Presentaci\u00f3n<\/strong><\/em><\/strong><\/a>: https:\/\/www.psr-inc.com\/app\/link\/?t=d&f=2026-05LuizBarrosoDTUSummerSchool.pdf<\/a><\/p>\n\n V\u00eddeo<\/em><\/strong><\/a>: https:\/\/www.youtube.com\/watch?v=p7CLXFiqxCU<\/a><\/p>\n\n La segunda parte, escrita por <\/span>Julio Alberto Dias<\/b> y <\/span>Mario Veiga Pereira<\/b>, est\u00e1 adaptada de una edici\u00f3n reciente del Energy Report de PSR (https:\/\/www.psr-inc.com\/en\/energy-report\/). Describe aplicaciones adicionales del PSRCast al seguro agr\u00edcola, al saneamiento y a otras \u00e1reas, y analiza la modelizaci\u00f3n de eventos extremos basada en IA, que requiere adaptaciones metodol\u00f3gicas en comparaci\u00f3n con la modelizaci\u00f3n est\u00e1ndar del PSRCast. Un podcast reciente complementa esta discusi\u00f3n: https:\/\/www.youtube.com\/watch?v=U-7HrFSMSIg.<\/span><\/p>\n\n Entre los diversos frentes de aplicaci\u00f3n de la IA, la modelizaci\u00f3n clim\u00e1tica es hoy uno de los temas centrales de mayor inter\u00e9s estrat\u00e9gico. Ya sea para mejorar pron\u00f3sticos, reducir sesgos en modelos f\u00edsicos, generar escenarios sint\u00e9ticos o identificar patrones complejos en grandes bases de datos, las t\u00e9cnicas de aprendizaje autom\u00e1tico han ampliado significativamente la capacidad de extraer informaci\u00f3n \u00fatil de los sistemas clim\u00e1ticos.<\/p>\n\n Este movimiento adquiere relevancia adicional en el contexto del cambio clim\u00e1tico. En un entorno estacionario, en el que el comportamiento pasado ser\u00eda una buena gu\u00eda para el futuro, los modelos estad\u00edsticos basados exclusivamente en series hist\u00f3ricas podr\u00edan proporcionar respuestas razonables a diversos problemas de planificaci\u00f3n. Sin embargo, el sistema clim\u00e1tico actual est\u00e1 en transici\u00f3n. Los cambios en la circulaci\u00f3n atmosf\u00e9rica, en la frecuencia de los extremos y en la interacci\u00f3n oc\u00e9ano-atm\u00f3sfera hacen cada vez m\u00e1s fr\u00e1gil la hip\u00f3tesis de que el pasado reciente representa adecuadamente las condiciones futuras. En este escenario, los m\u00e9todos que simplemente reproducen patrones hist\u00f3ricos tienden a ser insuficientes para capturar nuevos contextos de riesgo.<\/p>\n\n Al mismo tiempo, la revoluci\u00f3n digital ha ampliado significativamente el acceso a la informaci\u00f3n clim\u00e1tica. Las proyecciones de m\u00faltiples modelos de circulaci\u00f3n global (GCM), desarrollados por diferentes centros de investigaci\u00f3n, institutos y laboratorios de todo el mundo, est\u00e1n ahora ampliamente disponibles. Los <\/span>ensembles<\/span><\/i> multi-modelos de alta calidad y las bases de datos de rean\u00e1lisis ofrecen un volumen sin precedentes de datos del sistema clim\u00e1tico. El desaf\u00edo, por lo tanto, dej\u00f3 de ser la escasez de informaci\u00f3n y pas\u00f3 a ser la capacidad de integrarla, interpretarla y traducirla en escenarios consistentes y utilizables para la toma de decisiones.<\/span><\/p>\n\n Dada la fuerte dependencia del sector el\u00e9ctrico de las condiciones meteorol\u00f3gicas, <\/span>PSR desarroll\u00f3 el PSRCast:<\/b> un modelo de IA dise\u00f1ado con el objetivo de transformar las proyecciones de los modelos de circulaci\u00f3n global en escenarios plausibles de recursos h\u00eddricos, de disponibilidad de generaci\u00f3n renovable variable y de demanda, coherentes con las necesidades de operaci\u00f3n y planificaci\u00f3n energ\u00e9tica. Est\u00e1 estructurado para capturar estas relaciones de forma probabil\u00edstica, construyendo un generador de escenarios robusto, condicionado a se\u00f1ales clim\u00e1ticas globales.<\/span><\/p>\n\n La siguiente figura muestra la arquitectura del <\/span>PSRCast<\/b>.<\/span><\/p>\n\n 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 generaci\u00f3n de miles de escenarios clim\u00e1ticos en per\u00edodos que van de 15 d\u00edas a diez a\u00f1os. El <\/span>PSRCast<\/b> emula el comportamiento de los GCM, pero puede ejecutarse miles de veces m\u00e1s r\u00e1pido.<\/span><\/p>\n\n Como se mencion\u00f3, las aplicaciones del <\/span>PSRCast<\/b> para energ\u00eda se presentaron en una edici\u00f3n anterior del Energy Report. A continuaci\u00f3n se mostrar\u00e1n las dos \u00faltimas aplicaciones de la lista: el seguro agr\u00edcola y los escenarios de eventos clim\u00e1ticos extremos de temperatura y viento.<\/span><\/p>\n\n La arquitectura del <\/span>PSRCast<\/b> va m\u00e1s all\u00e1 de la aplicaci\u00f3n espec\u00edfica al sector el\u00e9ctrico; puede aprender las relaciones entre las proyecciones de los GCM y cualquier cantidad derivada de estas se\u00f1ales clim\u00e1ticas. En este contexto, su desempe\u00f1o puede entenderse como un proceso probabil\u00edstico de \u00abdownscaling\u00bb, que traduce las se\u00f1ales de gran escala de los modelos globales a la escala de inter\u00e9s, ajusta los sesgos estructurales con respecto a lo observado e incorpora expl\u00edcitamente la incertidumbre del proceso.<\/span><\/p>\n\n Una de las aplicaciones recientes a las que <\/span>PSR<\/b> ha estado contribuyendo es la proyecci\u00f3n de cultivos agr\u00edcolas, cuya productividad a lo largo de los ciclos depende fuertemente de las condiciones meteorol\u00f3gicas. Variables como la temperatura m\u00e1xima y m\u00ednima diaria, la radiaci\u00f3n solar acumulada, el viento y la precipitaci\u00f3n tienen una influencia directa en el desarrollo de los cultivos y constituyen par\u00e1metros fundamentales en los modelos de simulaci\u00f3n agron\u00f3mica.<\/span><\/p>\n\n La siguiente figura muestra la ubicaci\u00f3n geogr\u00e1fica de las regiones analizadas en el contexto de esta actividad. La amplia distribuci\u00f3n espacial destaca la diversidad de las din\u00e1micas clim\u00e1ticas involucradas, as\u00ed como la variedad de cultivos agr\u00edcolas considerados, como soja, ma\u00edz y otros, cada uno con sensibilidades espec\u00edficas a las condiciones meteorol\u00f3gicas.<\/p>\n\n En esta aplicaci\u00f3n, el objetivo del <\/span>PSRCast<\/b> es generar cientos de escenarios con resoluci\u00f3n diaria y un horizonte de un a\u00f1o para un conjunto de variables meteorol\u00f3gicas en todos los puntos analizados.<\/span><\/p>\n\n Estos escenarios se construyen de manera que preserven no solo los patrones estad\u00edsticos individuales de cada variable, sino tambi\u00e9n las correlaciones espaciales y temporales entre ellas, as\u00ed como otras estructuras de dependencia que influyen en el desarrollo de los cultivos a lo largo del ciclo productivo. Como se mencion\u00f3 anteriormente, la diferencia del <\/span>PSRCast<\/b> radica en que no utiliza registros hist\u00f3ricos para generar escenarios, porque debido al cambio clim\u00e1tico, el pasado ya no es una referencia representativa para el futuro. Y como los lectores pueden imaginar, tener la distribuci\u00f3n de probabilidad correcta de los eventos del pr\u00f3ximo a\u00f1o es fundamental para calcular las primas del seguro agr\u00edcola.<\/span><\/p>\n\n En la siguiente figura se presentan ejemplos de proyecciones retrospectivas para el ciclo de cosecha que comenz\u00f3 a fines de 2022, con el objetivo de ilustrar, de forma general, los escenarios que habr\u00eda proyectado el <\/span>PSRCast<\/b> en comparaci\u00f3n con los valores observados a lo largo del ciclo.<\/span><\/p>\n\n Cabe destacar que, en el contexto de la proyecci\u00f3n a largo plazo, los an\u00e1lisis retrospectivos no solo sirven para diagnosticar la adecuaci\u00f3n del modelo en la construcci\u00f3n de escenarios consistentes, sino tambi\u00e9n para posibilitar comparaciones entre la proyecci\u00f3n actual y a\u00f1os recientes. Este enfoque permite una cuantificaci\u00f3n relativa de las condiciones proyectadas en comparaci\u00f3n con el pasado reciente, proporcionando una referencia adicional para la interpretaci\u00f3n del riesgo y la toma de decisiones sobre la prima del seguro.<\/p>\n\n Este tipo de comparaci\u00f3n se ejemplifica en la figura a continuaci\u00f3n.<\/p>\n\n Estos escenarios pueden alimentar directamente los modelos de simulaci\u00f3n de cultivos para estimar la productividad. Dado que los escenarios generados preservan las caracter\u00edsticas estad\u00edsticas naturales de las variables meteorol\u00f3gicas, as\u00ed como sus dependencias espaciales y temporales, proporcionan entradas coherentes y f\u00edsicamente consistentes para estas herramientas.<\/p>\n\n Los eventos de precipitaci\u00f3n extrema se encuentran entre los principales factores de riesgo para el sector el\u00e9ctrico brasile\u00f1o. Las lluvias intensas y persistentes impactan directamente la seguridad de las represas, la gesti\u00f3n de vertimientos, la integridad de las estructuras civiles y la confiabilidad de los sistemas de transmisi\u00f3n y distribuci\u00f3n. En escenarios de alta variabilidad clim\u00e1tica, la capacidad de anticipar aumentos en la probabilidad de eventos extremos se convierte en un elemento central de la gesti\u00f3n del riesgo y la preservaci\u00f3n de la seguridad operacional, especialmente en el contexto actual en el que ya hemos sentido los impactos del cambio clim\u00e1tico.<\/p>\n\n En el horizonte de corto plazo, es decir, las pr\u00f3ximas horas o pocos d\u00edas, el riesgo de eventos de precipitaci\u00f3n extrema es razonablemente bien anticipado por modelos meteorol\u00f3gicos regionales de alta resoluci\u00f3n. Estos modelos resuelven expl\u00edcitamente la din\u00e1mica de la atm\u00f3sfera y su interacci\u00f3n con la superficie con alto detalle espacial y temporal, haciendo posible identificar la formaci\u00f3n y evoluci\u00f3n de sistemas convectivos intensos con buena capacidad predictiva. A esta escala, la combinaci\u00f3n de f\u00edsica detallada y la asimilaci\u00f3n frecuente de datos observacionales proporciona una base s\u00f3lida para alertas meteorol\u00f3gicas y acciones de respuesta inmediata.<\/p>\n\n El desaf\u00edo se desplaza cuando el foco est\u00e1 en la cuantificaci\u00f3n del riesgo en horizontes m\u00e1s largos, los pr\u00f3ximos meses, por ejemplo, en los que deben tomarse decisiones estrat\u00e9gicas bajo incertidumbre estructural. En este contexto, el an\u00e1lisis deja de ser un problema de predicci\u00f3n determinista de un evento espec\u00edfico y se convierte en una evaluaci\u00f3n de cambios en el perfil de probabilidad de los extremos.<\/p>\n\n En un escenario hipot\u00e9tico de capacidad computacional ilimitada, ser\u00eda posible monitorear probabil\u00edsticamente el riesgo de eventos extremos simulando un n\u00famero virtualmente infinito de trayectorias atmosf\u00e9ricas plausibles. Cada trayectoria evolucionar\u00eda de acuerdo con las mismas ecuaciones f\u00edsicas utilizadas en los modelos meteorol\u00f3gicos, permitiendo que la distribuci\u00f3n de probabilidad de la precipitaci\u00f3n extrema se estimara directamente a partir de la frecuencia de ocurrencia en los diferentes escenarios simulados. En la pr\u00e1ctica, sin embargo, las limitaciones computacionales hacen imposible construir <\/span>ensembles<\/span><\/i> de esta magnitud, especialmente durante un per\u00edodo de semanas a meses. Como alternativa, se han utilizado enfoques estad\u00edsticos para caracterizar el comportamiento de los extremos, como los an\u00e1lisis de valores extremos (modelos GEV y el enfoque de Picos sobre el Umbral con distribuciones de Pareto Generalizada), el ajuste de distribuciones param\u00e9tricas a las colas de series hist\u00f3ricas, adem\u00e1s de m\u00e9todos basados en remuestreo y generaci\u00f3n estoc\u00e1stica de escenarios sint\u00e9ticos. Aunque \u00fatiles, estas estrategias dependen en gran medida de hip\u00f3tesis estructurales y tienden a capturar de forma limitada la no linealidad y la din\u00e1mica multiescala que gobiernan la ocurrencia de eventos extremos.<\/span><\/p>\n\n A primera vista, puede parecer que el monitoreo estructural del riesgo de eventos extremos de precipitaci\u00f3n es solo una extensi\u00f3n natural del modelo de IA para la generaci\u00f3n de escenarios a largo plazo presentado anteriormente. Al fin y al cabo, si podemos generar escenarios prospectivos para variables como temperatura, precipitaci\u00f3n, viento y caudal, bastar\u00eda con evaluar la distribuci\u00f3n de estos escenarios y extraer las probabilidades asociadas a los eventos m\u00e1s severos.<\/p>\n\n Sin embargo, aunque existen similitudes metodol\u00f3gicas, la naturaleza del problema impone desaf\u00edos conceptualmente distintos.<\/p>\n\n En s\u00edntesis, dos peculiaridades centrales se destacan. La primera es la necesidad de incorporar expl\u00edcitamente conceptos de la teor\u00eda de valores extremos en la modelizaci\u00f3n. Por definici\u00f3n, los eventos extremos son raros, y su representaci\u00f3n en los datos hist\u00f3ricos es limitada tanto en frecuencia como en la diversidad de configuraciones atmosf\u00e9ricas. Los modelos entrenados predominantemente para reproducir patrones medios o distribuciones centrales tienden a sub-representar las colas, precisamente donde reside el riesgo m\u00e1s cr\u00edtico.<\/p>\n\n La segunda peculiaridad se refiere a la propia naturaleza de las proyecciones de precipitaci\u00f3n en horizontes de meses. Los <\/span>ensembles<\/span><\/i> derivados de modelos de circulaci\u00f3n global son generalmente adecuados para caracterizar anomal\u00edas medias y patrones estacionales esperados, funcionando bien como \u00abdrivers\u00bb para proyecciones hidrol\u00f3gicas y energ\u00e9ticas agregadas. Sin embargo, estos <\/span>ensembles<\/span><\/i> no fueron dise\u00f1ados para representar fielmente la f\u00edsica asociada a eventos extremos localizados e intensos.<\/span><\/p>\n\n En una edici\u00f3n anterior del ER, se mostr\u00f3 que la representaci\u00f3n de eventos extremos de temperatura y viento con el apoyo de la IA puede entenderse intuitivamente (y de forma simplificada) mediante la siguiente analog\u00eda: es un proceso similar al uso de modelos de s\u00faper-resoluci\u00f3n en im\u00e1genes y videos. As\u00ed como los algoritmos de IA aprenden a transformar una pel\u00edcula de baja resoluci\u00f3n en una secuencia de \u00abfotograf\u00edas\u00bb m\u00e1s n\u00edtidas y detalladas, preservando la coherencia espacial y temporal, los modelos entrenados en las salidas de modelos clim\u00e1ticos pueden aprender a refinar grillas de temperatura y viento, convirtiendo campos atmosf\u00e9ricos de baja resoluci\u00f3n en representaciones m\u00e1s detalladas. Como estas variables son estados resueltos din\u00e1micamente por las ecuaciones fundamentales de la atm\u00f3sfera, el proceso de \u00abescalamiento\u00bb tiende a preservar estructuras f\u00edsicas coherentes, lo que permite la reproducci\u00f3n m\u00e1s fiel de los extremos locales.<\/p>\n\n Por ejemplo, esta mayor \u00abresoluci\u00f3n\u00bb espacial se est\u00e1 utilizando para modelizar r\u00e1fagas de viento capaces de derribar torres de transmisi\u00f3n, en un proyecto de I+D en curso.<\/p>\n\n Sin embargo, la modelizaci\u00f3n de la precipitaci\u00f3n extrema requiere cuidados adicionales. La raz\u00f3n es que, en los GCM, la precipitaci\u00f3n no es una variable resuelta directamente por las ecuaciones f\u00edsicas primarias, sino un producto derivado de m\u00faltiples parametrizaciones. Esto cambia la naturaleza del problema, porque el simple refinamiento espacial del campo de lluvia no garantiza la reconstrucci\u00f3n consistente de los mecanismos f\u00edsicos asociados a los eventos extremos, lo que requiere un enfoque conceptualmente diferente.<\/p>\n\n 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 se\u00f1ales atmosf\u00e9ricas que preceden y sostienen los extremos. El monitoreo est\u00e1 ahora condicionado por variables con mayor predictibilidad sin\u00f3ptica y mayor estabilidad estructural, como el contenido total de vapor en la columna atmosf\u00e9rica, el movimiento vertical en los niveles medios de la troposfera, la humedad relativa en diferentes niveles de presi\u00f3n, y los vientos no solo en la superficie, sino tambi\u00e9n en niveles atmosf\u00e9ricos espec\u00edficos. En conjunto, estos campos representan la disponibilidad de humedad, el forzamiento din\u00e1mico vertical y el transporte organizado de vapor, tres pilares f\u00edsicos fundamentales para la ocurrencia de precipitaci\u00f3n extrema.<\/p>\n\n La siguiente figura presenta algunas de las principales variables proyectadas por los modelos de circulaci\u00f3n global que ayudan a explicar los eventos extremos de precipitaci\u00f3n, as\u00ed como el grado de predictibilidad de cada una. PWAT: Contenido total de vapor de agua en la columna atmosf\u00e9rica. Mejor indicador del potencial m\u00e1ximo de precipitaci\u00f3n. A partir de este conjunto de condicionantes basados en la f\u00edsica, podemos aplicar una arquitectura de Autoencoders Variacionales Condicionales (CVAE) \u2014 la tercera capa de la DNN del <\/span>PSRCast<\/b>, ver figura anterior \u2014 entren\u00e1ndolos para generar escenarios consistentes de precipitaci\u00f3n extrema en puntos de inter\u00e9s espec\u00edficos, preservando tanto la coherencia f\u00edsica como la variabilidad estad\u00edstica observada. En cuanto a la representaci\u00f3n estad\u00edstica, la estructura del CVAE debe adaptarse para reflejar de manera m\u00e1s adecuada la naturaleza asim\u00e9trica e intermitente de la precipitaci\u00f3n extrema.\u00b9<\/span><\/p>\n\n Esta estrategia permite separar dos niveles de incertidumbre: (i) la incertidumbre asociada al estado atmosf\u00e9rico de gran escala, proveniente de los <\/span>ensembles<\/span><\/i> de los modelos globales; y (ii) la incertidumbre asociada a los procesos \u00absubgrilla\u00bb y a la variabilidad local, capturada por el componente probabil\u00edstico del modelo de IA.<\/span><\/p>\n\n Este enfoque es particularmente consistente con los fundamentos de la teor\u00eda de extremos, ya que reconoce la naturaleza altamente asim\u00e9trica, de colas pesadas y dependiente de las condiciones meteorol\u00f3gicas que caracteriza los eventos de precipitaci\u00f3n intensa.<\/p>\n\n La figura a continuaci\u00f3n presenta un ejemplo real ilustrativo en el que el modelo fue calibrado para generar escenarios de precipitaci\u00f3n consistentes en una represa en el sur del pa\u00eds.<\/p>\n\n A partir de diferentes condiciones atmosf\u00e9ricas proyectadas, es posible producir un conjunto masivo de secuencias diarias de precipitaci\u00f3n, lo que permite la construcci\u00f3n de distribuciones de riesgo prospectivas. Estos escenarios pueden evaluarse y compararse con referencias hist\u00f3ricas y par\u00e1metros de dise\u00f1o, lo que hace posible identificar, por ejemplo, si hay indicios de un aumento en la probabilidad de ocurrencia de eventos extremos en las condiciones meteorol\u00f3gicas actuales, o si los tiempos de retorno asociados a las precipitaciones cr\u00edticas consideradas en el dise\u00f1o de la represa siguen siendo adecuadamente cubiertos.<\/p>\n\n La extracci\u00f3n de agua para riego es informaci\u00f3n muy relevante para la operaci\u00f3n del sistema hidroel\u00e9ctrico. En un art\u00edculo para Elera, <\/span>PSR<\/b> desarroll\u00f3 una metodolog\u00eda basada en IA e informaci\u00f3n de espectros electromagn\u00e9ticos del suelo, medidos por sat\u00e9lites, para estimar de forma precisa y autom\u00e1tica esta extracci\u00f3n. El procedimiento se resume en la siguiente figura.<\/span><\/p>\n\n De forma simplificada, la informaci\u00f3n espectral permite identificar cada tipo de cultivo. Esta identificaci\u00f3n, a su vez, hace posible calcular el requerimiento h\u00eddrico. El paso final es estimar la necesidad de riego por la diferencia entre la precipitaci\u00f3n (producida por el <\/span>PSRCast<\/b>) y la demanda de agua. Los resultados resultaron ser bastante precisos, y actualmente estamos incorporando el efecto de la evaporaci\u00f3n de embalses en la estimaci\u00f3n y refinando las mediciones a intervalos m\u00e1s cortos. Esta informaci\u00f3n es de gran importancia para una mejor gesti\u00f3n del llamado nexo agua-energ\u00eda-alimento en la regi\u00f3n Noreste.<\/span><\/p>\n\n 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 an\u00e1lisis espectral an\u00e1logo se utiliz\u00f3 para determinar el da\u00f1o real a los cultivos de ca\u00f1a de az\u00facar que se quemaron en 2025. El modelo identific\u00f3 correctamente las \u00e1reas donde la ca\u00f1a fue \u00abchamuscada\u00bb y donde fue quemada. Esto, a su vez, permiti\u00f3 una mejor estimaci\u00f3n del impacto en los precios del az\u00facar y el etanol. Las aplicaciones de la IA a la modelizaci\u00f3n clim\u00e1tica han permitido un avance significativo en calidad y resoluci\u00f3n para el an\u00e1lisis de las distribuciones de probabilidad de eventos afectados por el cambio clim\u00e1tico. Como se ha demostrado, estas aplicaciones se extienden m\u00e1s all\u00e1 del \u00e1rea energ\u00e9tica.<\/p>\n\n Las t\u00e9cnicas de IA tambi\u00e9n han demostrado permitir la representaci\u00f3n de eventos extremos como inundaciones y r\u00e1fagas de viento. La modelizaci\u00f3n de estos eventos requiere cuidados adicionales, pero los resultados son igualmente significativos en muchas \u00e1reas.<\/p>\n\n La tercera \u00e1rea es la combinaci\u00f3n de la IA con informaci\u00f3n de sat\u00e9lites. La amplitud de los resultados ha sido demostrada nuevamente, y su relevancia solo aumentar\u00e1 en el futuro con el incremento de las mediciones por sat\u00e9lite. \u00b9 En lugar de asumir una parametrizaci\u00f3n gaussiana tradicional, en la que el espacio latente converge a una distribuci\u00f3n normal, proponemos una formulaci\u00f3n m\u00e1s sofisticada, en la que el proceso generativo incorpora una combinaci\u00f3n de Bernoulli-Gamma. En esta configuraci\u00f3n, el componente de Bernoulli modela expl\u00edcitamente la probabilidad de que el evento ocurra (lluvia versus ausencia de lluvia), mientras que el componente Gamma representa la distribuci\u00f3n de las intensidades condicionada a la ocurrencia. Las variables atmosf\u00e9ricas condicionantes modulan simult\u00e1neamente estos dos mecanismos: alteran tanto la probabilidad de activaci\u00f3n del evento como los par\u00e1metros que gobiernan su magnitud.<\/p>\n","protected":false},"featured_media":1014469,"template":"","meta":{"_acf_changed":false},"report_section":[482],"class_list":["post-1014484","analytics_post","type-analytics_post","status-publish","has-post-thumbnail","hentry","report_section-insight"],"acf":[],"yoast_head":"\nParte 2 \u2014 Aplicaciones m\u00e1s all\u00e1 de la planificaci\u00f3n energ\u00e9tica<\/b><\/h3><\/p>\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image.png\")
<\/figure>\n\nAplicaciones del PSRCast<\/h2>\n\n
\n
Seguro agr\u00edcola<\/h2>\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-1.png\")
<\/figure>\n\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-2.png\")
<\/figure>\n\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-3-1024x378.png\")
<\/figure>\n\nRiesgo de lluvias extremas<\/h2>\n\n
IA para extremos: igual, pero diferente<\/h3>\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-4.png\")
<\/figure>\n\nLa proyecci\u00f3n a largo plazo de la precipitaci\u00f3n no es la mejor variable explicativa para la precipitaci\u00f3n extrema real.<\/h3>\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-5.png\")
<\/figure>\n\n![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-6.png\")
<\/figure>\n\nUso de DNN y sat\u00e9lites para estimar las extracciones de agua para riego<\/h3>\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-7.png\")
<\/figure>\n\nAplicaciones de impacto de incendios<\/h3>\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-8.png\")
<\/figure>\n\nConclusiones<\/h2>\n\n
\n\n