Modelos
Google DeepMind presenta WeatherNext 3, su modelo meteorológico más preciso
Google DeepMind y Google Research han presentado WeatherNext 3, un modelo global de predicción meteorológica que genera previsiones horarias con una resolución de hasta 5 kilómetros e incorpora datos de satélite en tiempo real. Evaluaciones independientes en vivo lo sitúan como el modelo global más preciso hasta la fecha, y sus resultados ya alimentan productos de uso masivo como la Búsqueda de Google y Maps.
En resumen
- Resolución horaria de hasta 5 kilómetros, frente a los aproximadamente 25-30 kilómetros de los modelos anteriores.
- Primer sistema de la familia que integra de forma efectiva datos meteorológicos de satélite en tiempo real.
- Brightband, en evaluaciones independientes en vivo, lo califica como el modelo global más preciso hasta ahora.
- Disponible para empresas a través de BigQuery, Earth Engine y Google Maps Platform, además de su uso en Búsqueda y Maps.
Un salto de resolución de 25 a 5 kilómetros
El principal avance de WeatherNext 3 es la granularidad. El modelo produce predicciones horarias con una resolución de hasta 5 kilómetros, mientras que los modelos globales anteriores trabajaban en rejillas de en torno a 25-30 kilómetros. Traducido a la práctica, eso significa pasar de una previsión que describe el tiempo de una comarca entera a una que distingue entre zonas separadas por unos pocos kilómetros.
Google describe el resultado como una imagen global cinco veces más nítida. Ese aumento de detalle es especialmente relevante en los fenómenos que se concentran en áreas pequeñas y en intervalos cortos de tiempo: el modelo mejora de forma concreta la predicción de lluvia y nieve, dos variables tradicionalmente difíciles de acertar tanto en localización como en intensidad.
Datos de satélite en tiempo real, la pieza que faltaba
La segunda novedad es de naturaleza distinta y quizá más estructural: WeatherNext 3 incorpora datos meteorológicos procedentes de satélites en tiempo real, algo que los modelos previos de la familia no conseguían integrar bien. La observación satelital cubre océanos, desiertos y regiones sin apenas estaciones en superficie, es decir, buena parte del planeta donde los datos convencionales son escasos.
Aprovechar ese flujo de información de forma continua permite que el modelo parta de un estado inicial de la atmósfera más fiel a la realidad. En predicción meteorológica, la calidad de ese punto de partida condiciona todo lo que viene después, porque los errores iniciales se amplifican a medida que avanza el horizonte de la previsión.
Validación externa y continuidad con los avances anteriores
La afirmación de precisión no se sostiene únicamente en pruebas internas. Según las evaluaciones independientes en vivo realizadas por Brightband, WeatherNext 3 es el modelo global más preciso hasta la fecha. El matiz de que sean evaluaciones en vivo es importante: se contrasta el pronóstico con lo que efectivamente ocurre después, no solo con datos históricos ya conocidos por el modelo.
WeatherNext 3 llega además sobre una base ya construida. DeepMind había logrado avances previos con WeatherNext en la predicción de ciclones tropicales, con mejoras en la estimación de su trayectoria, su intensidad y la estructura del viento asociada. Esos son precisamente los escenarios donde una previsión más certera tiene consecuencias directas en decisiones de protección civil y evacuación.
Del laboratorio a la Búsqueda, Maps y la nube
Google ha optado por desplegar el modelo en dos direcciones a la vez. Por un lado, sus predicciones se integran en productos de consumo masivo como la Búsqueda de Google y Maps, lo que expone la tecnología a cientos de millones de consultas cotidianas. Por otro, la compañía ofrece acceso empresarial a través de BigQuery, su almacén de datos analítico en la nube, Earth Engine, su plataforma de análisis geoespacial, y Google Maps Platform, el conjunto de API (application programming interfaces, interfaces de programación de aplicaciones) con el que los desarrolladores integran servicios de mapas y localización.
Esa doble vía convierte el modelo en un insumo utilizable por sectores que dependen del tiempo para operar: agricultura, logística, energía, aviación o seguros pueden consumir las previsiones directamente desde infraestructura que muchas de esas empresas ya utilizan, sin necesidad de montar su propia capacidad de cálculo meteorológico.
Conclusión
WeatherNext 3 consolida una tendencia que llevaba años apuntándose: la predicción meteorológica basada en aprendizaje automático ha dejado de ser una promesa académica para competir de tú a tú con los sistemas numéricos tradicionales, y hacerlo además con validación externa. Lo verdaderamente significativo no es solo el salto de resolución a 5 kilómetros, sino la combinación de ese detalle con la asimilación de datos de satélite en tiempo real y con una distribución inmediata tanto en productos de consumo como en plataformas empresariales. El pronóstico deja de ser un producto que se consulta y pasa a ser un servicio que se integra. Queda por ver cómo se comporta el modelo de forma sostenida ante episodios extremos y en qué medida los servicios meteorológicos nacionales incorporan este tipo de herramientas como complemento, y no como sustituto, de sus propios sistemas de referencia.