Predicción de emisiones de carbono y vínculo economía-tierra en países de la IORA mediante aprendizaje automático: nueva herramienta para el desarrollo sostenible

Cuando el desarrollo y el medio ambiente se entrelazan en el océano Índico

Los países ribereños del océano Índico se enfrentan a un dilema clásico: ¿cómo impulsar el crecimiento económico sin sacrificar el medio ambiente? Para los miembros de la Asociación del Océano Índico (IORA), especialmente las economías insulares o costeras como Malasia, Mauricio, Sri Lanka y Madagascar, la vulnerabilidad climática obliga a los responsables políticos a cuantificar la relación entre el desarrollo económico y la huella ecológica.

Un estudio publicado en *Scientific Reports* intenta ofrecer un nuevo marco analítico para este dilema utilizando el aprendizaje automático. La investigación construyó un modelo de predicción denominado XOS-ELM-GA (Máquina de Aprendizaje Extremo Secuencial en Línea con Inicialización Xavier y Algoritmo Genético), que utiliza las emisiones históricas de CO₂ como entrada clave para predecir el PIB anual y los cambios en la superficie de tierras agrícolas de estos países.

Captura no lineal más allá de la regresión tradicional

Los modelos económicos tradicionales suelen asumir relaciones lineales, pero la interacción entre las emisiones de carbono, la producción económica y el uso del suelo es inherentemente no lineal y dinámica. Los investigadores primero realizaron un análisis estadístico de datos históricos de 1960 a 2020, confirmando una correlación significativa entre las emisiones de CO₂, el PIB y las tierras agrícolas. Sin embargo, la regresión simple no puede manejar de manera eficiente series temporales de alta dimensión y no estacionarias.

La innovación central de XOS-ELM-GA radica en: reducir la fluctuación aleatoria mediante la inicialización de pesos Xavier, combinada con un algoritmo genético para optimizar parámetros, superando las deficiencias de las máquinas de aprendizaje extremo (ELM) tradicionales, como la alta incertidumbre en la predicción, la sensibilidad a los parámetros y la baja eficiencia computacional. Las pruebas en cuatro países mostraron que el modelo tiene un valor SMAPE promedio entre el 10.13% y el 12.13% en la predicción del PIB, y tan bajo como el 2.99% al 3.77% en la predicción de tierras agrícolas, superando significativamente a los modelos de referencia como ELM y OS-ELM.

Cuatro casos, una lógica estructural

Malasia, Mauricio, Sri Lanka y Madagascar representan diferentes etapas de desarrollo y estructuras industriales dentro de la IORA. Malasia, como país industrial de ingresos medios, tiene sus emisiones de carbono estrechamente vinculadas al crecimiento manufacturero; Mauricio ha experimentado una transición de la agricultura a los servicios, y su intensidad de carbono ha cambiado en paralelo con la actualización de su estructura económica; Sri Lanka oscila entre el turismo y la agricultura; Madagascar depende de la agricultura pero está limitada por la baja industrialización. A pesar de las diferencias significativas, el modelo de aprendizaje automático capturó una característica común: las emisiones de CO₂ pueden servir como una variable proxy confiable para predecir la actividad económica y los cambios en el uso del suelo.

Este hallazgo sugiere que, cuando los datos ambientales son de alta disponibilidad, las trayectorias de emisiones pueden proporcionar a los tomadores de decisiones señales sobre la dirección del PIB y los cambios en las tierras de cultivo con varios años de antelación. Para los países en desarrollo que carecen de estadísticas económicas detalladas, este podría ser un enfoque práctico para evaluar rápidamente el impacto de las políticas.

De la predicción a la política: un puente hacia los ODS

El estudio deja claro que no busca establecer relaciones causales, sino proporcionar "predicciones basadas en correlaciones".## Del pronóstico a la política: el puente de los ODS

Este estudio no pretende establecer relaciones causales, sino proporcionar "pronósticos basados en correlaciones". Sin embargo, el valor de dichos pronósticos no debe subestimarse. El avance de los Objetivos de Desarrollo Sostenible (ODS) 8 (Trabajo decente y crecimiento económico), 13 (Acción por el clima) y 15 (Vida de ecosistemas terrestres) en los países de la IORA a menudo se ve limitado por el retraso de los datos y la complejidad de los modelos. La simplicidad y la capacidad de aprendizaje en línea de XOS-ELM-GA le permiten absorber continuamente nuevos datos y generar pronósticos casi en tiempo real, apoyando así ajustes dinámicos en la reducción de emisiones y la planificación del uso del suelo.

Por ejemplo, el modelo presenta un error de pronóstico mínimo para la superficie agrícola de Sri Lanka y Madagascar, lo que implica que los responsables de las políticas climáticas pueden evaluar con mayor confianza el impacto a largo plazo de la reforestación o la intensificación agrícola en el presupuesto de carbono.

Nuevo paradigma geoeconómico impulsado por la IA

Esta investigación es un microcosmos de una tendencia global: la inteligencia artificial está redefiniendo los límites analíticos de la economía ambiental. Con el desarrollo de tecnologías como las máquinas de aprendizaje extremo y los algoritmos genéticos, los cuellos de botella computacionales de los métodos cuantitativos tradicionales se están superando. Más importante aún, estos modelos "basados en datos" reducen la barrera de entrada para la investigación interdisciplinaria: los economistas no necesitan dominar la ciencia climática, y los ecologistas no necesitan ser expertos en algoritmos para dialogar sobre desafíos comunes utilizando herramientas de pronóstico.

La IORA abarca casi 3000 millones de personas, un tercio del comercio mundial. Si modelos similares pudieran extenderse a otros Estados miembros, no solo contribuirían a la planificación sostenible de cada país, sino que podrían generar mecanismos de coordinación a nivel regional. Por ejemplo, para inversiones verdes relacionadas con la contaminación por plásticos marinos o la protección de manglares, los modelos podrían simular primero los beneficios económicos y las compensaciones territoriales bajo diferentes escenarios de emisiones de carbono, y luego alcanzar un consenso.

Limitaciones y direcciones futuras

El estudio también reconoce sus limitaciones: los pronósticos actuales se basan en correlaciones históricas y no pueden extrapolar tecnologías disruptivas o cambios políticos abruptos (como la adopción masiva de captura de carbono). Además, el uso exclusivo del CO₂ como única variable ambiental ignora otras dimensiones de sostenibilidad como la biodiversidad y los recursos hídricos. El trabajo futuro podría integrar más datos de teledetección satelital (como luces nocturnas, índices de vegetación) e introducir marcos de aprendizaje multitarea para pronosticar múltiples indicadores de los ODS simultáneamente.

A largo plazo, el aprendizaje automático no reemplazará el análisis estructural, pero proporciona a los tomadores de decisiones una "ventana temporal operativa". Cuando los países de la IORA negocien financiamiento climático, un modelo de pronóstico basado en datos locales y revisado por pares podría ser más convincente que las promesas abstractas.

> Fuente de referencia: Xu, X., et al. (2026). Machine learning-based forecasting of CO₂-related economic growth and agricultural land change in IORA countries. *Scientific Reports*, 16, 21411. https://www.nature.com/articles/s41598-026-51807-1