El marco de IA mejora las predicciones meteorológicas subestacionales hasta seis semanas

Los investigadores han desarrollado un marco de aprendizaje automático llamado Corrección de Sesgo Probabilístico (PBC) que mejora significativamente la precisión de las predicciones meteorológicas para el período de dos a seis semanas, un periodo conocido como predicción subestacional. El marco, detallado en un artículo publicado en Nature el 14 de octubre de 2026, corrige errores sistemáticos en los modelos dinámicos y de inteligencia artificial existentes, ofreciendo predicciones más confiables para eventos meteorológicos extremos.

Cómo funciona la Corrección de Sesgo Probabilístico

La predicción subestacional es difícil porque los pequeños errores en las condiciones iniciales se acumulan con el tiempo, lo que lleva a inexactitudes significativas. PBC aborda esto aprendiendo de los errores pasados de un modelo. "Nuestra nueva canalización (PBC) toma tu modelo favorito como entrada y aprende de qué maneras tiende a cometer errores. Luego corrige esos errores, produciendo una predicción de salida mejor para el rango subestacional", dijo Lester Mackey, investigador principal senior en Microsoft Research New England.

El marco opera analizando pronósticos históricos y observaciones para identificar sesgos sistemáticos. Utiliza dos componentes complementarios de aprendizaje automático: Debias++, que aplica correcciones específicas por ubicación y fecha, y Persistence++, que combina pronósticos con tendencias meteorológicas recientes. Estas correcciones se combinan luego para producir una predicción probabilística que tiene en cuenta la incertidumbre.

Rendimiento en competiciones globales

La efectividad de PBC se demostró en la AI Weather Quest 2025, una competencia en tiempo real organizada por el Centro Europeo para Predicciones Meteorológicas a Plazo Medio (ECMWF). Un equipo llamado MicroDuet, que aplicó PBC al modelo dinámico de ECMWF y a un modelo híbrido llamado POET, logró los mejores resultados para todas las variables meteorológicas y tiempos de antelación en la temporada inaugural.

Según el artículo de Nature, MicroDuet superó las predicciones dinámicas corregidas de sesgo de seis centros operativos de predicción (ECMWF, NOAA, ECCC, HMCR, KMA y JMA), un ensamble multimodelo internacional y los sistemas de predicción de 34 equipos en todo el mundo. En la temporada de septiembre-octubre-noviembre, MicroDuet fue el único modelo que superó significativamente al modelo ECMWF corregido de sesgo para todas las variables y tiempos de antelación.

El marco también mostró resultados sólidos cuando se aplicó al Sistema de Predicción con IA de ECMWF (AIFS-SUBS). PBC duplicó la puntuación de habilidad de probabilidad clasificada media (RPSS) de AIFS-SUBS en todas las variables y tiempos de antelación en 2025. Cuando se aplicó al modelo dinámico de ECMWF, PBC mejoró la habilidad para el 91 % de la presión, el 92 % de la temperatura y el 98 % de los objetivos de precipitación en comparación con los protocolos operativos de corrección de sesgo.

Aplicaciones en el mundo real en Kenia

Más allá de las métricas competitivas, PBC se está desplegando en escenarios del mundo real para ayudar en la planificación agrícola. Genevieve Flaspohler, quien dirige Rhiza Research, está trabajando con la Autoridad de Servicios Meteorológicos de Kenia (KMSA) para probar PBC para la predicción de monzones. "Un buen pronóstico meteorológico, entregado en el momento adecuado, en el canal de comunicación correcto, puede ser un gran diferenciador para los resultados agrícolas", dijo Flaspohler.

El Dr. Phillip Okello, meteorólogo principal en KMSA, señaló la efectividad del marco en la región. "La mayoría de las correcciones de sesgo solo ajustan la cantidad de lluvia que predice un pronóstico. PBC corrige las probabilidades mismas, y en el Cuerno de África mejoró nuestras predicciones más que cualquier otro método que probamos", dijo Okello. La herramienta está ayudando a los pronosticadores locales a identificar la probabilidad de lluvias muy intensas o muy ligeras, lo cual es crítico para los agricultores que dependen de las lluvias para sus cultivos.

Por qué importa

Las predicciones subestacionales precisas son esenciales para gestionar los riesgos asociados con el clima extremo, como incendios forestales, inundaciones y olas de calor. Al mejorar la confiabilidad de las predicciones con 2 a 6 semanas de antelación, PBC puede ayudar a las empresas de servicios públicos, agricultores y respondedores de emergencias a tomar mejores decisiones. Judah Cohen, climatólogo en el MIT y coautor del estudio, enfatizó los beneficios sociales: "El clima extremo tiene el mayor impacto en nuestra sociedad y las predicciones mejoradas de estos eventos pueden generar grandes beneficios sociales". El marco es de código abierto, lo que lo hace accesible para una adopción más amplia en regiones con infraestructura de predicción limitada.

Fuentes (en inglés)

• nature.com: Advancing subseasonal forecasting with machine learning | Nature
• microsoft.com: New AI framework bridges a critical gap in mid-range weather forecasts - Microsoft Research
• gizmodo.com: Forget the 10-Day Forecast. AI Just Improved Extreme Weather Warnings Up to 6 Weeks Out

Traducción con IA del artículo original en inglés, revisada automáticamente para que diga lo mismo que el original. Las fuentes fueron verificadas en inglés.