Investigadores de la Universidad de La Laguna (ULL), en colaboración con el Instituto de Física de Cantabria (IFCA, CSIC-Universidad de Cantabria), han desarrollado ClimDiT (Climate Diffusion Transformer), un innovador modelo de inteligencia artificial que permite generar información climática de alta resolución y representar la variabilidad de distintas condiciones meteorológicas.
El trabajo, vinculado a la actividad investigadora del grupo GOTA y la Cátedra de Reducción del Riesgo de Desastres y Ciudades Resilientes de la ULL, se recoge en el artículo científico “ClimDiT: A Generative Latent Diffusion Transformer Framework for Multivariate Climate Downscaling”, publicado en 2026 en la revista Earth Systems and Environment. La investigación ha contado con el apoyo del proyecto PLANCLIMAC2, financiado por el Programa INTERREG MAC 2021-2027, así como del Gobierno de Canarias, a través de la Consejería de Transición Ecológica y Energía.
Inteligencia artificial para mejorar la información climática
Una de las principales dificultades de los estudios sobre cambio climático es que los modelos climáticos globales suelen ofrecer información a escalas espaciales demasiado amplias para analizar adecuadamente los impactos en ámbitos regionales y locales. Para afrontar esta limitación, ClimDiT utiliza técnicas de aprendizaje profundo, modelos generativos de difusión y arquitecturas Transformer, que permiten transformar información atmosférica de gran escala en datos climáticos con mayor detalle espacial, mediante una metodología conocida como regionalización climática o downscaling.
La principal innovación del modelo consiste en generar simultáneamente información sobre temperaturas máximas, temperaturas mínimas y precipitaciones diarias, teniendo en cuenta las relaciones existentes entre estas variables. Además, frente a los modelos que ofrecen una única estimación, ClimDiT permite obtener diferentes resultados climáticos plausibles y representar parte de la variabilidad e incertidumbre inherentes al sistema climático.
Resultados científicos y nuevas posibilidades de aplicación
La metodología se ha evaluado sobre la península ibérica, alcanzando una resolución espacial aproximada de 5 kilómetros. Para ello, se han utilizado datos atmosféricos del reanálisis ERA5 y registros climáticos de alta resolución del conjunto ROCIO-IBEB. El modelo se entrenó con información del periodo 1980-2010 y se evaluó con datos de 2011-2020.
Los resultados muestran que ClimDiT alcanza una precisión comparable o moderadamente superior a la de otros métodos avanzados de aprendizaje profundo en determinadas métricas, especialmente en la representación de patrones espaciales. También se ha evaluado mediante un conjunto de 50 simulaciones, obteniendo resultados probabilísticos competitivos, aunque algunos modelos especializados mantienen mejores resultados en determinadas métricas de incertidumbre.
Una contribución a la investigación climática en la Macaronesia
El estudio representa un avance para el desarrollo de herramientas que permitan analizar con mayor detalle los riesgos asociados al cambio climático y apoyar la planificación de medidas de adaptación. Entre sus posibles aplicaciones destacan la modelización hidrológica, la evaluación del riesgo de inundaciones y el análisis de fenómenos meteorológicos extremos.
Los investigadores señalan que las metodologías desarrolladas se utilizarán a una mayor resolución espacial en los archipiélagos macaronésicos, en el marco de la iniciativa internacional CORDEX FPS-I-Mac, centrada en proyecciones climáticas de alta resolución y procesos atmosféricos propios de los territorios insulares.
Esta investigación contribuye a los objetivos de PLANCLIMAC2, orientados a mejorar el conocimiento científico del cambio climático y fortalecer las capacidades de los territorios de cooperación para anticipar sus impactos y desarrollar estrategias de adaptación basadas en evidencias científicas.
Investigadores da Universidade de La Laguna (ULL), em colaboração com o Instituto de Física de Cantabria (IFCA, CSIC-Universidade de Cantabria), desenvolveram o ClimDiT (Climate Diffusion Transformer), um modelo inovador de inteligência artificial que permite gerar informação climática de alta resolução e representar a variabilidade de diferentes condições meteorológicas.
O trabalho, associado à atividade de investigação do grupo GOTA e da Cátedra de Redução do Risco de Desastres e Cidades Resilientes da ULL, é apresentado no artigo científico “ClimDiT: A Generative Latent Diffusion Transformer Framework for Multivariate Climate Downscaling”, publicado em 2026 na revista Earth Systems and Environment. A investigação contou com o apoio do projeto PLANCLIMAC2, financiado pelo Programa INTERREG MAC 2021-2027, bem como do Governo das Canárias, através da Consejería de Transición Ecológica y Energía.
Inteligência artificial para melhorar a informação climática
Uma das principais dificuldades dos estudos sobre alterações climáticas é o facto de os modelos climáticos globais fornecerem frequentemente informação a escalas espaciais demasiado amplas para analisar adequadamente os impactos a nível regional e local. Para ultrapassar esta limitação, o ClimDiT utiliza técnicas de aprendizagem profunda, modelos generativos de difusão e arquiteturas Transformer, que permitem transformar informação atmosférica de grande escala em dados climáticos com maior detalhe espacial, através de uma metodologia conhecida como regionalização climática ou downscaling.
A principal inovação do modelo consiste em gerar simultaneamente informação sobre temperaturas máximas, temperaturas mínimas e precipitação diária, tendo em conta as relações existentes entre estas variáveis. Além disso, ao contrário dos modelos que fornecem uma única estimativa, o ClimDiT permite obter diferentes resultados climáticos plausíveis e representar parte da variabilidade e da incerteza inerentes ao sistema climático.
Resultados científicos e novas possibilidades de aplicação
A metodologia foi avaliada na Península Ibérica, alcançando uma resolução espacial aproximada de 5 quilómetros. Para tal, foram utilizados dados atmosféricos da reanálise ERA5 e registos climáticos de alta resolução do conjunto ROCIO-IBEB. O modelo foi treinado com informação do período 1980-2010 e avaliado com dados de 2011-2020.
Os resultados demonstram que o ClimDiT alcança uma precisão comparável ou moderadamente superior à de outros métodos avançados de aprendizagem profunda em determinadas métricas, especialmente na representação de padrões espaciais. O modelo foi igualmente avaliado através de um conjunto de 50 simulações, obtendo resultados probabilísticos competitivos, embora alguns modelos especializados mantenham melhores resultados em determinadas métricas de incerteza.
Um contributo para a investigação climática na Macaronésia
O estudo representa um avanço no desenvolvimento de ferramentas que permitem analisar com maior detalhe os riscos associados às alterações climáticas e apoiar o planeamento de medidas de adaptação. Entre as suas possíveis aplicações destacam-se a modelação hidrológica, a avaliação do risco de inundações e a análise de fenómenos meteorológicos extremos.
Os investigadores referem que as metodologias desenvolvidas serão utilizadas com maior resolução espacial nos arquipélagos macaronésicos, no âmbito da iniciativa internacional CORDEX FPS-I-Mac, centrada em projeções climáticas de alta resolução e em processos atmosféricos característicos dos territórios insulares.
Esta investigação contribui para os objetivos do PLANCLIMAC2, orientados para melhorar o conhecimento científico sobre as alterações climáticas e reforçar as capacidades dos territórios de cooperação para antecipar os seus impactos e desenvolver estratégias de adaptação baseadas em evidências científicas.
Researchers from the University of La Laguna (ULL), in collaboration with the Instituto de Física de Cantabria (IFCA, CSIC-University of Cantabria), have developed ClimDiT (Climate Diffusion Transformer), an innovative artificial intelligence model capable of generating high-resolution climate information and representing the variability of different meteorological conditions.
The research, associated with the work of the GOTA research group and the ULL Chair for Disaster Risk Reduction and Resilient Cities, is presented in the scientific article “ClimDiT: A Generative Latent Diffusion Transformer Framework for Multivariate Climate Downscaling”, published in 2026 in the journal Earth Systems and Environment. The study received support from the PLANCLIMAC2 project, funded by the INTERREG MAC 2021-2027 Programme, as well as from the Government of the Canary Islands through its Department of Ecological Transition and Energy.
Artificial intelligence to improve climate information
One of the main challenges in climate change research is that global climate models often provide information at spatial scales that are too coarse to adequately assess impacts at regional and local levels. To address this limitation, ClimDiT combines deep learning techniques, generative diffusion models and Transformer architectures to transform large-scale atmospheric information into more spatially detailed climate data through a methodology known as climate downscaling.
The model's main innovation lies in simultaneously generating information on daily maximum temperatures, minimum temperatures and precipitation, while accounting for the relationships between these variables. Furthermore, unlike models that provide a single estimate, ClimDiT can generate different plausible climate outcomes and represent part of the variability and uncertainty inherent in the climate system.
Scientific findings and new opportunities for application
The methodology was evaluated over the Iberian Peninsula, achieving an approximate spatial resolution of 5 kilometres. The study used atmospheric data from the ERA5 reanalysis and high-resolution climate records from the ROCIO-IBEB dataset. The model was trained using data from 1980-2010 and evaluated with data from 2011-2020.
The results show that ClimDiT achieves accuracy comparable to or moderately better than other advanced deep learning methods for certain evaluation metrics, particularly in the representation of spatial patterns. The model was also evaluated using an ensemble of 50 simulations, achieving competitive probabilistic performance, although some specialised models continue to outperform it in certain uncertainty-related metrics.
A contribution to climate research in Macaronesia
The study represents progress towards developing tools that can provide more detailed assessments of climate-related risks and support the planning of adaptation measures. Potential applications include hydrological modelling, flood risk assessment and the analysis of extreme weather events.
The researchers indicate that the methodologies developed will be applied at higher spatial resolution across the Macaronesian archipelagos within the international CORDEX FPS-I-Mac initiative, which focuses on high-resolution climate projections and atmospheric processes specific to island territories.
This research contributes to the objectives of PLANCLIMAC2, which aims to improve scientific knowledge of climate change and strengthen the capacity of cooperating territories to anticipate its impacts and develop evidence-based adaptation strategies.
Des chercheurs de l'Université de La Laguna (ULL), en collaboration avec l'Instituto de Física de Cantabria (IFCA, CSIC-Université de Cantabrie), ont développé ClimDiT (Climate Diffusion Transformer), un modèle innovant d'intelligence artificielle capable de produire des informations climatiques à haute résolution et de représenter la variabilité de différentes conditions météorologiques.
Ces travaux, associés aux activités de recherche du groupe GOTA et de la Chaire de réduction des risques de catastrophe et des villes résilientes de l'ULL, sont présentés dans l'article scientifique « ClimDiT: A Generative Latent Diffusion Transformer Framework for Multivariate Climate Downscaling », publié en 2026 dans la revue Earth Systems and Environment. Cette recherche a bénéficié du soutien du projet PLANCLIMAC2, financé par le programme INTERREG MAC 2021-2027, ainsi que du Gouvernement des îles Canaries, par l'intermédiaire du département de la Transition écologique et de l'Énergie.
L'intelligence artificielle pour améliorer les informations climatiques
L'une des principales difficultés des études sur le changement climatique réside dans le fait que les modèles climatiques globaux fournissent souvent des informations à des échelles spatiales trop larges pour analyser correctement les impacts aux niveaux régional et local. Pour surmonter cette limite, ClimDiT combine des techniques d'apprentissage profond, des modèles génératifs de diffusion et des architectures Transformer afin de transformer des informations atmosphériques à grande échelle en données climatiques présentant un niveau de détail spatial plus élevé, grâce à une méthodologie appelée désagrégation spatiale climatique (downscaling).
La principale innovation du modèle consiste à générer simultanément des informations sur les températures maximales, les températures minimales et les précipitations quotidiennes, tout en tenant compte des relations entre ces variables. En outre, contrairement aux modèles qui fournissent une estimation unique, ClimDiT peut générer différents résultats climatiques plausibles et représenter une partie de la variabilité et de l'incertitude inhérentes au système climatique.
Résultats scientifiques et nouvelles perspectives d'application
La méthodologie a été évaluée sur la péninsule Ibérique, atteignant une résolution spatiale d'environ 5 kilomètres. Pour cela, les chercheurs ont utilisé des données atmosphériques issues de la réanalyse ERA5 et des données climatiques à haute résolution provenant du jeu de données ROCIO-IBEB. Le modèle a été entraîné à partir des données de la période 1980-2010 et évalué sur celles de 2011-2020.
Les résultats montrent que ClimDiT atteint une précision comparable ou modérément supérieure à celle d'autres méthodes avancées d'apprentissage profond selon certains indicateurs, notamment dans la représentation des structures spatiales. Le modèle a également été évalué à l'aide d'un ensemble de 50 simulations, obtenant des performances probabilistes compétitives, même si certains modèles spécialisés conservent de meilleurs résultats pour certaines mesures de l'incertitude.
Une contribution à la recherche climatique en Macaronésie
Cette étude constitue une avancée dans le développement d'outils permettant d'analyser plus précisément les risques liés au changement climatique et de soutenir la planification des mesures d'adaptation. Parmi les applications potentielles figurent la modélisation hydrologique, l'évaluation des risques d'inondation et l'analyse des phénomènes météorologiques extrêmes.
Les chercheurs indiquent que les méthodologies développées seront utilisées à une résolution spatiale plus élevée dans les archipels macaronésiens, dans le cadre de l'initiative internationale CORDEX FPS-I-Mac, consacrée aux projections climatiques à haute résolution et aux processus atmosphériques propres aux territoires insulaires.
Cette recherche contribue aux objectifs de PLANCLIMAC2, visant à améliorer les connaissances scientifiques sur le changement climatique et à renforcer les capacités des territoires partenaires à anticiper ses impacts et à développer des stratégies d'adaptation fondées sur des données scientifiques.
