Una IA del MIT mejora la previsión del tiempo a entre dos y seis semanas

Un sistema de inteligencia artificial desarrollado en el MIT mejora la previsión del tiempo a entre dos y seis semanas, el plazo más difícil de la meteorología. Corrige los errores de modelos como el del Centro Europeo ECMWF y, según sus autores, es el primero que supera a la media climática en ese horizonte. Se publica en Nature.

¿Por qué es tan difícil prever el tiempo a varias semanas?

Porque a más de dos semanas la atmósfera ya ha «olvidado» su estado inicial, pero todavía no dominan las señales lentas del clima, como las del océano. Las previsiones a pocos días funcionan porque parten de una foto precisa de la atmósfera; las estacionales, porque se apoyan en fenómenos de evolución lenta, como El Niño. Entre ambas queda un hueco.

«A ese plazo se le llama el "desierto de la predictibilidad"», explica Judah Cohen, científico del Departamento de Ingeniería Civil y Ambiental del MIT y responsable del trabajo. Durante años, ni los modelos físicos ni los de inteligencia artificial habían conseguido hacerlo mejor de forma fiable que la climatología, que en meteorología significa simplemente usar la media histórica de cada fecha como previsión.

¿Cómo funciona el sistema del MIT?

No es un modelo meteorológico nuevo, sino una capa de corrección que se añade a uno existente. El modelo de referencia del estudio es el del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), el organismo intergubernamental del que España es miembro y cuyas previsiones utiliza la AEMET. El método, llamado de corrección probabilística del sesgo, analiza el historial de previsiones de un sistema y aprende en qué se equivoca de forma sistemática: si tiende a ver demasiado frío en una región, poca lluvia en una estación, etc. Después desplaza sus nuevas previsiones para compensar esos errores, y se va adaptando a medida que llegan nuevos datos.

Trabaja con previsiones probabilísticas, que no dicen «lloverá» sino qué probabilidad hay de cada resultado. Sus autores lo describen como un «envoltorio» que puede aplicarse a cualquier modelo, incluso a los que ya han sido corregidos por otra IA, y que es de código abierto y bajo coste: se desarrolló en un clúster del MIT, pero para usarlo no hace falta un superordenador.

¿Cuánto mejora la previsión?

Según el resumen publicado en Nature, la corrección duplica la limitada capacidad predictiva a 2-6 semanas del sistema de IA del ECMWF y mejora su modelo físico en la gran mayoría de variables. Las mejoras alcanzan al 91 % de los objetivos de presión, el 92 % de los de temperatura y el 98 % de los de precipitación evaluados, y se producen en la mayor parte de las regiones terrestres del planeta.

El resultado que más destacan los autores es otro: por primera vez, un sistema supera a la climatología en ese plazo. «Nadie había podido demostrar que un modelo predice el tiempo mejor que las medias a largo plazo», afirma Cohen. Tres de los modelos presentados a una competición de previsión organizada por el propio ECMWF incluían esta capa, y el ganador fue uno de ellos.

La mejora alcanza también a los fenómenos extremos, como olas de calor u olas de frío, donde el sistema obtuvo una ventaja estadísticamente significativa. Es justo donde la corrección tradicional del ECMWF, sin IA, empeoraba. «Los fenómenos extremos podrían ser la parte con más impacto para la sociedad», subraya Cohen.

¿Para qué sirve una previsión a seis semanas?

Para tomar decisiones que necesitan semanas de margen: sembrar, abonar, regar, comprar energía o preparar emergencias. Un agricultor puede ajustar el abonado a la lluvia prevista o proteger una cosecha de una helada, una tarea en la que la IA ya está entrando en el campo, como cuentan los robots agrícolas que llegan a España.

En energía, las compañías eléctricas y los operadores de red necesitan anticipar con semanas de antelación la demanda de calefacción o refrigeración y la producción eólica y solar. Los investigadores citan como ejemplo el colapso eléctrico de Texas de febrero de 2021, causado por una ola de frío extremo, en el que murieron al menos 246 personas. La gestión de la red ante situaciones extremas es un asunto bien conocido en la península tras el apagón de España y Portugal.

Según el MIT, el servicio meteorológico de Kenia ya se ha interesado por el sistema para anticipar su temporada anual de monzón, aunque no consta que lo haya implantado.

¿Qué no puede hacer todavía?

No convierte la previsión a seis semanas en una previsión exacta. A ese plazo, lo que se predice son probabilidades: por ejemplo, que una semana concreta tenga más posibilidades de ser más cálida o más lluviosa de lo normal en una región. Duplicar una capacidad predictiva que partía de un nivel modesto sigue dejando mucha incertidumbre.

Además, la corrección depende de la calidad del modelo de base y de disponer de un largo historial de sus previsiones, y los propios autores reconocen que la mejora no puede atribuirse a un único factor. Para el ciudadano nada cambia a corto plazo: las previsiones de los próximos días y los avisos de la Agencia Estatal de Meteorología (AEMET) siguen siendo la referencia. Es, eso sí, un buen ejemplo de una tendencia: la IA no siempre sustituye a los modelos científicos clásicos, sino que los corrige y completa, igual que ocurre en biología con herramientas como Evo 2.

Preguntas frecuentes

---