La IA de DeepMind predice mejor los huracanes y da un día más de aviso

La inteligencia artificial de Google DeepMind ha conseguido mejorar la predicción de los ciclones tropicales frente a algunos de los principales modelos meteorológicos operativos. Su sistema, WeatherNext Cyclones, ofrece una ventaja media de al menos 24 horas en la predicción de la trayectoria, la intensidad y el tamaño de los ciclones. En fenómenos capaces de evolucionar con rapidez, disponer de un día adicional puede resultar decisivo para organizar evacuaciones, movilizar equipos de emergencia y proteger a la población.

Los resultados se publicaron el 6 de agosto de 2026 en la revista científica Nature y se basan en evaluaciones de ciclones tropicales registrados entre 2023 y 2025. Los investigadores observaron que el modelo alcanza niveles de precisión comparables a los de los sistemas de referencia con un día más de antelación, un avance que equiparan aproximadamente a una década de progresos en la predicción meteorológica convencional. No significa que la IA acierte siempre, pero sí que puede aportar información valiosa antes de que una tormenta se convierta en una amenaza grave.

WeatherNext Cyclones: un día más para anticiparse a los huracanes

Predecir un huracán no consiste únicamente en calcular hacia dónde se desplazará. Los meteorólogos necesitan estimar también cuándo tocará tierra, cuánto se intensificará y qué zonas quedarán expuestas a vientos peligrosos. Son variables relacionadas, aunque no siempre evolucionan de la misma manera. Una tormenta puede cambiar de trayectoria, intensificarse de forma repentina o extender sus vientos mucho más allá de su centro.

Los modelos meteorológicos tradicionales utilizan ecuaciones físicas para representar la evolución de la atmósfera y requieren importantes recursos de cálculo. La trayectoria de un ciclón depende de las corrientes atmosféricas a gran escala, mientras que su intensidad está relacionada con procesos físicos que ocurren cerca de su núcleo. Por eso, durante años, mejorar las previsiones de la trayectoria y de la fuerza de los vientos ha exigido desarrollar y combinar herramientas especializadas.

WeatherNext Cyclones integra estas capacidades en un sistema de inteligencia artificial. Su ventaja media de un día no significa que cada pronóstico sea más preciso ni que todas las tormentas puedan anticiparse con la misma facilidad. Indica que, en las evaluaciones realizadas, sus predicciones alcanzaron determinados niveles de precisión con mayor antelación que los principales modelos utilizados como referencia.

Cómo funciona la inteligencia artificial de Google DeepMind

El modelo combina décadas de datos sobre la evolución global de la atmósfera con registros históricos de ciclones tropicales. La base especializada contiene información de casi 5.000 ciclones observados, incluidos datos sobre sus trayectorias, intensidad y extensión de los vientos.

En lugar de calcular cada paso de la predicción exclusivamente mediante las ecuaciones de un modelo físico, la IA aprende patrones y relaciones presentes en los datos. A partir de las condiciones atmosféricas iniciales, genera posibles evoluciones del tiempo y estima cómo podría desarrollarse un ciclón. El objetivo es representar tanto el comportamiento más probable como otras alternativas que, aunque menos frecuentes, pueden tener consecuencias importantes.

Pronósticos de hasta 15 días y múltiples escenarios

WeatherNext Cyclones puede generar pronósticos de hasta 15 días de antelación. Su sistema probabilístico produce conjuntos de al menos 50 predicciones posibles, lo que permite estudiar diferentes evoluciones de un mismo fenómeno y estimar la incertidumbre asociada a cada escenario.

La utilidad está en que una predicción meteorológica no es una fotografía exacta del futuro. Si las simulaciones dibujan varias trayectorias posibles, los especialistas pueden valorar qué regiones presentan un riesgo significativo incluso cuando todavía no se conoce con precisión el punto de impacto. Esta información ayuda a planificar recursos y preparar avisos con más margen.

La rapidez de cálculo también permite explorar numerosas posibilidades sin depender exclusivamente de simulaciones físicas muy costosas. Sin embargo, generar escenarios con rapidez no garantiza que todos sean correctos. Su utilidad depende de la calidad de las estimaciones, de la calibración de las probabilidades y de la capacidad del modelo para representar situaciones meteorológicas poco habituales.

Una resolución espacial menos detallada de lo habitual

Otro aspecto relevante es que WeatherNext Cyclones logra buenos resultados con datos atmosféricos de una resolución mucho menos detallada que la utilizada por determinados modelos regionales especializados. La investigación apunta a que la información atmosférica a gran escala contiene más señales útiles para anticipar la intensidad de los ciclones de lo que se había aprovechado hasta ahora.

Los resultados no demuestran que la resolución espacial haya dejado de importar. Los modelos de alta resolución siguen siendo útiles para estudiar procesos locales y fenómenos concretos. La aportación de DeepMind consiste en mostrar que una IA puede mejorar la predicción de la intensidad sin depender de una entrada tan detallada como la de algunos sistemas regionales.

Qué ventaja tiene frente a los modelos meteorológicos tradicionales

La investigación compara WeatherNext Cyclones con sistemas de referencia utilizados por los servicios meteorológicos, entre ellos el conjunto global ENS del Centro Europeo de Predicción Meteorológica a Medio Plazo y el modelo especializado HAFS, empleado para estudiar ciclones tropicales.

Los resultados muestran mejoras en distintas variables. La predicción de la trayectoria supera la precisión media del conjunto global de referencia, mientras que las estimaciones de intensidad y de la extensión de los vientos mejoran las de determinados modelos especializados. Según los investigadores, la ventaja media equivale a un día adicional de capacidad predictiva en las variables evaluadas.

La diferencia importa porque adelantar una previsión fiable puede cambiar la respuesta ante una emergencia. Las autoridades podrían disponer de más tiempo para preparar evacuaciones, comprobar infraestructuras vulnerables o movilizar servicios de protección civil. El beneficio, eso sí, depende de que la información llegue a los responsables y se traduzca en medidas adecuadas.

No todos los modelos son mejores en todas las variables ni en todas las regiones. Los resultados dependen de las características de cada tormenta, del océano en el que se forma y del momento en que se realiza la predicción. Acertar la trayectoria no equivale necesariamente a acertar la intensidad: un sistema puede calcular bien por dónde pasará un huracán y equivocarse al estimar la velocidad de sus vientos.

Los modelos basados en la física siguen siendo fundamentales. Representan de forma explícita numerosos procesos atmosféricos y cuentan con una larga trayectoria de evaluación operativa. La inteligencia artificial aporta una herramienta adicional para generar escenarios y mejorar las estimaciones, pero su rendimiento debe comprobarse de forma independiente y en condiciones reales.

El huracán Melissa puso a prueba la capacidad de la IA

Uno de los ejemplos más llamativos del potencial de esta tecnología fue el huracán Melissa, que golpeó Jamaica en octubre de 2025 como un ciclón de categoría 5. La tormenta experimentó una intensificación extraordinaria y causó graves daños en el Caribe, lo que convirtió su evolución en un caso relevante para evaluar la capacidad de anticipar fenómenos extremos.

Según los datos difundidos por Google DeepMind, WeatherNext anticipó con cinco días de margen un escenario en el que Melissa alcanzaría la categoría 5 y tocaría tierra en Jamaica. El modelo asignó a esa posibilidad una probabilidad del 80 % cinco días antes del impacto, que aumentó hasta aproximarse al 100 % tres días antes.

La predicción resultó relevante porque el sistema había partido de una fase inicial de depresión tropical débil. Prever una intensificación tan rápida puede cambiar la planificación de los servicios de emergencia, sobre todo cuando permite preparar medidas de protección antes de que la amenaza sea evidente para la población.

El caso ilustra el valor potencial de combinar las predicciones de inteligencia artificial con la evaluación de los especialistas. No demuestra que una sola herramienta pueda anticipar todos los huracanes con ese nivel de precisión ni que el resultado se pueda extrapolar a cualquier tormenta. Cada episodio requiere una evaluación propia, con atención a los errores y a la incertidumbre que acompaña a los pronósticos.

¿Puede la inteligencia artificial sustituir a los meteorólogos?

Por ahora, no. Los sistemas de IA pueden procesar grandes volúmenes de datos, calcular escenarios y mejorar las estimaciones, pero las decisiones de protección civil requieren una evaluación integral del riesgo. Los expertos deben interpretar las previsiones, valorar las condiciones locales y tener en cuenta peligros como las inundaciones, las marejadas y los daños que pueden causar los vientos.

Un conjunto de posibles escenarios puede resultar más útil que una única trayectoria presentada como si fuese segura. Si varias simulaciones señalan un riesgo significativo para una región, las autoridades pueden comenzar a preparar recursos aunque todavía no exista certeza sobre el punto exacto en el que tocará tierra el ciclón.

También hay límites técnicos. Los modelos aprenden de los datos disponibles y pueden cometer errores cuando se enfrentan a situaciones poco representadas durante el entrenamiento. Los fenómenos extremos plantean una dificultad especial porque sus características son excepcionales y porque un pequeño error en la estimación de su intensidad o trayectoria puede tener consecuencias importantes.

La IA debe utilizarse como una herramienta de apoyo a los pronósticos y no como un sustituto automático de los servicios meteorológicos. La precisión, la calibración de las probabilidades y la validación independiente son tan importantes como la velocidad de cálculo.

El reto de mantener la ventaja en condiciones reales

Google DeepMind ha publicado el código y los parámetros del modelo para facilitar su estudio y adaptación por parte de la comunidad investigadora. Esta apertura puede ayudar a realizar comparaciones independientes, identificar fallos y comprobar si las mejoras se mantienen cuando cambian las condiciones meteorológicas.

El reto será verificar su comportamiento en nuevas temporadas y en regiones con características distintas de las utilizadas para evaluar el sistema. También habrá que determinar cómo se combina con los modelos físicos y con los procedimientos de alerta que ya emplean los organismos meteorológicos.

En España, los huracanes tropicales no representan una amenaza habitual como ocurre en el Caribe o el golfo de México. Aun así, los avances en la predicción atmosférica tienen interés para la investigación y para mejorar las herramientas de vigilancia de fenómenos extremos. Las aplicaciones concretas dependerán del sistema meteorológico y de las necesidades de los servicios encargados de emitir avisos.

La principal aportación de WeatherNext Cyclones no es prometer pronósticos infalibles, sino ganar tiempo cuando una tormenta puede convertirse en una amenaza grave. Un día adicional de previsión puede facilitar decisiones importantes para proteger a la población. La prueba definitiva será mantener esa ventaja en situaciones reales, temporada tras temporada, y traducirla en avisos cada vez más fiables para quienes viven bajo la trayectoria de un huracán.