La IA mejora los pronósticos meteorológicos hasta seis semanas vista

La inteligencia artificial acaba de empujar una de las fronteras más incómodas de la meteorología. Un equipo internacional ha desarrollado un sistema de aprendizaje automático capaz de mejorar las previsiones entre dos y seis semanas de antelación, un territorio donde hasta ahora la fiabilidad de los modelos caía con rapidez y las estimaciones perdían buena parte de su precisión.

El avance no significa que vaya a ser posible saber con mes y medio de margen si lloverá a las cinco de la tarde en una calle concreta. Es algo más sobrio y bastante más útil: el algoritmo aprende de los errores sistemáticos de los modelos meteorológicos y los corrige, afinando las probabilidades de lluvia, temperatura y presión atmosférica. También mejora la capacidad de identificar con antelación condiciones asociadas a fenómenos extremos.

El difícil salto de dos a seis semanas

La predicción meteorológica moderna ha alcanzado niveles de precisión que hace unas décadas parecían ciencia ficción. Satélites, estaciones terrestres, radares y superordenadores alimentan modelos capaces de reconstruir el comportamiento de la atmósfera y anticipar su evolución. Sin embargo, existe una frontera especialmente incómoda: a partir de unas dos semanas la incertidumbre crece con rapidez.

La causa está en la propia naturaleza caótica de la atmósfera. Una pequeña diferencia inicial en la humedad, la temperatura, el viento o la presión puede propagarse durante días hasta desembocar en escenarios muy diferentes. Es el célebre efecto mariposa llevado al parte meteorológico: una desviación minúscula acaba creciendo hasta alterar el mapa.

Entre aproximadamente dos y seis semanas aparece así lo que los científicos conocen como el “desierto de la predictibilidad”. Es demasiado tarde para confiar plenamente en las condiciones atmosféricas observadas en el momento inicial, pero todavía demasiado pronto para que las tendencias climáticas estacionales ofrezcan por sí solas una respuesta suficientemente precisa.

Una IA que aprende dónde fallan los modelos

La nueva técnica, denominada Probabilistic Bias Correction o PBC, aborda el problema de una forma distinta. En lugar de intentar sustituir los grandes modelos meteorológicos existentes, estudia cómo se han equivocado anteriormente y aprende a reconocer sus sesgos recurrentes.

La idea parece sencilla, aunque detrás haya bastante matemática. Si un modelo tiende a sobrestimar la lluvia en determinadas circunstancias o falla repetidamente al calcular ciertas anomalías de temperatura, el algoritmo identifica ese patrón histórico y utiliza esa información para reajustar las predicciones futuras.

El sistema trabaja además con probabilidades, un matiz esencial cuando se habla de plazos largos. No pretende sentenciar que caerán exactamente determinados milímetros de lluvia dentro de cinco semanas, sino calcular mejor la posibilidad de que un periodo resulte más húmedo, seco, frío o cálido de lo normal.

Las pruebas muestran mejoras en lluvia y temperatura

El método fue aplicado sobre sistemas de predicción del Centro Europeo de Predicción Meteorológica a Plazo Medio, el ECMWF, uno de los organismos de referencia mundial en este terreno. Los ensayos mostraron mejoras especialmente amplias en las previsiones de precipitación, temperatura y presión atmosférica.

En las evaluaciones realizadas con datos de años anteriores, PBC mejoró el rendimiento del sistema operativo de corrección en aproximadamente el 98% de los objetivos relacionados con precipitación, el 92% de los de temperatura y alrededor del 91% de los correspondientes a presión.

Los investigadores también probaron la técnica sobre un modelo meteorológico basado en inteligencia artificial. En ese escenario, el método llegó a duplicar la habilidad predictiva original. Conviene interpretar bien la cifra: no significa que una previsión a seis semanas sea tan precisa como la de mañana, sino que mejora sustancialmente una señal que, en ese horizonte temporal, sigue rodeada de incertidumbre.

Una competición internacional puso el sistema a prueba

El algoritmo no se quedó encerrado en simulaciones retrospectivas. Sus desarrolladores participaron en la AI Weather Quest, una competición internacional centrada precisamente en el uso de inteligencia artificial para las previsiones meteorológicas subestacionales.

La solución presentada, denominada MicroDuet, obtuvo el primer puesto en las variables y horizontes temporales evaluados durante la primera fase del concurso. La prueba tenía especial valor porque obligaba a realizar pronósticos antes de conocer lo que acabaría ocurriendo, evitando una de las trampas habituales de cualquier modelo estadístico: funcionar de maravilla cuando ya se conoce el pasado.

Ese comportamiento en condiciones reales refuerza una de las ideas centrales del estudio. Parte de los errores meteorológicos no son puro azar; algunos muestran patrones que se repiten y, precisamente por eso, una máquina puede aprender a reconocerlos y compensarlos.

Más margen para anticipar episodios extremos

Uno de los resultados más interesantes aparece en la predicción de fenómenos poco frecuentes. Detectar una semana anormalmente húmeda o fría es difícil; anticipar con varias semanas de margen un episodio situado en los extremos estadísticos lo es todavía más.

El sistema mostró mejoras en la detección de precipitaciones intensas, anomalías de temperatura y presión. También consiguió aumentar la habilidad de los modelos para identificar determinadas situaciones relacionadas con inundaciones y otros episodios meteorológicos severos.

Durante las pruebas en tiempo real, MicroDuet logró anticipar episodios de frío intenso y grandes tormentas invernales en Estados Unidos con entre 19 y 26 días de antelación. En algunos casos identificó señales que el sistema convencional corregido no reflejaba con la misma claridad.

Eso no convierte una previsión mensual en un parte meteorológico de precisión local. Las tormentas muy pequeñas, las lluvias torrenciales concentradas en pocos kilómetros y otros fenómenos convectivos siguen siendo extraordinariamente difíciles de localizar con tanta anticipación. Lo que mejora es la posibilidad de reconocer antes el escenario atmosférico favorable para que aparezcan.

De la agricultura a la energía y las inundaciones

El salto tiene aplicaciones que van bastante más allá de decidir si meter un paraguas en la mochila. Una previsión fiable a varias semanas puede ser especialmente valiosa para la agricultura, la gestión del agua, la producción energética o la protección civil.

En Kenia existe interés en utilizar este tipo de sistema para mejorar las estimaciones de lluvia durante las temporadas húmedas. En regiones donde buena parte de los cultivos depende directamente de las precipitaciones, anticipar un periodo especialmente seco o lluvioso puede ayudar a decidir cuándo sembrar, fertilizar o proteger una cosecha.

La energía plantea otro ejemplo muy claro. Una ola de frío altera la demanda de electricidad y gas; varias semanas cálidas disparan el uso de refrigeración; un periodo con poco viento puede reducir la generación eólica. Disponer de probabilidades más fiables con varias semanas de margen permite preparar reservas, mantenimiento e infraestructuras con otra perspectiva.

Algo parecido ocurre ante inundaciones o sequías. No se trata de saber con un mes de antelación qué calle quedará bajo el agua, sino de detectar que una determinada zona entra en una fase con probabilidad anormalmente elevada de precipitaciones. Son escalas distintas, pero para una administración o un agricultor esa diferencia importa mucho.

Seis semanas vista, pero sin convertir el tiempo en una certeza

El algoritmo fue desarrollado utilizando infraestructura de supercomputación, aunque una vez entrenado no necesita una capacidad de cálculo extraordinaria para funcionar. Esa característica permite incorporarlo como una capa de corrección sobre modelos existentes, sin tener que construir desde cero todo un sistema meteorológico.

Y ahí está quizá la parte más interesante del avance. La inteligencia artificial no aparece como sustituta de la física atmosférica, sino como una herramienta que encuentra imperfecciones persistentes dentro de modelos ya muy sofisticados. Menos espectáculo, más ingeniería.

La previsión a seis semanas seguirá siendo necesariamente probabilística. Nadie debería esperar saber qué temperatura marcará el termómetro de su barrio dentro de 42 días. Pero conocer con mayor confianza si una región se encamina hacia semanas anormalmente húmedas, secas, frías o cálidas puede tener consecuencias reales sobre cosechas, energía, recursos hídricos y prevención de riesgos.

La frontera meteorológica, en definitiva, se mueve. No hasta convertir el futuro atmosférico en un calendario cerrado, porque la atmósfera seguirá teniendo ese punto indómito que lleva décadas desbaratando modelos. Pero el territorio situado entre las dos y las seis semanas empieza a ser algo menos oscuro y bastante más predecible.