Investigadores de Microsoft han publicado una nueva metodología de aprendizaje automático que aumenta la precisión de los pronósticos meteorológicos en el rango de dos a seis semanas y destaca en la detección de inundaciones. Esto coincidió con una revisión científica del rendimiento del modelo de Google DeepMind durante el huracán Isaias, la cual mostró su éxito en la determinación de trayectoria y su fallo en la estimación de la intensidad del viento.
Informes científicos revelan la realidad de la predicción meteorológica con inteligencia artificial
Metodología de corrección de sesgo probabilístico y su superioridad en el Centro Europeo
Prueba del huracán Isaias entre la precisión de la trayectoria y el fallo en la estimación de intensidad
La importancia del elemento humano y los modelos de consenso en la meteorología
Preguntas frecuentes
Informes científicos revelan la realidad de la predicción meteorológica con inteligencia artificial
Dos nuevos informes científicos publicados esta semana revelaron el nivel real que han alcanzado las tecnologías de inteligencia artificial en el campo de la meteorología, la predicción del tiempo y los fenómenos climáticos extremos. Investigadores de Microsoft publicaron el miércoles 14 de octubre de 2026 un método innovador basado en el aprendizaje automático, afirmando que hace que las previsiones meteorológicas a largo plazo —que abarcan un período de entre dos y seis semanas de anticipación— sean mucho más precisas y fiables que los métodos habituales.
Al mismo tiempo, los expertos en meteorología llevaron a cabo una revisión de evaluación exhaustiva del rendimiento de los modelos informáticos durante el reciente huracán Isaias, concluyendo que el modelo inteligente desarrollado por Google DeepMind logró predecir la trayectoria geográfica de la tormenta con una precisión que superó a cualquier otro modelo en el mundo; sin embargo, se equivocó al estimar la fuerza real del huracán y la intensidad de sus vientos al acercarse a la tierra.
Estos dos acontecimientos simultáneos reflejan el enorme salto que han dado los algoritmos de aprendizaje automático en el procesamiento de datos climáticos complejos, al tiempo que ponen de relieve las brechas técnicas que todavía exigen la dependencia de la experiencia humana y de los modelos físicos especializados en los momentos críticos.
Metodología de corrección de sesgo probabilístico y su superioridad en el Centro Europeo
La nueva metodología desarrollada por Microsoft lleva por nombre «corrección de sesgo probabilístico» y sus detalles de investigación completos fueron publicados en la prestigiosa revista científica Nature. Esta herramienta no pretende reemplazar a los modelos de pronóstico meteorológico actuales ni prescindir de ellos, sino que funciona como una capa inteligente de apoyo que aprende los errores metódicos recurrentes cometidos en las predicciones probabilísticas anteriores del modelo, para luego ajustar y corregir automáticamente las nuevas previsiones y tener en cuenta dichos sesgos.
Los investigadores probaron esta herramienta en los sistemas del Centro Europeo de Previsiones Meteorológicas a Plazo Medio; la metodología de corrección de sesgo probabilístico logró mejorar el rendimiento del modelo físico del Centro Europeo —el cual ya cuenta con su propio sistema de corrección de errores— en el 98 por ciento de los objetivos de predicción de precipitaciones, el 92 por ciento de los objetivos de temperatura y el 91 por ciento de los objetivos de presión atmosférica. Asimismo, la herramienta duplicó la precisión del «sistema de predicción por inteligencia artificial» del Centro Europeo en el horizonte temporal de dos a seis semanas. En el concurso de predicción instantánea organizado por el Centro Europeo para 2025, las previsiones de esta herramienta obtuvieron el primer puesto en cada variable meteorológica y en cada horizonte temporal, superando a 34 equipos de investigación y a seis centros meteorológicos nacionales.
El climatólogo del Instituto Tecnológico de Massachusetts y coautor del estudio, Judah Cohen, declaró al sitio Gizmodo: «Es interesante que los esquemas de corrección de sesgos anteriores empeoraban en realidad las previsiones de clima extremo, mientras que nuestro modelo mostró una mejora clara». Al probar la herramienta en incidentes de inundaciones anteriores, esta incrementó la precisión en la predicción de inundaciones entre un 76 y un 92 por ciento. Lester Mackey, de Microsoft, explicó a The Verge que el código fuente de la herramienta es de código abierto y opera en procesadores de computadoras convencionales sin necesidad de supercomputadoras, mientras que Matthew Chantry, del Centro Europeo, expresó una reserva realista al afirmar: «Convertir las ideas en realidad dentro de un proceso operativo es un paso sumamente difícil».
Prueba del huracán Isaias entre la precisión de la trayectoria y el fallo en la estimación de intensidad
Por otro lado, en las pruebas de campo, el huracán Isaias tocó tierra cerca de la ciudad de Destin, en el estado de Florida (EE. UU.), el 9 de octubre como un huracán de categoría 2 con vientos que alcanzaron las 105 millas por hora. Durante las últimas 72 horas antes de que el huracán llegara a la costa, la predicción de la trayectoria de la tormenta emitida por el modelo DeepMind se apartó por una distancia de tan solo 19 millas del punto real de impacto.
En comparación, el modelo de inteligencia artificial europeo erró por 36 millas, mientras que el modelo estadounidense GFS se equivocó por una distancia considerable de 119 millas, según las cifras estadísticas recopiladas por el jefe de meteorología de la estación WFLA, Jeff Berardelli. El modelo DeepMind también acertó al predecir que la tormenta ganaría fuerza mientras cruzaba el centro del golfo de México.
Sin embargo, el punto débil apareció cuando el huracán se acercó a la costa; el modelo DeepMind redujo la intensidad del huracán Isaias en sus pronósticos con excesiva rapidez, presentándolo como una tormenta débil de categoría 1 apenas unos 90 minutos antes de impactar contra la tierra. El Canal del Meteorología informó que los modelos especializados en huracanes de la Administración Nacional Oceánica y Atmosférica de Estados Unidos hicieron un trabajo mucho mejor al detectar una inusual banda de vientos fuertes, conocida científicamente como «chorro de ráfaga» (sting jet), que se formó en el lado oeste de la tormenta.
La importancia del elemento humano y los modelos de consenso en la meteorología
Los resultados del seguimiento del huracán Isaias suscitaron un amplio debate científico sobre los límites de depender exclusivamente de los algoritmos inteligentes para emitir advertencias meteorológicas cruciales. En este contexto, James Franklin, exdirector de una de las sucursales del Centro Nacional de Huracanes en Estados Unidos, advirtió sobre los peligros de confiar únicamente en la inteligencia artificial sin una revisión humana y física.
Franklin señaló que las previsiones oficiales emitidas por el Centro Nacional de Huracanes, junto con los mejores modelos de consenso que integran los resultados de múltiples sistemas computacionales, siguen superando a los modelos de inteligencia artificial individuales en la mayoría de los puntos y etapas de la predicción meteorológica.
Franklin resumió este delicado equilibrio entre la superioridad de los algoritmos modernos y la necesidad constante de su desarrollo diciendo: «Sí, es mejor que cualquier otra cosa que tengamos a nivel individual, pero no es perfecto». Esta conclusión confirma que la integración de herramientas de corrección de errores, como la de Microsoft, con los modelos físicos y la experiencia humana representa el camino óptimo para proteger vidas y bienes.
Preguntas frecuentes
Pregunta: ¿Qué es la herramienta de corrección de sesgo probabilístico dada a conocer por Microsoft?
Respuesta: Es una metodología de aprendizaje automático publicada en la revista Nature que aprende los errores metódicos recurrentes en los modelos meteorológicos anteriores y ajusta los nuevos pronósticos, elevando la precisión de las predicciones de dos a seis semanas.
Pregunta: ¿Qué resultados obtuvo la herramienta de Microsoft al ser probada en el Centro Europeo?
Respuesta: La herramienta mejoró el modelo físico del Centro Europeo en el 98 por ciento de los pronósticos de lluvia, el 92 por ciento para la temperatura y el 91 por ciento para la presión, además de elevar la precisión de la predicción de inundaciones entre un 76 y un 92 por ciento.
Pregunta: ¿Cómo fue el rendimiento del modelo Google DeepMind durante el huracán Isaias en Florida?
Respuesta: El modelo destacó al determinar la trayectoria del huracán con un margen de error de tan solo 19 millas 72 horas antes de tocar tierra, pero falló al estimar su fuerza y lo mostró como una tormenta de categoría 1 cuando azotó la costa como un huracán de categoría 2.
Pregunta: ¿Requiere la nueva herramienta de Microsoft supercomputadoras para funcionar?
Respuesta: No, el código fuente de la herramienta es de código abierto y está diseñado para operar con eficiencia en procesadores de computadoras convencionales sin necesidad de supercomputadoras.
