Una capa de aprendizaje automático corrige los errores de los sistemas de pronóstico del tiempo y mejora la predicción a 2-6 semanas. De acuerdo con lo publicado por Nature el 14 de octubre, la técnica se aplicó a dos sistemas. Ambos pertenecen al Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF). La capa se llama corrección probabilística de sesgo (PBC, por su sigla en inglés). En el centro conviven dos familias de modelos. Los físicos resuelven las ecuaciones de la atmósfera; los de IA se entrenan con datos históricos. Sobre el sistema de IA del centro, multiplicó su habilidad por dos. Sobre el modelo físico de referencia, la mejoró en 91% de las variables de presión, 92% de temperatura y 98% de precipitación.
La ventana de dos a seis semanas era el punto débil de la meteorología. En ese tramo, llamado desierto de la previsibilidad, los errores se acumulan y los sesgos persisten. Los pronósticos confiables llegaban hasta dos semanas. Volvían a ganar fuerza recién en escalas más largas. En el medio, la habilidad de los sistemas de pronóstico caía en picada. El tramo no aprovecha las condiciones iniciales ni las fuerzas de frontera del clima.
El pronóstico del tiempo a 2-6 semanas se volvió competitivo
La capa aprende de los pronósticos históricos y de las observaciones para reajustar la distribución de probabilidades. Corrige así el centro de la predicción, su dispersión y su forma. La capa es liviana y se acopla a cualquiera de las dos familias. Sus autores la reentrenan cada día con los datos disponibles, para imitar el uso operativo. En el pronóstico del tiempo a 2-6 semanas, ese reajuste cambia la probabilidad que el modelo de pronóstico asigna a cada escenario.
La corrección se probó sobre el ensamble del modelo físico del ECMWF y sobre PoET, un modelo de IA. PoET combina redes convolucionales y transformadores. Los autores también la aplicaron al sistema de IA del centro. En los tres casos el resultado mejoró. La ganancia fue mayor donde el punto de partida era más débil.
La prueba de fuego llegó en el AI Weather Quest, la competencia en tiempo real del ECMWF. La entrada del equipo, llamada MicroDuet, combinó dos versiones corregidas. Quedó primera en todas las variables y plazos. Superó a los modelos de pronóstico de seis centros operativos y a las 34 propuestas del concurso, en la temporada septiembre-noviembre. También batió a un ensamble multimodelo. Fue la única propuesta que superó de forma significativa al modelo físico del ECMWF en todas las variables.
Del desierto a la detección de extremos
El salto importa sobre todo en precipitación. Los modelos de pronóstico de los seis centros operativos rinden peor que el promedio climático en esa variable. El ensamble multimodelo apenas recupera terreno. MicroDuet, en cambio, duplicó esa habilidad en la tercera semana y la triplicó en la cuarta.
La ventaja se sostuvo en el tiempo. MicroDuet también quedó primero en la temporada de diciembre a febrero, que reunió a 37 equipos. Fue el único modelo que superó al ensamble multimodelo en todas las variables. La corrección ya se encamina a la operación. Un modelo semanal para el rango de hasta seis semanas entró en prueba privada con clientes seleccionados.
Los aciertos se traducen en extremos mejor anticipados. El sistema avisó de dos tormentas invernales que golpearon Estados Unidos con 19 a 26 días de antelación. La corrección tradicional del propio ECMWF, sin IA, empeoraba la detección de extremos. Empujaba al pronóstico hacia el promedio. Este enfoque conserva la señal en los bordes de la distribución.
El trabajo también se prueba en el terreno. Los autores aplican el ajuste al monzón de Kenia, una ventana crítica para la agricultura. El código es abierto y de bajo costo, y funciona como una capa sobre modelos de pronóstico ya existentes. Sus responsables ven ahí el mayor valor: planificación agrícola, gestión del agua y la energía, y preparación ante desastres en comunidades vulnerables.
Otras fuentes consultadas: MIT News (14 de octubre de 2026); Microsoft Research (14 de octubre de 2026).
