Durante décadas, la predicción meteorológica ha dependido sobre todo de los llamados modelos físicos, es decir, grandes algoritmos informáticos que dividen la atmósfera en una especie de malla tridimensional y calculan, paso a paso, cómo evolucionarán las distintas variables meteorológicas (temperatura, viento, humedad, presión, entre muchas otras). Es un trabajo de enorme complejidad, que exige superordenadores y una cantidad inmensa de datos. Hoy, sin embargo, la inteligencia artificial ha entrado con fuerza en este mundo y está cambiando la manera en que se hacen las previsiones.
En lugar de resolver una a una todas las ecuaciones físicas que gobiernan la atmósfera, los modelos de IA aprenden patrones a partir de décadas de datos meteorológicos. Dicho de otro modo, estos algoritmos se entrenan con un gran archivo del tiempo pasado para aprender y poder reconocer cómo suele evolucionar la atmósfera en situaciones similares. Esto no significa que memoricen el tiempo, sino que aprenden relaciones muy complejas entre muchas variables meteorológicas a la vez. Por eso pueden generar predicciones globales en muy poco tiempo (a menudo en pocos minutos), mucho menos de lo que suelen tardar los modelos físicos tradicionales.
Los avances de los últimos años han sido especialmente rápidos. En 2023, el modelo meteorológico basado en IA llamado Pangu-Weather mostró resultados muy competitivos en predicción global a medio plazo. Por otro lado, GraphCast, el modelo de IA de Google DeepMind, destacó porque superaba en muchos casos a los modelos físicos de referencia en diversas variables y horizontes temporales, además de predecir con gran habilidad fenómenos como las trayectorias de los ciclones tropicales, los ríos atmosféricos o las temperaturas extremas. Más adelante, GenCast (la evolución del modelo de Google DeepMind) dio un paso más al incorporar predicciones probabilísticas, es decir, no solo un pronóstico único, sino un conjunto de escenarios posibles. En la actualidad, el Centro Europeo de Predicciones Meteorológicas a Medio Plazo (ECMWF) ya ha hecho operativo su propio modelo meteorológico basado en inteligencia artificial, llamado AIFS, lo que confirma que la IA ya no es solo una promesa de laboratorio, sino una herramienta real dentro de la meteorología moderna.
Aun así, no existe un único modelo mejor para todo. En general, los modelos de IA han mostrado resultados muy buenos en variables y patrones de gran escala, como la temperatura, la presión, el viento en altura o la trayectoria de los ciclones tropicales. También destacan por su velocidad, es decir, pueden generar pronósticos globales en mucho menos tiempo y con un menor coste computacional que los modelos físicos tradicionales.
Cuando hablamos de precipitación, sobre todo de lluvia intensa, tormentas muy locales o fenómenos convectivos de pequeña escala, la situación es más compleja. Aquí entran en juego procesos muy rápidos y locales que hacen que, por ahora, siga siendo uno de los grandes retos. Aun así, la IA también está avanzando deprisa y ya empieza a ofrecer resultados prometedores en algunos sistemas de alta resolución.
Todo esto explica por qué el futuro más probable no es una sustitución total de los modelos físicos, sino una convivencia cada vez más inteligente entre ambos campos: la inteligencia artificial y la meteorología. De hecho, los grandes centros meteorológicos ya trabajan en sistemas híbridos, que combinan lo mejor de los dos mundos: la gran capacidad de la IA para captar patrones a escala planetaria y la solidez física de los modelos tradicionales para representar mejor procesos de pequeña escala, extremos o muy dependientes de la superficie, la orografía o el océano.
También está cambiando la manera de entender la predicción. Antes, a menudo se buscaba la predicción, pero ahora cada vez es más importante estimar la incertidumbre, es decir, saber no solo qué es más probable que ocurra, sino también qué escenarios alternativos son posibles. En este terreno, los nuevos modelos probabilísticos basados en IA son especialmente relevantes porque generan conjuntos de predicciones y ayudan a responder preguntas muy útiles para la sociedad: ¿cuál es la probabilidad de una ola de calor? ¿Qué riesgo hay de lluvia intensa? ¿Hasta qué punto puede cambiar la trayectoria de un ciclón?
Mirando hacia el futuro, todo apunta a que la IA seguirá mejorando sobre todo en tres direcciones. La primera es el aumento de la resolución espacial, para acercarse mejor al tiempo que percibimos a pie de calle. La segunda es la integración directa de observaciones meteorológicas, con sistemas capaces de asimilar datos casi en tiempo real y transformarlos en pronósticos más rápidos y precisos. Por último, la tercera es la creación de herramientas de apoyo a la decisión que ayuden a convertir las predicciones en avisos y, por tanto, en información útil para la población.
Por tanto, la respuesta a la gran pregunta es clara: sí, la inteligencia artificial ayudará a mejorar las predicciones meteorológicas y, de hecho, ya lo está haciendo. Probablemente lo hará especialmente bien en patrones atmosféricos de gran escala, temperatura, viento, trayectorias de ciclones y predicción probabilística. En cambio, los avances serán más graduales en precipitación convectiva, fenómenos muy locales, vientos extremos, nieblas o procesos fuertemente ligados al relieve y a la capa más baja de la atmósfera. La buena noticia es que, por ahora, no hace falta elegir entre física o IA. El camino más prometedor es hacer que vayan de la mano. Y esto, más que una revolución puntual, parece el inicio de una nueva etapa en la manera de comprender y predecir el tiempo futuro.
Autor: Nil Farrés Soler