Google publica en abierto WeatherNext, un modelo de IA que gana 24 horas de precisión prediciendo ciclones

La aplicación de algoritmos de aprendizaje profundo a la modelización de datos atmosféricos ha permitido alcanzar un avance significativo en la predicción de fenómenos meteorológicos extremos. Google DeepMind y Google Research han publicado en la revista Nature los resultados de su modelo WeatherNext, una arquitectura de inteligencia artificial capaz de predecir la trayectoria, intensidad y estructura del viento de los ciclones tropicales. Las predicciones a tres días igualan la precisión previa a dos días, otorgando a los centros meteorológicos un margen adicional de 24 horas para organizar alertas tempranas.

Tradicionalmente, la predicción de ciclones obligaba a combinar dos métodos diferenciados por sus limitaciones técnicas. Mientras la trayectoria requiere analizar corrientes globales a gran escala, la intensidad depende de procesos termodinámicos locales agrupados en el núcleo de la tormenta. El nuevo modelo unifica ambos análisis en un único sistema entrenado con cerca de 20 terabytes de datos atmosféricos globales y el registro histórico de aproximadamente 5.000 tormentas procedentes de la base de datos IBTrACS.

Procesamiento masivo en TPU y simulación de 1.000 escenarios por minuto

El sistema se fundamenta en redes generativas funcionales (FGN, por sus siglas en inglés), una estructura que permite generar predicciones probabilísticas complejas en tiempos reducidos. Mediante el uso de aceleradores TPU, la herramienta logra calcular una simulación completa a 15 días vista en menos de un minuto. Esta velocidad de cómputo permite evaluar riesgos poco frecuentes pero de alto impacto que los modelos físicos convencionales tardan horas en procesar.

Para mejorar la fiabilidad ante eventos de intensificación rápida, los desarrolladores han ampliado el tamaño de los conjuntos de simulación desde las 50 variantes utilizadas en pruebas iniciales hasta 1.000 escenarios simultáneos por ciclón. Esta capacidad de cálculo masivo fue probada por el Centro Nacional de Huracanes de Estados Unidos durante la temporada de 2025 para prever la evolución del huracán Melissa. La detección anticipada facilitó la emisión de alertas previas al impacto de la tormenta en Jamaica.

Predicción con baja resolución de datos y liberación de modelos en abierto

Uno de los hallazgos técnicos más reseñables del estudio radica en la densidad de datos requerida para estimar la fuerza del viento. Históricamente, se consideraba imprescindible trabajar con mallas de muy alta resolución espacial para medir la intensidad en el núcleo. Sin embargo, el modelo de Google opera con datos de 28 por 28 kilómetros, una resolución hasta 100 veces más gruesa que la empleada por las herramientas tradicionales sin perder precisión en el resultado final.

Con el fin de facilitar su adopción en investigaciones científicas y sistemas locales de emergencias, la compañía ha liberado el código fuente y los pesos de los modelos WeatherNext 2 y WeatherNext Cyclones. Asimismo, se ha publicado una versión reducida denominada WeatherNext 2-mini, diseñada para ejecutarse en un único TPU a través de cuadernos públicos de Google Colab con resoluciones de 111 por 111 kilómetros.

La apertura de estos recursos permite a organismos independientes, agencias meteorológicas y organizaciones sin ánimo de lucro integrar estos algoritmos en sus propios flujos de trabajo. Más allá de la prevención de catástrofes naturales, la modelización probabilística en abierto ofrece aplicaciones directas en sectores como la planificación de energías renovables o la gestión de infraestructuras energéticas. El proyecto demuestra el valor práctico del modelado de datos cuando se orienta a la resolución de problemas físicos complejos. Sin duda, esto puede salvar muchas vidas.

Fin del Artículo. ¡Cuéntanos algo en los Comentarios!