GOFLOW: la inteligencia artificial que muestra las corrientes oceánicas con un detalle sin precedentes
Una nueva técnica basada en inteligencia artificial permite observar el océano como nunca antes, para sacar a la luz corrientes invisibles hasta ahora. El sistema GOFLOW transforma imágenes de satélite en mapas dinámicos que podrían revolucionar la comprensión del clima y los ecosistemas marinos.
Por Enrique Coperías, periodista científico
La corriente del Golfo aparece en esta imagen como un entramado de finas estructuras de gradiente térmico que delatan la compleja dinámica de las corrientes oceánicas subyacentes. Gracias a observaciones del satélite GOES-East y al uso de inteligencia artificial, por primera vez estas huellas visibles se han vinculado directamente con el movimiento real del océano. Cortesía: Luc Lenain / Scripps Institution of Oceanography.
¿Qué es GOFLOW y por qué es un avance clave?
El océano, visto desde el espacio, siempre ha sido un mosaico en movimiento: grandes corrientes oceánicas como la del Golfo dibujan serpientes cálidas en la superficie, mientras remolinos invisibles transportan calor, carbono y vida marina.
Sin embargo, durante décadas, la ciencia ha tenido una limitación fundamental: observar con precisión esos movimientos más pequeños, rápidos y caóticos que, paradójicamente, son los que más influyen en el funcionamiento del planeta.
Ahora, un nuevo enfoque basado en inteligencia artificial (IA) promete cambiar ese panorama. Pero, ¿cómo?
Un equipo internacional de investigadores cuenta en la revista Nature Goescience que ha desarrollado un sistema capaz de reconstruir las corrientes oceánicas con un nivel de detalle sin precedentes a partir de imágenes satelitales. El método, denominado GOFLOW, utiliza aprendizaje profundo para detectar patrones casi imperceptibles en la temperatura superficial del mar y traducirlos en mapas de velocidad del agua. El resultado es una especie de radar invisible de las corrientes, que permite ver el océano con una resolución espacial y temporal inédita.
Por qué es tan difícil medir las corrientes oceánicas
Comprender cómo se mueve el océano no es solo una cuestión académica. Las corrientes oceánicas, como la citada del Golfo, la de Humboldt (o del Perú), la circumpolar antártica o la de de Kuroshio, regulan el clima, distribuyen nutrientes, transportan contaminantes y afectan a la vida marina.
Sin embargo, medirlas con precisión ha sido siempre un reto técnico enorme. Las observaciones directas —boyas, barcos o sensores— son escasas y fragmentarias. Los satélites por su parte, han ofrecido una visión global, pero limitada.
Desde los años noventa, misiones como la satelital TOPEX/Poseidon, que lanzaron en1992 la NASA (Estados Unidos ) y el CNES (Francia), revolucionaron la oceanografía al medir la altura de la superficie del mar y, a partir de ahí, inferir corrientes a gran escala. Pero ese enfoque tiene un problema: funciona bien para estructuras grandes y lentas, de cientos de kilómetros, pero no capta los movimientos más pequeños y rápidos, conocidos como corrientes submesoescalares.
Estas corrientes —filamentos, frentes y pequeños remolinos— pueden medir desde unos cientos de metros hasta decenas de kilómetros y cambiar en cuestión de horas. A pesar de su tamaño, son cruciales: controlan el intercambio de calor, carbono y nutrientes entre la superficie y el interior del océano, y determinan cómo se dispersan contaminantes y los malditos microplásticos.
Cómo funciona GOFLOW: inteligencia artificial y temperatura del mar
El nuevo método parte de una idea sencilla, pero poderosa: las corrientes oceánicas dejan huellas térmicas en la superficie del océano. Cuando el agua marina se mueve, arrastra consigo patrones de temperatura que pueden ser detectados por satélites infrarrojos.
Hasta ahora, los científicos habían intentado reconstruir las corrientes siguiendo de forma directa esos patrones térmicos, pero se encontraban con múltiples obstáculos. El principal: la temperatura superficial no solo cambia por el movimiento del agua, sino también por factores como la radiación solar o el intercambio de calor con la atmósfera, lo que introduce ruido en los datos.
GOFLOW supera este problema mediante inteligencia artificial. En lugar de buscar grandes estructuras térmicas fácilmente visibles, el sistema analiza el gradiente de temperatura —es decir, cómo cambia la temperatura de un punto a otro— y amplifica incluso las señales más débiles. Así, convierte un mapa aparentemente difuso en una red densa de pistas sobre el movimiento del agua.
EL GOLFO, EN ACCIÓN
Evolución temporal de las corrientes en la región de la corriente del Golgo, donde GOFLOW revela con alta resolución la variabilidad espacio-temporal de estructuras submesoescalares. Las imágenes combinan datos de temperatura superficial del mar (SST) del satélite GOES-East con estimaciones de velocidad, vorticidad y divergencia, y muestran cómo estas corrientes cambian en cuestión de horas bajo la influencia de la rotación terrestre. Cortesía: Luc Lenain / Scripps Institution of Oceanography.
El papel del aprendizaje profundo
El corazón del sistema es una red neuronal del tipo U-Net, una arquitectura ampliamente utilizada en procesamiento de imágenes. Este modelo recibe secuencias de imágenes térmicas tomadas con una hora de diferencia y aprende a inferir la velocidad de las corrientes en el momento intermedio.
Para entrenarlo, los investigadores utilizaron simulaciones oceánicas de altísima resolución, capaces de reproducir dinámicas complejas del océano real. A partir de estos datos, la red aprende a asociar cambios sutiles en la temperatura con patrones de movimiento del agua.
Lo interesante es que el sistema no se limita a copiar el modelo numérico: al centrarse en relaciones locales entre temperatura y movimiento, evita heredar errores globales de las simulaciones y logra adaptarse a observaciones reales.
Satélites geoestacionarios: la clave temporal
Una de las grandes innovaciones de este enfoque es el uso de satélites geoestacionarios, que observan continuamente la misma región de la Tierra. A diferencia de los satélites tradicionales, que pasan sobre un punto cada varios días, estos permiten obtener imágenes cada hora.
Gracias a esa frecuencia, GOFLOW es capaz de reconstruir la evolución de las corrientes oceánicas casi en tiempo real. Donde antes había instantáneas separadas por días o semanas, ahora hay una película continua del océano.
El sistema es capaz de detectar estructuras de unos 10 kilómetros y seguir su evolución a lo largo del día, algo que hasta ahora solo era posible en modelos numéricos o en experimentos de campo muy localizados.
🗣️ En palabras de uno de sus impulsores, el oceanógrafo Luc Lenain, de la Scripps Institution of Oceanography, en Estados Unidos, «los satélites meteorológicos llevan años observando la superficie del océano. El avance clave ha sido aprender a convertir esas secuencias temporales en mapas horarios de corrientes, siguiendo cómo los patrones de temperatura se curvan, se estiran y se desplazan de una hora a otra».
Validación científica: precisión demostrada
Para comprobar la precisión del método, Lenain y sus colegas Kaushik Srinivasan y Roy Barkan, del Atmospheric and Oceanic Sciences, en UCLA; y Nick Pizzo, de la Graduate School of Oceanography, en la URI, compararon sus resultados con mediciones directas realizadas desde barcos mediante instrumentos acústicos. La coincidencia fue notable: las velocidades estimadas por la inteligencia artificial reproducen con gran fidelidad las observaciones reales.
Además, al comparar GOFLOW con resultados obtenidos con satelitales tradicionales, la diferencia es evidente. Mientras que estos últimos muestran campos suavizados, como si se tratara de una fotografía desenfocada, el nuevo método revela una red compleja de remolinos y filamentos bien definidos.
Incluso frente a misiones más recientes y avanzadas, como Topografía de Aguas Superficiales y Océanos (SWOT), GOFLOW presenta ventajas en coherencia y claridad, en parte porque su enfoque filtra de forma natural el ruido de las ondas internas del océano, que dificultan otras mediciones.
Un océano más complejo de lo que pensábamos
Más allá de la tecnología, los resultados ofrecen una nueva visión del océano. Los datos apuntan a que las corrientes submesoescalares presentan patrones estadísticos complejos, con fuertes asimetrías y eventos extremos que antes no podían observarse directamente desde el espacio.
Estas dinámicas están asociadas a procesos clave, como la convergencia y la divergencia de agua en la superficie, que a su vez impulsan intercambios verticales de calor y nutrientes. En otras palabras, lo que ocurre a escalas de pocos kilómetros puede tener consecuencias globales.
Además, el espectro de energía de las corrientes —una forma de medir cómo se distribuye la energía entre distintas escalas— muestra que el océano contiene una riqueza de movimientos mucho mayor de lo que sugerían los datos anteriores.
Aplicaciones: del clima a la contaminación
Las implicaciones de este avance son amplias:
✅ En primer lugar, permitirá mejorar los modelos climáticos, que necesitan datos cada vez más detallados para simular la interacción entre océano y atmósfera.
✅ También abre la puerta a aplicaciones prácticas: desde el seguimiento de vertidos de petróleo o plásticos hasta la gestión de ecosistemas marinos. Al conocer con precisión cómo se mueven las masas de agua, será posible anticipar la dispersión de contaminantes o la distribución de nutrientes.
✅ En un contexto de cambio climático, donde el océano desempeña un papel central como regulador térmico y sumidero de carbono, disponer de esta información puede marcar la diferencia.
🗣️ Como subraya Lenain, el alcance científico es especialmente relevante: «Esto abre un abanico de posibilidades apasionantes en oceanografía física que, hasta ahora, eran en gran medida accesibles solo a través de simulaciones. Con GOFLOW, ahora podemos medir firmas clave de estas corrientes pequeñas e intensas utilizando observaciones reales, en lugar de depender casi por completo de simulaciones. Esto abre la puerta a poner a prueba ideas de larga data sobre cómo el océano absorbe calor y carbono».
Limitaciones actuales del sistema
Como toda herramienta basada en inteligencia artificial, GOFLOW tiene limitaciones. Su rendimiento depende de los datos con los que ha sido entrenado, y, por ahora, se basa en simulaciones de una región concreta del Atlántico.
Otro desafío es la cobertura nubosa: las nubes pueden ocultar la superficie del océano y crear lagunas en los datos. Aunque el sistema puede trabajar con información incompleta, los investigadores reconocen que será necesario combinar distintas fuentes de observación para obtener mapas completamente continuos.
Aun así, el potencial es evidente. La combinación de IA y observación satelital está redefiniendo la forma en que se estudia el océano, y GOFLOW es un ejemplo paradigmático de esa transformación.
Por qué GOFLOW es un cambio de paradigma
Durante siglos, los mapas del océano se centraron en la superficie visible: costas, corrientes principales, rutas de navegación. Hoy, gracias a la inteligencia artificial, estamos empezando a cartografiar lo invisible: las estructuras dinámicas que gobiernan el comportamiento del mar a escalas microscópicas y macroscópicas a la vez.
GOFLOW no es solo una herramienta técnica, sino una nueva forma de mirar el océano. Una que revela que, bajo la aparente uniformidad azul, existe un mundo de movimientos complejos y fugaces, cuya comprensión es clave para el futuro del planeta.
Y quizá esa sea la mayor revolución: no haber encontrado una nueva corriente, sino haber aprendido, por fin, a verlas todas.▪️(14-abril-2026)
CAMBIO CLIMÁTICO
PREGUNTAS&RESPUESTAS: GOFLOW y Corrientes Oceánicas
🛰️ ¿Qué es GOFLOW?
Es un sistema basado en inteligencia artificial que usa imágenes térmicas de satélite para calcular corrientes oceánicas con alta resolución.
🛰️ ¿Qué problema resuelve?
Permite observar corrientes pequeñas y rápidas que antes no podían medirse con precisión desde el espacio.
🛰️ ¿Qué datos utiliza?
Imágenes de temperatura superficial del mar captadas por satélites geoestacionarios.
🛰️ ¿Por qué es importante?
Porque mejora la comprensión del clima, el transporte de carbono y los ecosistemas marinos.
🛰️ ¿Qué limitaciones tiene?
Principalmente la cobertura de nubes y la dependencia de modelos de entrenamiento.
CIENCIAS DE LA TIERRA
Información facilitada por laUniversidad de California en San Diego
Fuente: Lenain, L., Srinivasan, K., Barkan, R. et al.An unprecedented view of ocean currents from geostationary satellites. Nature Geoscience (2026). DOI: https://doi.org/10.1038/s41561-026-01943-0
