Cuando abres una aplicación de pronóstico, simplemente seleccionas una ubicación, eliges una hora y lees la respuesta. Detrás de esa pantalla, sin embargo, se esconde uno de los problemas de predicción más complejos de la ciencia.

La atmósfera es un sistema tridimensional que cambia continuamente.

Antes de que un modelo pueda predecir qué hará a continuación, debe responder a una pregunta sorprendentemente difícil: ¿qué está haciendo exactamente la atmósfera en este momento?

Nunca vemos toda la atmósfera

Ningún instrumento único proporciona una imagen completa del tiempo. Los radares meteorológicos detectan partículas de precipitación. Los satélites observan nubes, humedad y temperaturas desde el espacio. Las estaciones terrestres miden condiciones en lugares individuales. Globos meteorológicos y aeronaves aportan información desde diferentes altitudes.

Cada fuente tiene su propia resolución, frecuencia de actualización, lagunas de cobertura y errores de medición. Construir el estado actual de la atmósfera es, por lo tanto, como reconstruir el tráfico de toda una ciudad usando cámaras que miran en direcciones distintas, se actualizan en momentos diferentes y dejan muchas calles invisibles.

Los meteorólogos llaman al proceso de combinar observaciones con una previsión previa “asentamiento de datos” (data assimilation). Genera una estimación del estado atmosférico actual, conocida como análisis, a partir de la cual empieza la próxima predicción.

Como explica el ECMWF, la calidad de la predicción depende crucialmente de la precisión de este análisis. Incluso un modelo excelente luchará si su imagen inicial está incompleta, es inexacta o ya está desactualizada.

Por qué las apps engañan

Una técnica común de pronóstico a corto plazo es el flujo óptico (optical flow). Analiza imágenes radar consecutivas, estima cómo se mueve la precipitación y extrapola ese movimiento hacia el futuro. Esto puede funcionar bien cuando una banda de lluvia se desplaza con constancia. El problema es que las tormentas no son formas estáticas que se deslicen por un mapa. Se forman, intensifican, debilitan, se dividen y se unen. Puede aparecer una nueva célula convectiva donde no existía lluvia 20 minutos antes.

Imagina una tormenta acercándose a una montaña. Una extrapolación simple puede predecir que continuará moviéndose a la misma velocidad. En realidad, el terreno puede alterar el flujo de aire, frenar el sistema y contribuir a lluvias más intensas o granizo. El desafío, por tanto, no es solo predecir dónde se moverá la precipitación existente, sino también predecir cómo cambiará el propio sistema meteorológico.

Otro problema es que los modelos a gran escala describen bien frentes meteorológicos, sistemas de presión y circulación atmosférica a través de países y continentes. Pero muchos eventos que afectan a personas y empresas ocurren a una escala mucho más pequeña. Una tormenta puede impactar una parte de una ciudad mientras otra queda prácticamente seca.

Una nube frontal puede reducir bruscamente la producción en un parque solar, pero pasar de largo a 20 kilómetros de distancia. Las condiciones de viento pueden diferir sustancialmente entre el suelo, un tejado y la altitud a la que opera un dron. Esos detalles no pueden predecirlos.

El tiempo también es altamente sensible a su estado inicial. Pequeñas incertidumbres en temperatura, humedad o viento pueden crecer a medida que la predicción avanza en el tiempo. Esta es la verdadera esencia del “efecto mariposa”. No significa que un sensor defectuoso destruya automáticamente una previsión global. Significa que nunca podemos medir la atmósfera a la perfección, y la incertidumbre en su estado inicial crece con el tiempo.

Por eso, los sistemas de pronóstico modernos producen cada vez más conjuntos: múltiples pronósticos plausibles en lugar de una única respuesta supuestamente cierta. Para muchas decisiones, saber que hay un 30% de probabilidad de una tormenta severa es más útil que recibir una predicción confiada que luego resulta errónea.

No es tarde

La latencia es una de las fuentes de error de pronóstico menos discutidas. Considere un modelo que genera un pronóstico excelente basándose en condiciones atmosféricas medidas hace dos horas. Si se formó una tormenta hace 20 minutos, el pronóstico puede ya ser operativamente inútil, independientemente de lo sofisticado que sea el modelo.

La Organización Meteorológica Mundial define el nowcasting como pronóstico detallado a nivel local desde el presente hasta seis horas en el futuro. Para aplicaciones reales, sin embargo, el nowcasting es más que un horizonte de pronóstico. Exige una tubería continua que recolecta nuevas observaciones, verifica su calidad, las sincroniza en el tiempo, ejecuta el modelo y entrega un resultado actualizado en minutos.

Al mismo tiempo, el pronóstico meteorológico en tiempo real no significa literalmente ninguna demora. Lo que hace el sistema es seguir escuchando a la atmósfera y actualizarse lo bastante rápido para influir en la decisión que se está tomando.

Y eso significa mucho para algunas industrias. Un consumidor que decide si lleva paraguas puede tolerar un pronóstico horario imperfecto. Muchos sistemas operativos no pueden. Un dron de reparto necesita saber si una lluvia fuerte, heladas o vientos peligrosos cruzarán su ruta antes de llegar al área. Un aeropuerto puede necesitar ajustar las operaciones de pista a medida que se desarrolla una tormenta cercana.

Un operador solar debe anticipar una frente nubosa de movimiento rápido antes de que la generación caiga repentinamente. Las plataformas logísticas y de movilidad pueden redirigir vehículos antes de que una inundación o lluvia intensa afecte una red vial.

El mismo principio se aplica a eventos al aire libre, servicios de emergencia, agricultura y comercio de energía. Estos usuarios no necesitan simplemente “el tiempo de mañana”. Necesitan saber qué está cambiando, dónde está cambiando y si todavía hay tiempo para actuar.

La IA acelera la predicción, pero la velocidad por sí sola no es suficiente

Los modelos climáticos impulsados por IA pueden generar pronósticos mucho más rápido y con menos consumo computacional que muchos modelos numéricos tradicionales. Algunos ya superan a sistemas basados en física en variables y horizontes de pronóstico específicos. Pero la IA no elimina el problema de observación.

La mayoría de los modelos de IA globales para pronóstico siguen comenzando con un análisis atmosférico producido por la infraestructura tradicional de predicción numérica del tiempo. Si ese análisis tiene varias horas, una inferencia rápida no puede colocar el estado inicial de nuevo en el presente.

Los modelos de IA también pueden subestimar la intensidad de eventos raros porque los ejemplos extremos están subrepresentados en sus datos de entrenamiento y porque algunos métodos de entrenamiento favorecen resultados más suaves, estadísticamente plausibles. Investigaciones recientes han encontrado que los modelos de IA líderes pueden producir errores mayores que los sistemas basados en física al predecir eventos de calor, frío y viento extremos.

Por ello, es poco probable que el futuro sea un simple enfrentamiento entre IA y física. El ECMWF ya ejecuta su sistema operativo de pronóstico con IA junto a su modelo tradicional basado en la física.

La arquitectura más sólida combinará modelos globales, observaciones locales de alta frecuencia, nowcasting basado en IA, restricciones físicas y estimaciones probabilísticas de incertidumbre.

IA puede generar pronósticos mucho más rápidos y con menos potencia computacional que muchos modelos numéricos tradicionales. Algunos ya superan a sistemas basados en física en determinadas variables y horizontes de pronóstico.

Este artículo fue producido como parte de TechRadar Pro Perspectives, nuestra plataforma para presentar a las mentes más brillantes de la industria tecnológica hoy en día.

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si te interesa contribuir, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit