El equipo de Google DeepMind ha presentado WeatherNext 3, un nuevo modelo de predicción meteorológica basado en inteligencia artificial que introduce un cambio significativo en la forma de anticipar el tiempo. La herramienta sustituye las simulaciones físicas tradicionales por el análisis directo de datos observados, incluyendo imágenes de satélites geostacionarios y estaciones meteorológicas en tiempo real.
Con este enfoque, el modelo logra aumentar la resolución espacial de los pronósticos de 28 a solo cinco kilómetros y reduce el intervalo de actualización de seis horas a una hora. Según los datos compartidos por la compañía, estas mejoras permiten incrementar la precisión de las predicciones de precipitación hasta en un 50% en las regiones del planeta que históricamente contaban con pronósticos menos ajustados. El modelo ya se encuentra integrado de forma gratuita en servicios cotidianos como el Buscador de Google, Google Maps y Gemini. Además, está disponible para la comunidad científica y empresarial a través de plataformas como Earth Engine y BigQuery.
¿Qué es WeatherNext 3 y cómo funciona?
Hasta la llegada de estos modelos, la predicción del tiempo se basaba principalmente en estimar el estado de la atmósfera en el presente para simular su comportamiento futuro mediante ecuaciones de la física. WeatherNext 3 cambia este planteamiento al permitir que la inteligencia artificial acceda directamente a datos atmosféricos medidos por instrumentos de observación.
Para lograr este funcionamiento, el sistema ha sido entrenado con un volumen masivo de registros que incluye unos 25 años de datos de radar de precipitación y entre 10 y 15 años de imágenes de satélites meteorológicos geostacionarios. Estas imágenes permiten observar de forma continua la evolución de la atmósfera sobre una misma zona de la Tierra.
De forma similar a como los meteorólogos analizan el movimiento de las nubes en la televisión para prever si lloverá, WeatherNext 3 aprende a realizar esa deducción directamente a partir de las imágenes. Esto le permite predecir directamente magnitudes medibles, como la cantidad de lluvia o la precipitación acumulada, en lugar de aproximaciones teóricas.
El modelo introduce además un salto cuantitativo en la resolución espacial. Mientras que desarrollos anteriores de la compañía, como el modelo GraphCast, realizaban previsiones en cuadrículas de 28 kilómetros, WeatherNext 3 alcanza una resolución de cinco kilómetros en varias magnitudes. A esto se suma el aumento en la frecuencia de los pronósticos, que pasan de ofrecerse cada seis horas a actualizarse cada una hora.
¿Por qué importa y qué cambia para los usuarios e industrias?
La combinación de mayor resolución espacial e intervalos de actualización más frecuentes proporciona una representación mucho más precisa de las condiciones atmosféricas locales. Este nivel de detalle resulta especialmente útil para sectores económicos cuya planificación depende de variaciones meteorológicas rápidas, como la agricultura, la aviación o la gestión energética.
Para la ciudadanía general, el acceso a estas predicciones no requiere la instalación de software especializado ni suscripciones pagadas. Las estimaciones generadas por la herramienta se integran directamente en aplicaciones de consulta diaria.
Entre las principales ventajas y características operativas de WeatherNext 3 destacan las siguientes:
- Mejora en los pronósticos de lluvia: La precisión de las predicciones de precipitación puede incrementarse hasta en un 50% en zonas donde los modelos meteorológicos tradicionales mostraban menor fiabilidad.
- Disponibilidad directa para el público: Las previsiones se pueden consultar sin coste adicional mediante el Buscador de Google, la aplicación de Google Maps y el asistente Gemini.
- Acceso profesional para investigación: Desarrolladores e instituciones científicas pueden analizar los conjuntos de datos a través de plataformas como Earth Engine y BigQuery.
- Análisis de múltiples escenarios: El modelo es capaz de generar hasta 64 escenarios probabilísticos diferentes para medir el grado de incertidumbre en situaciones meteorológicas inestables.
- Respeto a la privacidad: Los investigadores confirman que para el entrenamiento de esta inteligencia artificial no se han utilizado datos personales de los usuarios.
Contexto, investigadores y el reto de los fenómenos extremos
El proyecto ha sido desarrollado en los laboratorios de Google DeepMind por un equipo en el que participan los investigadores Ferran Alet Puig y Álvaro Sánchez González. Ambos especialistas remarcan que la intención del modelo no es reemplazar a los organismos públicos de meteorología, sino proporcionarles una herramienta adicional para perfeccionar sus modelos.
En el ámbito europeo y español, agencias como la Agencia Estatal de Meteorología (AEMET) emplean modelos propios y técnicas de posprocesado, por lo que el impacto concreto de WeatherNext 3 en la precisión local en España se irá evaluando progresivamente.
En relación con episodios meteorológicos de alto impacto, como las gotas frías o DANA, los investigadores aclaran que aún no se ha analizado formalmente el rendimiento del modelo ante estos eventos específicos. No obstante, destacan que la mejora general en los pronósticos sitúa a la tecnología en una mejor posición para abordar este tipo de fenómenos en el futuro.
Asimismo, el equipo colabora de forma directa con el departamento de Google Research orientado a la predicción de inundaciones. Este grupo lanzó la plataforma Groundsource, que combina inteligencia artificial e información pública para anticipar inundaciones repentinas urbanas con hasta 24 horas de margen. WeatherNext 3 alimentará este sistema con sus datos de precipitación para reforzar las alertas hidrológicas.
Lo que viene ahora en la predicción meteorológica
La presentación de WeatherNext 3 evidencia la rápida evolución de la inteligencia artificial aplicada a las ciencias de la Tierra. Al integrar datos masivos de satélites en tiempo real con capacidades avanzadas de aprendizaje automático, estos modelos ofrecen una alternativa ágil a las simulaciones físicas tradicionales.
Aunque la predicción de eventos extremos sin precedentes sigue planteando desafíos técnicos para toda la comunidad científica, el uso combinado de datos abiertos, modelos de alta resolución y colaboración institucional marca el camino a seguir en la meteorología del futuro.
