¿Qué pasaría si el pronóstico del tiempo pudiera actualizarse cada hora y detectar mejor las diferencias entre una costa, un valle y una montaña? Google DeepMind y Google Research presentan WeatherNext 3, un modelo de inteligencia artificial que promete pronósticos globales más precisos, rápidos y localizados.
La herramienta utiliza observaciones meteorológicas en tiempo real, incluidos datos de satélites geoestacionarios, para generar predicciones con mayor resolución. Según Google, evaluaciones independientes de Brightband la sitúan como su modelo meteorológico global más avanzado hasta la fecha.
Pronósticos más detallados y frecuentes
WeatherNext 3 produce pronósticos cada hora y trabaja con distintas resoluciones espaciales según la variable analizada:
- Temperatura y humedad superficial con una resolución de hasta 5 kilómetros.
- Otras variables de la superficie con una resolución de 10 kilómetros.
- Variables atmosféricas, como la velocidad del viento, con una resolución de 25 kilómetros.
En conjunto, esto representa una imagen del clima aproximadamente cinco veces más detallada que la de WeatherNext 2, que generaba pronósticos cada seis horas sobre una cuadrícula de 25 kilómetros.
¿La diferencia se nota en la vida real? Puede ser especialmente importante en zonas donde el clima cambia rápidamente o el terreno altera las condiciones locales, como regiones costeras, valles y áreas montañosas.
La IA aprende de datos meteorológicos en tiempo real
Muchos modelos de inteligencia artificial para el clima se entrenan con información producida por sistemas tradicionales de predicción numérica. Estos sistemas simulan la física de la atmósfera usando supercomputadoras, pero sus datos pueden tener un retraso de varias horas.
WeatherNext 3 incorpora mosaicos de imágenes de satélites geoestacionarios que se actualizan continuamente. De esta manera, el modelo puede observar cómo evolucionan las nubes, las tormentas y otros fenómenos antes de generar una nueva predicción.
También utiliza datos de estaciones meteorológicas distribuidas en distintos lugares del mundo. Esto permite que sus pronósticos representen mejor detalles regionales, en lugar de ofrecer una visión demasiado suavizada del clima.
La resolución no es solo una cifra técnica. Una predicción más detallada puede ayudar a saber si la lluvia afectará a toda una ciudad o únicamente a una zona cercana.
Mejoras en lluvia y nieve
La precipitación sigue siendo uno de los desafíos más complejos para los modelos meteorológicos. La lluvia y la nieve dependen de procesos que ocurren dentro de nubes pequeñas y cambian con rapidez, por lo que los pronósticos pueden terminar mostrando áreas demasiado amplias o perder los límites de una tormenta intensa.
Para mejorar este aspecto, WeatherNext 3 se entrenó con datos de precipitación de alta calidad, incluidos los registros satelitales IMERG de la NASA y un sistema global de análisis basado en radares y satélites.
Google informa que, en evaluaciones de pronósticos a mediano plazo, el modelo logró mejoras de hasta:
- 60% frente a IMERG.
- 30% frente a MRMS.
- 10% frente a mediciones de pluviómetros durante los primeros periodos de predicción.
Estas cifras utilizan la métrica CRPS, o Continuous Ranked Probability Score, que evalúa la calidad de los pronósticos probabilísticos. En términos simples, mide qué tan bien coincide la distribución de probabilidades prevista con lo que finalmente ocurre.
Una herramienta para energía renovable y agricultura
WeatherNext 3 no está pensado únicamente para decirte si debes llevar paraguas. También genera predicciones diseñadas para sectores que dependen directamente del clima.
El modelo estima velocidades del viento a 100 metros de altura, aproximadamente la altura de muchas turbinas eólicas. Esto puede ayudar a calcular cuánta electricidad producirán los parques eólicos.
También ofrece información sobre cobertura de nubes y radiación solar. Con estos datos, las plantas solares pueden anticipar mejor cuánta luz recibirán y los operadores de las redes eléctricas pueden equilibrar la generación renovable con la demanda de los consumidores.
Para agricultores, empresas de transporte, operadores de infraestructura y equipos de emergencia, contar con actualizaciones más frecuentes puede facilitar decisiones sobre riego, rutas, cosechas, logística y respuesta ante fenómenos extremos.
Más utilidad para regiones históricamente desatendidas
Los modelos meteorológicos regionales de alta resolución suelen requerir una enorme capacidad de cómputo. Por eso, algunas regiones de América Latina, África y Asia-Pacífico no han tenido acceso al mismo nivel de detalle que otros mercados.
Google afirma que WeatherNext 3 puede llevar pronósticos localizados a miles de millones de personas sin que cada organización tenga que construir su propio modelo desde cero. Los datos estarán disponibles para investigadores, desarrolladores y empresas mediante BigQuery, Earth Engine y Google Cloud Storage.
El modelo también comenzará a integrarse en productos como Google Search, Gemini, Google Maps, Google Maps Platform Weather API y Google Earth Engine.
Según la compañía, las predicciones de precipitación para uno o más días de anticipación podrían ser hasta 50% más precisas, con mayores avances en regiones donde los pronósticos eran menos confiables.
La predicción no elimina la incertidumbre
Una inteligencia artificial puede analizar grandes volúmenes de datos y actualizar un pronóstico con rapidez, pero la atmósfera sigue siendo un sistema difícil de predecir. Ningún modelo puede garantizar que una tormenta se comporte exactamente como fue calculada.
Por eso, los pronósticos generados por WeatherNext 3 deben entenderse como una herramienta de apoyo. Para alertas severas, emergencias y decisiones de seguridad, Google recomienda consultar siempre a los servicios meteorológicos oficiales de cada país.
La importancia de este avance está en acercar la predicción a lo que realmente ocurre en el terreno. Si la IA consigue combinar observaciones recientes, mayor detalle geográfico y pronósticos más frecuentes, el clima deja de ser solo una información para planificar el día y se convierte en una herramienta para proteger comunidades, gestionar energía y tomar mejores decisiones.
Fuente original
https://blog.google/innovation-and-ai/models-and-research/google-deepmind/introducing-weathernext-3