cada tipo de cultivo. Esta identificación, a su vez, hace posible calcular el requerimiento hídrico. El paso final es estimar la necesidad de riego por la diferencia entre la precipitación (producida por el PSRCast) y la demanda de agua. Los resultados resultaron ser bastante precisos, y actualmente estamos incorporando el efecto de la evaporación de embalses en la estimación y refinando las mediciones a intervalos más cortos. Esta información es de gran importancia para una mejor gestión del llamado nexo agua-energía-alimento en la región Noreste.
Aplicaciones de impacto de incendios
Al igual que en el caso del PSRCast, visto anteriormente, el mismo framework de IA puede utilizarse para diferentes aplicaciones. Como muestra la siguiente figura, un análisis espectral análogo se utilizó para determinar el daño real a los cultivos de caña de azúcar que se quemaron en 2025. El modelo identificó correctamente las áreas donde la caña fue «chamuscada» y donde fue quemada. Esto, a su vez, permitió una mejor estimación del impacto en los precios del azúcar y el etanol.
Conclusiones
Las aplicaciones de la IA a la modelización climática han permitido un avance significativo en calidad y resolución para el análisis de las distribuciones de probabilidad de eventos afectados por el cambio climático. Como se ha demostrado, estas aplicaciones se extienden más allá del área energética.
Las técnicas de IA también han demostrado permitir la representación de eventos extremos como inundaciones y ráfagas de viento. La modelización de estos eventos requiere cuidados adicionales, pero los resultados son igualmente significativos en muchas áreas.
La tercera área es la combinación de la IA con información de satélites. La amplitud de los resultados ha sido demostrada nuevamente, y su relevancia solo aumentará en el futuro con el incremento de las mediciones por satélite.
¹ En lugar de asumir una parametrización gaussiana tradicional, en la que el espacio latente converge a una distribución normal, proponemos una formulación más sofisticada, en la que el proceso generativo incorpora una combinación de Bernoulli-Gamma. En esta configuración, el componente de Bernoulli modela explícitamente la probabilidad de que el evento ocurra (lluvia versus ausencia de lluvia), mientras que el componente Gamma representa la distribución de las intensidades condicionada a la ocurrencia. Las variables atmosféricas condicionantes modulan simultáneamente estos dos mecanismos: alteran tanto la probabilidad de activación del evento como los parámetros que gobiernan su magnitud.
