La Universidad de Manchester emplea NVIDIA Earth‑2 para predecir la contaminación del aire en el Reino Unido

La iniciativa nace de la colaboración estrecha entre el equipo de investigación liderado por David Topping y Hao Zhang en la Universidad de Manchester y el programa NVIDIA Earth‑2. Su meta central es transformar los modelos climáticos‑químicos tradicionales en herramientas operativas capaces de anticipar episodios de contaminación y, de ese modo, brindar un apoyo concreto a las decisiones de salud pública.

**Adaptación de CorrDiff y StormCast**

Los científicos tomaron los modelos generativos CorrDiff y StormCast, que originalmente se diseñaron para simulaciones climáticas a gran escala, y los reentrenaron empleando un año completo de datos británicos de calidad del aire con resolución horaria. Al alcanzar una resolución espacial de entre 2 y 3 km, estos modelos pueden revelar variaciones locales que en los modelos de escala nacional permanecían ocultas, lo que permite identificar con mayor precisión áreas críticas de contaminación.

**Infraestructura de entrenamiento**

El proceso de entrenamiento de CorrDiff se llevó a cabo en un nodo de ocho GPU GH200 del superordenador Isambard‑AI, situado en Bristol. La tarea se completó en dos días continuos, lo que pone de manifiesto la eficiencia de la arquitectura GH200 para cargas de trabajo intensivas en IA. Isambard‑AI, con su gran cantidad de superchips GH200, ofrece una capacidad de cálculo dedicada a la IA que lo sitúa entre los recursos más potentes de Europa para este tipo de experimentos.

**Flujo de inferencia en DGX Spark**

Para la fase de inferencia y para pequeños re‑entrenamientos, el equipo recurre al sistema DGX Spark, equipado con una GPU Grace Blackwell GB10. Este entorno permite ejecutar predicciones en tiempo real sin depender exclusivamente del superordenador, aunque no sustituye su capacidad para entrenamientos a gran escala, ofreciendo así una solución flexible que combina potencia y rapidez.

**Aplicaciones previstas**

• Simulación de políticas públicas de reducción de emisiones.
• Integración de datos de sensores de calidad del aire en zonas periféricas.
• Modelado de riesgos de incendios forestales vinculados a la contaminación.
• Soporte a sistemas de alerta temprana en ciudades con alta densidad de tráfico.

**Plan de apertura y futuro desarrollo**

El equipo tiene la intención de publicar tanto los datos de entrenamiento como los flujos de trabajo, con el objetivo de fomentar la reproducibilidad y la colaboración internacional. Se contempla, a medio plazo, aumentar la resolución hasta el nivel de la calle e incorporar fuentes de datos abiertas adicionales; sin embargo, este objetivo sigue en fase de proyecto y aún no se ha materializado en un servicio operativo.

**Contexto de salud pública**

Según el Royal College of Physicians, la contaminación del aire provocó aproximadamente 30 000 muertes en el Reino Unido en 2025, con un coste económico que supera los 27 mil millones de libras. La institución subraya que ningún nivel de exposición es seguro y destaca las marcadas desigualdades en la exposición según la ubicación geográfica y el nivel socio‑económico.

**Evaluación crítica antes de la adopción**

Los investigadores advierten que, antes de convertir el prototipo en un servicio público, es imprescindible validar de forma independiente los resultados, garantizar la disponibilidad de observaciones locales, monitorizar la deriva del modelo y establecer una gobernanza clara sobre el uso de los datos y los costos operativos.

**Conclusiones para empresas e instituciones**

Para compañías y organismos que operan en entornos hispanohablantes, el proyecto muestra el potencial de combinar supercomputación e IA generativa para anticipar la calidad del aire y diseñar respuestas proactivas. La apertura de datos y flujos de trabajo abre una oportunidad para adaptar la metodología a otras regiones, siempre teniendo en cuenta la necesidad de validaciones locales y estructuras de gobernanza que aseguren la fiabilidad y la transparencia del servicio.

**Recomendaciones para organizaciones hispanohablantes**

Las organizaciones que operen en países de habla hispana deben verificar que los datos de observación locales estén disponibles y sean compatibles con los requisitos del modelo, validar independientemente los resultados frente a mediciones de referencia, establecer protocolos para actualizar los modelos ante cambios en la composición atmosférica y definir claramente las responsabilidades en cuanto a la gestión de costos y la protección de la privacidad de los datos utilizados.