¿Podría la IA ayudar a pronosticar el tiempo con tres meses de antelación?
Predecir el tiempo con tres meses de antelación es difícil; ¿qué papel puede desempeñar el enfoque de inteligencia artificial del aprendizaje automático para mejorar el pronóstico estacional?
Los pronósticos estacionales predicen las condiciones meteorológicas probables para los tres meses siguientes, pero pronosticar el tiempo con tanta antelación es un desafío. La atmósfera cambia constantemente, por lo que las estimaciones y suposiciones que se utilizan en los modelos de pronóstico se vuelven menos fiables a medida que avanza la temporada.
El aprendizaje automático (AA), un subconjunto de la IA, podría mejorar las predicciones meteorológicas. Los modelos meteorológicos basados en AA podrían ser un paso importante para mejorar los pronósticos estacionales, según una nueva investigación dirigida por el Servicio Meteorológico Nacional de Reino Unido (Met Office).
IA frente a la física
Los pronósticos estacionales del Met Office, se encuentran entre los mejores del mundo y ofrecen claridad sobre los posibles escenarios meteorológicos para los próximos meses. Sin embargo, implican la ejecución repetida de modelos basados en la física para comprender los escenarios probables, con probabilidades aplicadas a diferentes condiciones, lo que requiere una gran capacidad informática.
Los investigadores evaluaron el potencial de aplicar un modelo meteorológico de AA a los pronósticos estacionales globales, específicamente el modelo de AA ACE2 del Instituto Allen para IA (Ai2), que puede mantenerse estable durante largos períodos de pronóstico.
“Ya hemos visto cómo los enfoques basados en aprendizaje automático (ML) demuestran su eficacia en la predicción a corto plazo; este documento explora el uso de estos métodos a una escala de tiempo mucho mayor a nivel global”, explica Chris Kent, científico sénior del Servicio Meteorológico Nacional (MET), quien dirigió la investigación.
“Hemos descubierto que ACE2 muestra una eficacia comparable a la de los métodos físicos existentes, lo que podría abrir nuevas oportunidades para generar predicciones más detalladas y precisas a nivel estacional”.
- Feryal Clark.
Feryal Clark, Ministra de IA y Gobierno Digital, afirma: “Al mejorar nuestra capacidad para pronosticar el tiempo con meses de antelación, podemos ayudar a las empresas y los servicios públicos a obtener la información necesaria para planificar con mayor confianza. Desde el apoyo a la toma de decisiones sobre cultivos hasta la ayuda al Servicio Nacional de Salud (NHS) para prepararse para el invierno, este trabajo demuestra cómo las tecnologías emergentes como la IA pueden impulsar el crecimiento, fortalecer la resiliencia y mejorar la vida cotidiana de las personas como parte de nuestro Plan para el Cambio”.
Bien, pero ¿cuánto?
Para evaluar la precisión de las predicciones estacionales de ACE2, se comparó un conjunto de pronósticos globales que abarcan 23 inviernos del hemisferio norte con predicciones basadas en la física para el mismo período y con las condiciones reales observadas.
ACE2 se ajustó a los métodos actuales, demostrando su capacidad para predecir la Oscilación del Atlántico Norte, que afecta el clima en Europa y Norteamérica. Al predecir la Oscilación del Atlántico Norte invernal, los modelos basados en la física suelen mostrar puntuaciones de correlación de 0.3 a 0.6, donde 1 equivale a una precisión perfecta con respecto a las condiciones observadas; ACE2 obtuvo una puntuación ligeramente inferior a 0.5.
Sin embargo, se observaron diferentes niveles de precisión en diferentes lugares del mundo y, en general, el modelo basado en aprendizaje automático (ML), aún no superó el rendimiento de la metodología basada en la física existente, lo que pone de relieve las posibles limitaciones de basarse únicamente en pronósticos estacionales basados en ML.
"Será importante aprovechar los beneficios de estos modelos rápidos basados en aprendizaje automático para acelerar las mejoras en los pronósticos estacionales, sin perder el respaldo de la comprensión de la atmósfera basada en la física", afirma Adam Scaife, director de pronósticos a largo plazo del Met Office.
Este estudio de prueba de concepto representa un paso importante hacia la próxima generación de pronósticos meteorológicos y enfatiza el enfoque continuo del Servicio Meteorológico para mejorar el poder de la inteligencia meteorológica.
“Es un momento emocionante para el aprendizaje automático en las ciencias de la tierra, ya que estamos avanzando más allá del clima a medio plazo hacia escalas temporales estacionales y más largas”, explica Oliver Watt-Meyer, científico investigador principal de modelización climática en Ai2.
Es importante destacar que será necesario dejar de predecir únicamente las condiciones atmosféricas y comenzar a incluir el océano junto con otros componentes del sistema climático.
Los investigadores afirman que se necesita más investigación para comprender mejor las oportunidades y limitaciones de fusionar las fortalezas de la física y los pronósticos basados en IA/ML para obtener predicciones fiables a corto y largo plazo.Referencia de la noticia
Skilful global seasonal predictions from a machine learning weather model trained on reanalysis data, npj Climate and atmospheric science, August 2025. Kent, C. et al.