Cada cierto tiempo el Pacífico ecuatorial se calienta de más, los vientos alisios se debilitan y el clima del planeta —incluido el del Perú— cambia de ritmo. Ese fenómeno se llama El Niño (parte del ciclo ENSO). Durante décadas lo intentamos anticipar con modelos físicos; hoy, además, lo leemos con inteligencia artificial: redes que buscan patrones en océanos, atmósfera y décadas de datos satelitales.

Qué es El Niño (sin romanticizarlo)
El Niño–Oscilación del Sur (ENSO) es un acoplamiento océano–atmósfera. En la fase cálida (El Niño), la temperatura superficial del mar en el Pacífico tropical central-oriental sube; en la fase fría (La Niña), baja. Esos grados de más o de menos reorganizan lluvias, sequías, pesquerías y riesgos de desastre en medio mundo.
En el Perú no es teoría abstracta: es infraestructura, agricultura, salud y ciudades. El norte conoce inundaciones; el altiplano, estrés hídrico. Anticipar no es curiosidad científica: es margen de decisión.
«Necesitamos urgentemente pasar de reaccionar a anticipar.»
María-José Boluarte, CLS Perú — sobre riesgos hídricos e inundaciones asociadas a El Niño

Por qué predecir ENSO es tan difícil
Los modelos dinámicos (ecuaciones de física del clima) son poderosos, pero tropiezan con un muro famoso: la barrera de predictibilidad de primavera. A partir de cierta antelación, el ruido del sistema crece y el señal de El Niño se diluye. Los modelos estadísticos clásicos ayudan, pero dependen de relaciones históricas que el clima en cambio puede romper.
Ahí entra la IA: no “entiende” el océano como un oceanógrafo, pero sí aprende correlaciones espaciales y temporales en volúmenes de datos que un humano no puede recorrer a mano —temperaturas, vientos, contenido de calor subsuperficial, teleconexiones con el Índico o el Atlántico.
Lo que está logrando el deep learning
Desde el trabajo pionero de Ham y colaboradores (Nature, 2019) hasta modelos recientes con Transformers y redes convolucionales, la literatura muestra un salto claro: horizontes útiles de predicción del índice Niño 3.4 que se acercan o superan el año y medio en experimentos controlados.
- ENSO-PhyNet (2024): un Transformer que incorpora procesos del presupuesto de calor y reporta habilidad hasta ~22 meses de antelación en el índice Niño 3.4.
- CTEFNet (2025): combina CNN + Transformer y extiende ventanas útiles hacia ~20 meses, con análisis de sensibilidad que buscan interpretabilidad física.
- ORCA-DL (Science Advances, 2025): modelado oceánico data-driven con correlación ~0.75 a 12 meses y señales útiles aún más lejos en algunos eventos extremos.
- Enfoques híbridos (Nature Communications, 2025): combinar predicciones dinámicas + deep learning suele batir a cada método por separado.
«El método demostró ser capaz de predecir eventos extremos de ENSO con cerca de un 85 % de acierto, lo cual es un gran avance para ayudarnos a prepararnos ante el clima extremo.»
Resumen de NOAA Climate.gov sobre investigación de deep learning aplicada a ENSO (Ibebuchi et al.)

IA + satélites: de la predicción al mapa de riesgo
Predecir el índice Niño 3.4 no basta. Lo que salva vidas es traducir “habrá El Niño” en dónde se inunda, cuándo evacuar, qué cultivos peligran. Ahí convergen radar Sentinel-1, óptico Sentinel-2, altimetría y modelos de deep learning para mapear agua incluso con nubes o de noche.
En el Perú ya hay señales concretas de esa convergencia: estudios de mapeo probabilístico de inundaciones en el bajo Piura con Sentinel-1 y U-Nets; y agencias como la ANA exploran sensores, satélites e IA para sistemas de soporte a la decisión e incluso gemelos digitales de cuencas frente a sequías e inundaciones.

Lo que la IA no resuelve sola
Los modelos data-driven pueden heredar sesgos de las simulaciones con las que se entrenan, subestimar la intensidad de eventos extremos o brillar en retrospectiva y fallar en un régimen climático nuevo. Por eso el consenso emergente no es “IA versus física”, sino IA con física: híbridos, ensembles y validación operativa con agencias meteorológicas.
«Predecir el inicio de un El Niño o una La Niña es difícil. […] ¡Ya lo sé!»
Michelle L’Heureux, NOAA Climate.gov — sobre la dificultad real de anticipar el onset de ENSO

Qué significa esto si construyes tecnología
Si trabajas en infraestructura, datos o productos digitales en regiones expuestas a ENSO, el mensaje práctico es claro:
- Trata las predicciones como probabilidades con horizonte, no como certezas.
- Conecta el índice oceánico con impactos locales (caudales, mapas de inundación, cultivos).
- Prefiere pipelines que mezclen modelo dinámico + IA + observación satelital.
- Documenta incertidumbre: un sistema útil muestra cuándo no sabe.
- Diseña para anticipación: alertas tempranas, gemelos digitales, datos abiertos entre agencias.
Conclusión
El Niño seguirá llegando. La diferencia es cuántos meses —y con cuánta confianza espacial— podemos verlo venir. La inteligencia artificial no sustituye al océano ni a la física: amplía la ventana en la que todavía podemos decidir. En un país como el Perú, esa ventana no es un paper: es tiempo para proteger gente, redes y cosechas.
Sobre el autor
Alexis Ordinola es bloguero y empresario peruano, fundador de Zyvenna. Escribe en alexisorde.com sobre tecnología, Internet, infraestructura, proyectos e ideas. Le interesa cómo el software —desde servidores VPS hasta modelos de IA— se cruza con problemas reales: clima, comunidades y sistemas que tienen que seguir funcionando cuando el Pacífico cambia de humor.
Más sobre su trayectoria en Sobre mí · Perfiles: LinkedIn, X, YouTube.
