TECNOLOGÍA

IA mejora pronósticos meteorológicos más allá de dos semanas con aprendizaje automático

Un equipo internacional desarrolló una capa de aprendizaje automático que corrige errores históricos de modelos meteorológicos, duplicando la habilidad predictiva en pronósticos de la tercera y cuarta semana.

Investigadores de Microsoft, MIT y otras instituciones crearon una capa de aprendizaje automático llamada corrección probabilística de sesgos (PBC) que mejora los pronósticos meteorológicos a varias semanas. Esta técnica ajusta los errores históricos de los modelos y corrige tanto el resultado más probable como su incertidumbre, sin necesidad de ejecutar nuevamente todo el modelo.

En la evaluación de 2025, PBC duplicó la habilidad media del sistema de inteligencia artificial AIFS-SUBS del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), partiendo de una puntuación inicial de 0.03 en RPSS, una métrica que compara las probabilidades pronosticadas con una referencia climática histórica. Los principales ensayos se centraron en la tercera semana (días 19 a 25) y la cuarta semana (días 26 a 32), evaluando temperatura media, precipitación acumulada y presión atmosférica en una malla global de 1.5 por 1.5 grados.

El ECMWF confirmó en su balance de marzo de 2026 que MicroDuet, un sistema que incorpora PBC, lideró la clasificación de AI Weather Quest en ambos plazos durante septiembre a noviembre de 2025 y diciembre de 2025 a febrero de 2026. Sin embargo, la mejora en la habilidad predictiva varía por región: se concentra principalmente en la banda tropical y es limitada en Europa.

Expertos señalan que aunque la métrica de habilidad se ha duplicado, la base inicial era modesta y la validación utiliza reconstrucciones del tiempo con incertidumbres propias. Además, las pruebas cubren periodos semanales y áreas amplias, por lo que el beneficio regional no es uniforme.

El siguiente reto identificado por el ECMWF es convertir estas mejoras en orientaciones prácticas para servicios meteorológicos nacionales, con el objetivo de ofrecer probabilidades útiles para la planificación agrícola, gestión energética y preparación ante fenómenos extremos con semanas de anticipación.

El código de PBC es abierto y su ejecución no requiere supercomputadoras, lo que facilita su actualización con nuevos datos y su aplicación en distintos sistemas meteorológicos.