Un método de inteligencia artificial mejora las predicciones meteorológicas con hasta seis semanas de antelación

Predecir el tiempo a escala subestacional (de dos a cuatro semanas), con modelos físicos tradicionales, es actualmente poco viable porque la imprecisión intrínseca de las observaciones degrada rápidamente los pronósticos con el paso de los días. El estudio liderado por Hannah Guan, publicado en Nature, presenta una nueva herramienta de posprocesado de datos (Probabilistic Bias Correction o PBC) basada en machine learning con la que mejoran significativamente las predicciones subestacionales.  

A escala global, el estudio logra duplicar la habilidad del sistema de predicción por inteligencia artificial (IA) y mejorarla en más de un 90 % en modelos físicos tradicionales. Sin embargo, cabe matizar que el impacto positivo se concentra sobre todo en la banda tropical, siendo todavía bastante limitado en Europa, por ejemplo. El estudio destaca que el método PBC también puede ayudar a mejorar la predicción de eventos extremos con más de dos semanas de antelación. Este es el objetivo principal de la predicción subestacional, anticipar con semanas de margen eventos como heladas, sequías o tormentas, ofreciendo al sector agrícola, energético y de emergencias el tiempo necesario para actuar.

Una de las ventajas del método PBC es que no se limita a corregir un valor medio, sino que ajusta tanto el resultado más probable como la incertidumbre que lo acompaña. Para hacerlo, aprende de errores anteriores y tiene en cuenta la evolución reciente del tiempo y el clima habitual de cada lugar. Es un método ligero que puede actualizarse con nuevos datos sin tener que volver a ejecutar todo el modelo meteorológico, aunque, como ya hemos dicho, siempre necesita apoyarse en uno y no funciona de manera independiente. Su valor también está en que no solo se ha probado con datos del pasado, sino con predicciones realizadas en tiempo real, antes de saber qué tiempo haría. Además, las mejoras aparecen en distintas regiones y épocas del año, incluso en modelos que ya habían sido corregidos previamente.  
  
Los resultados de este estudio son prometedores, aunque el método sigue en fase experimental y se ha comprobado principalmente con reconstrucciones históricas del tiempo. Por eso conviene tomar con cautela las grandes mejoras porcentuales y seguir estudiando su funcionamiento en otras regiones, a escalas más detalladas y ante fenómenos extremos.

El interés del trabajo reside en emplear un posprocesado probabilístico (PBC) que aprende a corregir los errores sistemáticos de los mejores modelos existentes, tanto dinámicos como de IA, sin modificarlos. Llama la atención que el método PBC ganó la competición internacional AI Weather Quest del ECMWF en 2025 para todas las variables y horizontes temporales, superando a los modelos operativos de seis centros meteorológicos nacionales (ECMWF, NOAA, JMA, KMA, ECCC, HMCR). La mejora más clara aparece en precipitación en los horizontes de las semanas 3 y 4, donde la salida directa de los modelos presenta un sesgo sistemático muy elevado respecto a la referencia climática. El código es abierto y el enfoque es aplicable a cualquier modelo de predicción meteorológica, lo que amplifica su alcance real. 

Cabe advertir, sin embargo, que no se construye un nuevo modelo atmosférico desde cero. El método PBC es una herramienta de posprocesado, que se debe aplicar a los modelos de base. Si los modelos dinámicos mejoran, PBC puede adaptarse, pero si fallan en determinadas ocasiones complejas y poco habituales, el método PBC no puede corregirlo. Otra limitación del estudio es que la validación usa ERA5 como verdad de referencia, que tiene sus propias incertidumbres al ser otro modelo que simula la precipitación (no asimila observaciones reales de precipitación, pero sí temperatura, humedad y viento).  

Por otro lado, aunque el salto en la habilidad predictiva de la precipitación es notable (pasa de destreza negativa a positiva), la mejora relativa es engañosa pues es como ‘dividir entre cero’. Es decir, ‘doblar la habilidad’ sobre una base de partida modesta no significa necesariamente que sea una ‘predicción útil’. La ventana de predictibilidad subsestacional sigue siendo inherentemente difícil y eso nos garantiza muchos años más de trabajo en investigación matemática y meteorológica.

La iniciativa ECMWF AI Weather Quest [competición cuyo ganador fue un modelo que incorporaba PBC] tiene como objetivo estimular nuevas ideas y animar a equipos de todo el mundo a intercambiar resultados y aprender unos de otros de forma abierta y colaborativa. Este artículo es un buen ejemplo de cómo se desarrollan nuevas ideas en beneficio y para consideración de la comunidad. Como siempre, convertir las ideas en realidad y en un proceso operativo es el paso más complicado.