En un mundo donde las condiciones meteorológicas extremas son cada vez mas frecuentes y las decisiones energéticas dependen del pronóstico de estos, la invención de de nuevos modelos de pronóstico basados en inteligencia artificial (IA) marca un antes y un después en la forma de anticipar lo que ocurre con el estado del tiempo. Plataformas meteorológicas, investigadores y empresas energéticas ya están adoptando estas innovaciones con resultados sorprendentes.

En este contexto, un grupo de investigadores de la Universidad de Washington han entrenado al sistema de predicción meteorológica denominado GraphCast, desarrollado por Google, con nuevos datos revisados. La consecuencia: El modelo pudo realizar predicciones meteorológicas con precisión razonable hasta 33 días en el futuro. "No hemos encontrado un límite a la distancia que se puede recorrer", afirma Trent Vonich, estudiante de doctorado de la Universidad, quien dirigió el trabajo.

Hasta hace pocos años, los modelos meteorológicos más precisos eran los llamados modelos de predicciónn numérica, que simulan las condiciones atmosféricas mediante ecuaciones físicas. Dentro de estos modelos entran los tradicionales GFS y ECMWF, utilizados por la gran mayoría de los sitios meteorológicos, como el nuestro. Estos modelos siguen siendo fundamentales para la meteorología mundial y local, pero requieren enormes capacidades de cómputo y generan predicciones con cierto margen de error, sobre todo a más de 5 días.

Error cuadrático medio ponderado como se detalla en la ecuación 2 para todos los 732 pronósticos de control (negro), optimizado para 14 días.

Por este motivo, cuando publicamos informes en esta web, muchas veces aclaramos que los pronósticos a largo plazo pueden sufrir cambios y que deberemos revisar la probabilidad mas adelante. Pero la gran novedad es que ahora entran en escena modelos como GraphCast, o FourCastNet y Pangu-Weather, los cuales se basan en distintas IA entrenadas con décadas de datos meteorológicos, logrando predecir el tiempo con una velocidad mucho mayor y precisión competitiva, incluso a 10 o 30 días.

Pasado y presente 70116g

Históricamente, pronósticos a largo plazo (mas de 15 días) suelen perder la confiabilidad debido al llamado "efecto mariposa": pequeños eventos, como el viento creado por las alas de una mariposa, pueden generar efectos en cascada, resultando en impactos mayores a largo plazo. En la vida diaria, eventos aleatorios como incendios, erupciones volcánicas y la actividad humana pueden causar cambios climáticos locales que, al evaluarlos a varios días, cambian completamente un pronóstico.

Uno de los aspectos más revolucionarios de estos nuevos motores es el tiempo de procesamiento: Mientras que un pronóstico convencional puede tardar horas de cálculo en un superordenador, los nuevos modelos de IA generan resultados en cuestión de segundos. Esto permite actualizaciones más frecuentes y decisiones más ágiles frente a situaciones críticas como tormentas severas, olas de calor o lluvias intensas.

Los pronósticos a largo plazo (mas de 15 días) suelen perder la confiabilidad debido al llamado "efecto mariposa".

Además, la IA es capaz de detectar patrones climáticos complejos —como bloqueos atmosféricos o ciclones— mucho antes que los métodos tradicionales. Esto amplía significativamente la ventana de anticipación y reduce la incertidumbre en sectores sensibles como la agricultura, el transporte y el comercio energético. Con las condiciones iniciales entrenadas, la precisión de GraphCast para su pronóstico a 10 días mejoró en un 86% en promedio gracias a estos nuevos datos, algo "absolutamente impresionante" en términos meteorológicos, afirma Vonich.

Aún más sorprendente, el modelo demostró su capacidad para predecir el tiempo con más de 33 días de antelación. Al principio, a Hakim le costó creerlo, dado lo que había aprendido. "Es casi como desconectarse de la realidad", dice. "Sin embargo, aquí están los resultados. Puedes repetir este cálculo". De todas maneras, los investigadores reconocen que se necesita mucho más trabajo antes de que los modelos de IA puedan realizar predicciones precisas a largo plazo para los servicios meteorológicos mundiales en forma cotidiana.

Por ahora, un pronóstico a un mes sigue siendo ambicioso, ya que requeriría una visión mucho más refinada de la atmósfera que la que actualmente es posible con satélites, radiosondas y radares meteorológicos. Pero si el nuevo horizonte de pronóstico sigue siendo prometedor, afirma Doyle, no es el momento de retirarse de la investigación meteorológica: "Nos indica que se puede obtener más beneficios ampliando los modelos a un mayor alcance".