La meteorología tiene un nuevo aliado para predecir el tiempo que hará en los próximos días: la inteligencia artificial. Y Google está trabajando en ello.
La inteligencia artificial, y más concretamente una de sus ramas, el machine learning, será una de las herramientas que los meteorólogos del futuro usarán para predecir la meteorología de los próximos días o semanas.
Hasta ahora, los meteorólogos han basado sus predicciones en la información y datos acumulados durante años. Partiendo de cierta homogeneidad en los mismos periodos de tiempo, salvo excepciones, se podía saber qué tiempo hará con cierta exactitud en una franja de cinco a siete días.
Luego llegaron los mapas climáticos, cada vez más exactos con información en prácticamente tiempo real que llegan desde satélites meteorológicos especializados en esta función. Juntando todos esos datos, se han logrado predicciones con apenas errores en franjas de hasta nueve días.
Las supercomputadoras también tienen mucho que decir al respecto. Climatólogos y meteorólogos de todo el mundo han logrado trabajar con los ordenadores más potentes del mundo generando simulaciones que consiguen predecir subidas de temperaturas a nivel mundial para los próximos años o décadas.
Y la enésima herramienta con la que los meteorólogos lograrán decirnos si lloverá o hará sol y si necesitas llevar chaqueta o mejor manga corta, es la inteligencia artificial, o más concretamente, el machine learning, especialidad que consiste en que la computadora procesa los datos obtenidos, aprende de ello y ofrece unos resultados. Simplificando mucho, se trata de automatizar una tarea que ya venían realizando los meteorólogos desde tiempos atrás. Eso sí, de manera prácticamente artesanal.
:quality(70)/https://assets.iproup.com/assets/jpg/2020/05/9940.jpg?5.6.1)
Las redes de recolección de información generan cada vez más datos que requieren ser estudiados
Previsiones exactas a corto plazo
Desde Google y su división de Inteligencia Artificial nos llega una de las aplicaciones futuras de esta tecnología en la previsión meteorológica. Empleando machine learning y deep learning se pretende obtener una previsión exacta y sin errores para lo que conocemos como nowcasting en inglés o previsiones a corto plazo.
El nowcasting se centra en tramos de entre 0 y 6 horas. El propósito es ofrecer información local de las condiciones climáticas y atmosféricas para predecir fenómenos severos y que pueden causar problemas y daños materiales o humanos.
Por ahora, la única manera de anticiparse a este tipo de fenómenos era la vigilancia y el seguimiento. Para ello se emplean radares, satélites y las redes de observadores con las que cuenta la meteorología en prácticamente todos los rincones del planeta. Pero con la inteligencia artificial se pretende obtener una respuesta más rápida y exacta.
Una investigación patrocinada por Google y realizada en la Universidad de Cornell ha logrado resultados satisfactorios en este campo. En concreto, empleando imágenes de radar en alta resolución como las que se vienen usando habitualmente, han conseguido predicciones exitosas en comparación con tres métodos empleados en la actualidad.
Mejorando el análisis de mapas y datos
En un artículo publicado en el blog de Google IA explican cómo funciona la previsión meteorológica actual. Como dije al principio de este artículo, las predicciones se basan en los mapas obtenidos por radares y satélites y en los datos acumulados mediante observación automatizada con sensores y dispositivos repartidos por todo el mundo. Como ejemplo destacan los más de 100 terabytes que recopila a diario la NOAA, acrónimo de National Oceanic and Atmospheric Administration, agencia científica estadounidense dedicada a investigar los océanos y la atmósfera.
Obviamente, un ser humano no puede procesar 100 terabytes en un día. De ahí el importante papel que juegan las supercomputadoras procesando toda esa información. El resultado, previsiones de entre 1 y 10 días.
:quality(70)/https://assets.iproup.com/assets/jpg/2020/05/9939.jpg?5.6.1)
El uso de grandes granjas de servidores es fundamental para el estudio a conciencia del clima
Sin embargo, el artículo de Google apunta que estas previsiones se basan en métodos numéricos que simulan procesos físicos y que quedan limitados por los propios límites de las supercomputadoras, como el espacio a simular o el tiempo empleado para obtener los resultados.
La solución de Google consiste en crear una red neural de aprendizaje profundo o deep learning que de manera automatizada procesa los datos abundantes de que disponemos en la actualidad. A cambio, permite obtener información de forma más rápida. En concreto, en menos de 10 minutos, frente a lo que tardan otros sistemas, entre 1 y 3 horas.
Entre las ventajas de este tipo de tecnología destaca el hecho de no tener que entrenarla cada vez que queramos obtener una simulación. La inteligencia artificial aprende con cada nueva tarea, y ese conocimiento se va acumulando. Otra ventaja es que se amplía el área de actuación. Es decir, en vez de prevenir el tiempo que hará en una zona de un kilómetro cuadrado, con el método probado por Google se alcanzan los 5 kilómetros.
Analizando fotografías
Concretando un poco más en cómo funciona la tecnología desarrollada bajo el amparo de Google. Ésta básicamente analiza mediante software una serie de fotografías. En este caso, los mapas obtenidos mediante radas o satélites.
A partir de esas imágenes, el software es capaz de predecir cómo serán las futuras imágenes. O para entendernos, qué tiempo hará en las próximas horas en el área mostrada en las imágenes. Exacto, lo mismo que hace el software de imagen para procesar y etiquetar fotografías.
:quality(70)/https://assets.iproup.com/assets/jpg/2020/05/9941.jpg?5.6.1)
Los mapas climáticos son un aliado imporante a la hora de realizar predicciones
En el proyecto se ha empleado la tecnología UNET, una red neuronal que se empleó en 2015 para el ámbito médico como herramienta de diagnóstico. Esta red es capaz de procesar imágenes en baja resolución obteniendo más información de la que a simple vista podríamos ver. La red se creó en la Universidad de Friburgo, y al parecer, su versatilidad permite usarla para cualquier ámbito en el que se tengan que procesar imágenes.
Como hemos dicho, el proyecto, por el momento, está pensado para predicciones a corto plazo. Pero si se puede escalar y combinar con otras tecnologías, no es descartable que pueda emplearse para mejorar las predicciones meteorológicas futuras a días o semanas vista, indicó Hipertextual.
:quality(85)/https://assets.iproup.com/assets/jpg/2025/01/41634_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2025/05/42960_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2025/02/41910_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2023/02/33559_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2019/06/4500_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2023/04/34424_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2024/08/39805_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2025/05/42941_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2025/05/42944_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2024/01/37599_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2020/12/15166_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2025/05/42937_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2023/10/36387_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2023/02/33472_landscape.jpg)
:quality(85)/https://assets.iproup.com/assets/jpg/2025/02/41849_landscape.jpg)