El equipo de Google DeepMind ha desarrollado WeatherNext 3, un modelo de predicción meteorológica con inteligencia artificial (IA), lanzado el 3 de septiembre, que incorpora directamente datos observados de la atmósfera, incluidos datos de satélites y estaciones meteorológicas. Frente a modelos anteriores de predicción meteorológica con inteligencia artificial, como GraphCast, WeatherNext 3 aumenta la resolución, de 28 kilómetros a cinco en algunas variables, lo que permite hacer predicciones en cuadrículas de hasta cinco por cinco kilómetros y ofrecer una representación más detallada de las condiciones atmosféricas, además de aumentar la frecuencia de sus previsiones, de seis horas a una, e incorporar observaciones directas de la atmósfera, como las imágenes satelitales. Ferran Alet Puig, investigador de Google DeepMind, explica cómo se han hecho tradicionalmente los pronósticos: “Lo que se hacía hasta ahora era estimar el tiempo lo mejor posible en el presente y predecir el futuro mediante la simulación de las ecuaciones de la física con parámetros estimados”. Su compañero, Álvaro Sánchez González, señala el cambio que introduce WeatherNext 3: “Permite al modelo de predicción acceder directamente a datos de la atmósfera que no son estimados, sino medidos”.
Los datos atmosféricos a los que se refieren se utilizan para entrenar el modelo y enseñarle a relacionar el estado de la atmósfera con su evolución posterior. “Nosotros entrenamos el modelo a partir de imágenes satelitales y datos y, con ello, le decimos que prediga el tiempo de mañana a partir del tiempo de hoy”, explica Alet Puig. Entre los datos utilizados hay unos 25 años de registros de radar de precipitación y entre 10 y 15 años de imágenes de satélites meteorológicos que permanecen sobre una misma zona de la Tierra y permiten observar de forma continua la evolución de la atmósfera. Sánchez González pone como ejemplo las imágenes de satélite que aparecen en las noticias del tiempo: “Los meteorólogos las utilizan para observar el movimiento de las nubes y anticipar si lloverá. WeatherNext 3 aprende a hacer ese tipo de predicción directamente a partir de esas imágenes”.
La nueva herramienta meteorológica de Google permite obtener pronósticos con uno o más días de antelación con una mayor precisión, según un comunicado de la compañía. WeatherNext 3 predice directamente magnitudes medibles, como la precipitación, que se registra mediante radares desde el espacio. “Esperamos que los pronósticos de precipitación puedan ser hasta un 50% más precisos que los de modelos anteriores, sobre todo en zonas del planeta donde las predicciones eran menos precisas”, explica Sánchez González. El investigador matiza que ese es el máximo de mejora esperado, no la media, y que su impacto dependerá de las circunstancias.
Las predicciones de precipitaciones extremas son aún limitadas. Alet Puig confirma que todavía no han analizado específicamente cómo funcionaría el modelo ante este tipo de episodios, aunque considera que la mejora de la calidad de las previsiones supone estar “un paso más cerca” de poder predecir fenómenos como las danas en el futuro. Sánchez González asegura que colaboran con un equipo paralelo de Google Research centrado en las previsiones de inundaciones, al que proporcionarán los pronósticos de precipitación de WeatherNext 3 para mejorar su modelo. Este equipo lanzó en marzo Groundsource, una metodología basada en IA que utiliza información pública para crear un registro histórico de inundaciones repentinas y que permite generar pronósticos de inundaciones urbanas con hasta 24 horas de antelación.
WeatherNext 3 está disponible para los usuarios a través del Buscador de Google, Google Maps y Gemini, donde las consultas meteorológicas no tienen un coste adicional. Los investigadores y desarrolladores pueden acceder a los datos del modelo a través de Earth Engine y BigQuery, mientras que instituciones y empresas pagarán por el volumen de datos que descargan. “No pagas por la previsión como tal, sino por descargar esos datos”, explica Sánchez González. El coste aumenta si se solicitan más variables, mayor resolución o los 64 escenarios posibles que genera el modelo, aunque el investigador considera que la mayoría de los usuarios no necesitarán ese nivel de detalle. Los investigadores también aclaran que WeatherNext 3 no utiliza datos personales de los usuarios para entrenar el modelo.
Alet Puig y Sánchez González consideran que todavía es pronto para determinar hasta qué punto WeatherNext 3 puede mejorar la predicción de fenómenos extremos en España. Sánchez González señala que la mejora concreta es difícil de cuantificar porque AEMET ya trabaja con modelos europeos y aplica sus propios sistemas de postprocesado. Defiende además la colaboración con los servicios meteorológicos nacionales: “No queremos competir con la AEMET, sino darles una herramienta más para que el siguiente evento se pueda predecir aún mejor”.