Saber si va a llover esta tarde parece una molestia menor hasta que una tormenta repentina colapsa una ciudad o un cambio brusco de viento desbarata la previsión de una red eléctrica. Durante más de medio siglo, la meteorología ha dependido de superordenadores ejecutando complejas ecuaciones de dinámica de fluidos. El problema de ese método no es la física, sino el reloj. Entre que los centros meteorológicos recogen los datos, los procesan y resuelven los cálculos numéricos, pasan fácilmente seis horas. Cuando la predicción sale de la máquina, la atmósfera real ya ha cambiado.
Google DeepMind y Google Research han decidido atacar ese desfase temporal con WeatherNext 3. Su nuevo modelo de inteligencia artificial elimina el paso intermedio de apoyarse en simulaciones numéricas tradicionales y aprende directamente de observaciones en tiempo real. Al alimentarse de los datos en bruto de satélites geoestacionarios y estaciones terrestres, el sistema genera previsiones globales actualizadas cada hora, con una resolución que baja hasta los cinco kilómetros.
El cuello de botella de los superordenadores
Para entender el salto que supone este modelo conviene mirar cómo se hace el pronóstico del tiempo convencional. Los sistemas clásicos de Predicción Numérica del Tiempo (NWP) dividen la atmósfera del planeta en una cuadrícula tridimensional y calculan el movimiento del aire, la presión y la temperatura aplicando leyes físicas puras. Es un trabajo descomunal que exige centros de supercomputación enteros funcionando día y noche.
Ese proceso tiene un peaje logístico inevitable: la latencia de datos. Los modelos físicos necesitan recopilar lecturas de miles de fuentes dispersas, limpiar las discrepancias y ejecutar simulaciones pesadas. Ese ciclo suele tardar entre cuatro y seis horas. Para fenómenos estables a escala continental, ese retraso es asumible. Para tormentas convectivas locales, granizadas o frentes de viento repentinos, llegar cuatro horas tarde equivale a no llegar.
En los últimos años, varios laboratorios demostraron que las redes neuronales podían predecir el tiempo mucho más rápido que la física tradicional. Sin embargo, casi todos esos modelos pioneros, incluido WeatherNext 2, tenían una dependencia crítica: se entrenaban con simulaciones históricas ya procesadas por superordenadores, como el archivo ERA5 del centro europeo ECMWF. La IA aprendía a replicar los resultados de los modelos físicos en segundos, pero heredaba sus mismos sesgos teóricos y el mismo retraso inicial en los datos de entrada.
Satélites en órbita frente a simulaciones teóricas
La diferencia técnica central de WeatherNext 3 radica en prescindir de ese intermediario simulado. El modelo de DeepMind ingiere directamente un mosaico continuo de observaciones procedentes de satélites geoestacionarios en órbita, combinado con lecturas dispersas de estaciones meteorológicas en superficie. Al alimentar su arquitectura (un transformador de malla basado en redes generativas funcionales) con telemetría real y reciente, el sistema produce una previsión global completa cada sesenta minutos.
El segundo cambio notable afecta a la nitidez de la imagen atmosférica. El modelo anterior proyectaba sus resultados sobre una cuadrícula global de 25 kilómetros de lado. En un mapa plano, 25 kilómetros pueden parecer poco, pero en la geografía real esa distancia borra por completo valles estrechos, cadenas montañosas y líneas de costa, promediando temperaturas dispares en un único valor uniforme.
WeatherNext 3 divide las variables según su comportamiento físico. La velocidad del viento en capas altas se proyecta a 25 kilómetros, mientras que otras variables de superficie se calculan a 10 kilómetros. Sin embargo, los factores más sensibles a la topografía local, como la temperatura a nivel del suelo y la humedad, se generan en una cuadrícula nativa de 5 kilómetros. Esto permite capturar microclimas urbanos o variaciones térmicas en zonas de montaña que antes quedaban ocultas bajo píxeles sobredimensionados.
La pesadilla de calcular la lluvia
Si hay una variable que tradicionalmente ha dejado en evidencia tanto a la física computacional como a la inteligencia artificial, es la precipitación. La formación de nubes de lluvia responde a procesos microscópicos que evolucionan en cuestión de minutos dentro de corrientes de aire muy reducidas. Al intentar modelar esto a escala planetaria, los algoritmos solían devolver manchas borrosas de probabilidad o fallaban al marcar los límites exactos de una tormenta severa.
Para resolver este punto débil, el equipo de DeepMind entrenó el sistema combinando dos fuentes de alta precisión. Los registros de la misión satelital IMERG de la NASA y un reanálisis global de precipitación obtenido a través de radares orbitales.
Las mediciones independientes realizadas por plataformas como Brightband muestran que el modelo mejora hasta un 60% la precisión probabilística respecto a los registros de la NASA. A la vez, recorta un 30% el margen de error frente a las redes de radar terrestres. En pronósticos a veinticuatro horas vista, la fiabilidad para determinar si va a llover o nevar aumenta cerca de un 50%. En lugar de ofrecer una mancha difusa sobre una provincia entera, el sistema delimita con bastante más nitidez las bandas de lluvia activa.
Viento a cien metros para estabilizar la red eléctrica
Más allá de saber si hace falta coger un paraguas, el diseño del modelo responde a una necesidad económica y operativa urgente: la gestión de las energías renovables. Las redes eléctricas modernas tienen dificultades constantes para integrar la energía solar y eólica porque ambas dependen de factores meteorológicos volátiles. Si entra una capa de nubes imprevista o el viento cae de golpe, los operadores de red deben encender centrales de respaldo en cuestión de minutos para evitar caídas de tensión.
WeatherNext 3 incluye variables calculadas específicamente para este sector. En lugar de limitarse a medir el viento en superficie, pronostica la velocidad y dirección del viento a 100 metros de altitud, la altura media a la que operan los bujes de los aerogeneradores comerciales modernos. Paralelamente, genera predicciones de cobertura nubosa y niveles de radiación solar directa que llegan a la superficie terrestre.
Disponer de estos datos hora a hora permite a los operadores de parques solares y eólicos estimar cuántos megavatios van a inyectar al sistema con antelación suficiente. Ajustando la oferta a la demanda energética sin recurrir preventivamente a combustibles fósiles.
Alta resolución sin necesidad de un superordenador local
El impacto de este desarrollo también tiene una derivada geográfica importante. Obtener predicciones meteorológicas a escala kilométrica ha sido históricamente un privilegio reservado a países con presupuestos suficientes para sostener infraestructuras de supercomputación regional. Grandes áreas de América Latina, África y el sudeste asiático dependían de modelos globales de baja resolución. Estos no detectaban fenómenos locales con la debida antelación.
Al centralizar el procesamiento en centros de datos y distribuir el resultado a través de plataformas en la nube como Earth Engine o BigQuery, la previsión local de alta densidad queda desacoplada de la necesidad de contar con un superordenador físico en cada territorio. Los servicios de emergencias y los agricultores de estas regiones pueden acceder al mismo nivel de detalle operativo que el disponible en zonas con redes de radar densas.
La atmósfera nunca dejará de tener un componente caótico difícil de encajar en una ecuación. Sin embargo, reducir el tiempo de refresco a sesenta minutos y aprender de satélites en vivo marca un cambio de rumbo en cómo entendemos la meteorología. La disciplina empieza a depender menos de adivinar qué debería hacer la física teórica y más de observar con rapidez qué está pasando realmente en el cielo.
Si te ha gustado este artículo y quieres recibir más contenido sobre innovación y tecnología directamente en tu correo, suscríbete a nuestra newsletter y mantente siempre actualizado. No somos de los que llenan tu bandeja, solo compartimos los lunes.
