Google DeepMind informó que su modelo WeatherNext alcanzó un avance significativo en la predicción de ciclones tropicales, un campo donde cada hora de anticipación puede influir en la preparación de comunidades expuestas a fenómenos meteorológicos extremos. Según la publicación científica asociada, el sistema logró mejorar la precisión de los pronósticos de trayectoria, intensidad y estructura de viento, ofreciendo en promedio un día adicional de exactitud respecto a los modelos utilizados previamente por agencias meteorológicas internacionales.
La organización explicó que el desarrollo del modelo involucró la colaboración de especialistas del National Hurricane Center de Estados Unidos, el Cooperative Institute for Research in the Atmosphere, el Met Office del Reino Unido y otros centros de investigación. Durante la temporada de huracanes de 2025, WeatherNext contribuyó a anticipar la rápida intensificación del huracán Melissa y su impacto en Jamaica, lo que permitió emitir advertencias con mayor anticipación. Este tipo de resultados, según los investigadores, demuestra cómo la integración de modelos de aprendizaje automático puede complementar la experiencia de los pronosticadores y mejorar la toma de decisiones en situaciones de riesgo.
El modelo fue entrenado con cerca de 20 terabytes de datos atmosféricos globales y con registros históricos de casi 5.000 ciclones provenientes de la base IBTrACS. Esta combinación de información permitió que el sistema aprendiera patrones complejos asociados a la formación y evolución de tormentas intensas. WeatherNext también incorpora redes generativas funcionales para producir miles de escenarios posibles en menos de un minuto, lo que facilita evaluar la probabilidad de eventos poco frecuentes pero de alto impacto, como los episodios de intensificación súbita.
Una característica destacada del enfoque es que el modelo opera con resoluciones espaciales más bajas que las utilizadas tradicionalmente en la predicción de intensidad, sin que esto afecte su desempeño. DeepMind señaló que incluso una versión más compacta, WeatherNext 2-mini, mantiene resultados competitivos y puede ejecutarse en una sola unidad de procesamiento, lo que reduce el costo computacional y abre la puerta a usos más amplios en entornos académicos y operativos.
La compañía anunció además la liberación del código y los pesos de los modelos WeatherNext Cyclones y WeatherNext 2, con el objetivo de que la comunidad científica pueda analizarlos, adaptarlos y desarrollar variantes especializadas. La decisión se enmarca en una estrategia más amplia de Google Earth AI, que busca integrar herramientas de predicción meteorológica en plataformas accesibles para investigadores y agencias. Weather Lab, la interfaz pública donde se visualizan pronósticos de temperatura, viento y precipitación, fue actualizada para incluir las trayectorias generadas por WeatherNext y permitir comparaciones con otros modelos.
Expertos consultados por medios especializados han señalado que la apertura de modelos de este tipo puede acelerar la investigación en meteorología computacional, aunque también advierten que su adopción debe acompañarse de evaluaciones rigurosas y coordinación con los servicios meteorológicos oficiales. La propia DeepMind enfatizó que los pronósticos operativos y las advertencias a la población continúan siendo responsabilidad de las agencias nacionales, y que las herramientas basadas en inteligencia artificial deben considerarse complementarias.
El anuncio refleja una tendencia creciente en el uso de modelos de aprendizaje profundo para fenómenos atmosféricos complejos, en un contexto donde el aumento de eventos extremos plantea desafíos adicionales para la planificación y la resiliencia comunitaria. Con la apertura de WeatherNext, la empresa espera que investigadores y organismos públicos puedan explorar nuevas metodologías y contribuir a mejorar la precisión de los pronósticos en regiones vulnerables.
Fuente: Blog Google Deepmind | Editado por CDOL
