AICONTROLLED/LAB

JOURNAL / 2026.09.06

WeatherNext 3 lleva observaciones satelitales al pronóstico global por hora

El nuevo modelo meteorológico de Google incorpora imágenes satelitales recientes, eleva la resolución y publica un conjunto global cada hora; la evaluación es amplia, pero la lluvia extrema, los artefactos y el acceso cerrado al modelo aún marcan límites importantes.

  • Modelos
  • Lanzamientos
  • Investigación
  • Datos y evaluación

Un modelo meteorológico puede calcular muy deprisa y, aun así, empezar con una fotografía envejecida del cielo. La mayoría de los sistemas de IA globales aprende de análisis: reconstrucciones regulares de la atmósfera que combinan observaciones con un modelo físico. Son una infraestructura científica extraordinaria, pero tardan horas en producirse y trasladan sus sesgos al modelo que aprende de ellas.

WeatherNext 3, presentado por Google DeepMind y Google Research el 3 de septiembre, intenta cerrar esa distancia. Mantiene dos estados del análisis del ECMWF, pero añade directamente una secuencia de imágenes de satélites geoestacionarios cuya observación más reciente tiene aproximadamente una hora. Con esas dos fuentes, genera un nuevo conjunto global de 64 escenarios cada hora y lo prolonga hasta quince días. No es sólo una versión más nítida de WeatherNext 2: integra en una sola red parte de la asimilación de datos, el pronóstico y la calibración local que antes vivían en etapas separadas.

La distinción con WeatherNext Cyclones, analizado aquí en agosto, es material. Aquel modelo añadió objetivos específicos de trayectoria, intensidad y viento de los ciclones y Google publicó sus pesos. WeatherNext 3 conserva esa capacidad —con mejoras pequeñas pero consistentes en trayectoria e intensidad y mayores en extensión del viento entre uno y tres días—, pero su avance principal abarca la atmósfera global, la precipitación y las observaciones de estaciones. Sus pesos no están publicados.

El pronóstico deja de imitar una sola cuadrícula

La arquitectura descrita en el preprint no obliga a que todos los datos tengan la misma resolución. Codificadores distintos llevan el análisis de 25 kilómetros y los mosaicos satelitales de 10 kilómetros a una malla interna común. Desde ella salen varias cabezas: variables de superficie en una cuadrícula de unos 10 kilómetros cada hora; variables de la atmósfera superior a unos 25 kilómetros y seis horas; y temperatura y punto de rocío ajustados a estaciones, consultables a cualquier coordenada y publicados en una cuadrícula de 5 kilómetros.

Ese último resultado no equivale a simular toda la física a cinco kilómetros. La cabeza de estaciones aprende de mediciones dispersas y de metadatos como elevación y tierra o mar; luego interpola la representación interna. El propio equipo encontró sesgos fuertes en zonas con pocas observaciones, como los Andes, el Himalaya y algunos océanos de latitudes altas. Para reducirlos añadió «pseudoestaciones» cuyos valores proceden otra vez del análisis físico. La red alcanza detalle local, pero no deja atrás la infraestructura numérica ni llena mágicamente los vacíos de observación.

WeatherNext 3 combina análisis e imágenes satelitales con diferentes cadencias y produce salidas a tres resoluciones; los avisos oficiales siguen fuera del modelo.

La evaluación del artículo es inusualmente amplia para un lanzamiento. El modelo destinado a las pruebas de 2024 sólo vio datos anteriores a ese año. Se compara con WeatherNext 2 y con conjuntos operativos del ECMWF sobre campos atmosféricos, estaciones no usadas en el entrenamiento, tres referencias distintas de precipitación y ciclones de todo el mundo. En la mayoría de campos mejora a sus referencias. Una prueba casi en tiempo real, del 1 de julio al 11 de agosto de 2026, también lo sitúa por delante del conjunto de IA del ECMWF en buena parte de las variables, aunque seis semanas son demasiado poco para representar estaciones y fenómenos extremos de todo un año.

Para la lluvia, el titular más útil no es el mayor porcentaje. WeatherNext 3 aprende tres productos diferentes: el análisis del ECMWF, IMERG de la NASA y PARDIG, una reconstrucción experimental de Google basada en radar espacial. La mejora cambia mucho según cuál se use como verdad: es mayor frente a IMERG, menor frente a radar terrestre de Estados Unidos y todavía menor frente a pluviómetros. Además, el avance se concentra cerca del umbral lluvia/no lluvia; las tasas altas tienen pocos casos y métricas menos estables. Ninguna cifra única significa «un 50% mejor pronóstico de lluvia» para cada lugar, intensidad y plazo.

La actualización horaria sí tiene un efecto aislable. Al ajustar la comparación por el momento en que el pronóstico está realmente disponible, las inicializaciones intermedias aportan entre dos y tres horas de ventaja media en precipitación a corto plazo. Es coherente con recibir observaciones nuevas tres horas antes, en promedio, que en un ciclo de seis horas. Puede ser valioso para un sistema que evoluciona deprisa, pero «pronóstico cada hora» describe la frecuencia de arranque, no quince predicciones independientes ni una mejora de seis horas en cada caso.

Más operativo no significa más autorizado

Google ya distribuye WeatherNext 3 en Search, Maps y Gemini, y permite solicitar sus datos mediante Cloud Storage, Earth Engine y BigQuery. El archivo completo de Cloud Storage contiene los 64 miembros; las otras superficies ofrecen medias y percentiles listos para consultar. El acceso exige una cuenta de Google y una lista autorizada, cuya revisión se anuncia en cinco a siete días laborables. Los datos pasan a CC BY 4.0 cuando tienen al menos una hora; el tiempo real y el futuro tienen términos experimentales distintos.

Es una disponibilidad práctica, no una apertura del modelo. Google ha publicado el paper, variables, cuadernos y pronósticos, pero no el código de entrenamiento ni los pesos de WeatherNext 3. Un equipo externo puede evaluar salidas históricas y construir encima de ellas; no puede ejecutar la red por su cuenta, examinar el checkpoint o reconstruir la cadena que convierte satélites y análisis en un conjunto. Esa diferencia importa tanto para la continuidad de un servicio crítico como para la reproducibilidad científica.

Google apoya la afirmación de liderazgo en Operational WeatherBench de Brightband, una evaluación independiente que puntúa continuamente modelos físicos y de IA. Su metodología fortalece la comparación porque usa ciclos operativos y reglas comunes, pero también delimita el titular: verifica los campos superiores en 25 kilómetros y la superficie de WeatherNext 3 en 10 kilómetros contra el análisis del ECMWF. Por ahora omite su precipitación, porque ésta predice una referencia satelital a otra resolución y una comparación directa penalizaría o favorecería objetivos incompatibles. El panel independiente respalda habilidad en campos comunes; no reproduce las cifras de lluvia del paper.

El artículo de Google también muestra defectos que una media puede ocultar. Los miembros individuales producen a veces patrones hexagonales de la malla, sobre todo en lluvia, y la cabeza de estaciones puede saltar en los límites internos de seis horas. Cada miembro tiende además a un sesgo global cálido o frío que cambia en el siguiente bloque. La mediana y los cuantiles del conjunto disimulan gran parte de esos artefactos, por lo que las probabilidades agregadas siguen siendo útiles; extraer una trayectoria individual como si fuese un futuro físicamente continuo es más arriesgado.

Mi lectura es que el cambio profundo no está en que la IA «reemplace la física», sino en que un pronóstico global aprendido empieza a escuchar observaciones recientes y heterogéneas sin esperar a que todas atraviesen la tubería tradicional. Eso acorta el ciclo y permite construir productos locales o energéticos sobre una distribución actualizada. También desplaza responsabilidad hacia quien consume los datos: debe saber qué cabeza usa, contra qué observación fue entrenada, si necesita una probabilidad o un miembro, y qué ocurre cuando faltan satélites o estaciones.

Las condiciones de WeatherNext dicen explícitamente que el sistema es experimental y no constituye un aviso meteorológico oficial. Es el límite correcto. Una mejora estadística puede enriquecer la decisión de una agencia, una red eléctrica o un agricultor; no demuestra por sí sola que se emitirá una alerta mejor ni que una intervención evitará daños. WeatherNext 3 reduce de forma sustantiva la distancia entre observación y pronóstico. La distancia entre pronóstico y decisión responsable sigue perteneciendo al sistema humano que lo valida y actúa.

Fuentes

← Volver al diario