Google DeepMind publica en Nature: su IA predice ciclones tropicales con un día de ventaja sobre los modelos operativos

Cada año los ciclones tropicales matan a miles de personas y causan daños por decenas de miles de millones de dólares. La diferencia entre una evacuación a tiempo y un desastre se reduce a una cosa: cuántos días antes puedes decir dónde va a impactar el ojo del tormenta. Hoy, Google DeepMind publica en Nature los resultados de un modelo de IA llamado WeatherNext Cyclones (WN-C) que, según los propios autores, ofrece de media más de un día adicional de tiempo de predicción respecto a los modelos operativos actuales.

Un día extra que vale una década

Cada año los ciclones tropicales matan a miles de personas y causan daños por decenas de miles de millones de dólares. La diferencia entre una evacuación a tiempo y un desastre se reduce a una cosa: cuántos días antes puedes decir dónde va a impactar el ojo del tormenta. Hoy, Google DeepMind publica en Nature los resultados de un modelo de IA llamado WeatherNext Cyclones (WN-C) que, según los propios autores, ofrece de media más de un día adicional de tiempo de predicción respecto a los modelos operativos actuales.

Cómo funciona WN-C

El modelo está entrenado con dos tipos de datos: análisis meteorológicos globales (las lecturas de satélites, boyas, radiosondeos...) y una base de datos global de ciclones tropicales históricos. A partir de ahí aprende a generar ensembles (conjuntos de predicciones probabilísticas) de hasta 1.000 escenarios meteorológicos posibles que se extienden 15 días hacia el futuro.

Aquí hay un detalle técnico que merece atención: WN-C usa datos de entrada con una resolución orders of magnitude más gruesa que los modelos regionales especializados en ciclones. Los modelos tradicionales de predicción tropical necesitan mallas de alta resolución sobre áreas geográficas reducidas para capturar la estructura del viento alrededor del ojo. WN-C demuestra que esa señal de intensidad ya existe en los datos coarse, y que el modelo de aprendizaje automático puede extraerla sin necesidad de esa granularidad.

Lo que predice exactamente: trayectoria (track), intensidad máxima del viento ( intensity) y radio de los vientos de tormenta (wind radii). Los tres parámetros. No es solo decir 'va a pasar por aquí'; es decir con qué fuerza y cuán extenso será el área de vientos destructivos.

Por qué 1.000 ensembles importan

Los sistemas de predicción operativa actuales trabajan típicamente con ensembles de 50 escenarios. WN-C puede escalar hasta 1.000. La diferencia no es solo cuantitativa: los eventos raros —los ciclones que se intensifican explosivamente, los que hacen giros inesperados— son precisamente los que mejor captura un ensemble grande, porque necesitas muchas simulaciones para que esos escenarios improbables aparezcan al menos una vez.

La predicción de ciclones siempre ha sido un problema de colas de distribución (tail risk): los eventos más catastróficos son los menos frecuentes, y por tanto los que menos datos históricos tienes para entrenar. Un modelo que puede generar 1.000 escenarios diferentes ayuda a forecasters a ver esos escenarios extremos antes de que ocurra el evento real.

Validación: 2023-2025

El equipo evaluó WN-C sobre ciclones tropicales reales de 2023 a 2025. Los resultados muestran ventajas consistentes tanto en trayectoria como en intensidad y radio de vientos frente a los modelos de referencia (incluyendo el Statistical Hurricane Intensity Prediction Scheme, SHIPS, y el Hurricane Weather Research and Forecasting model, HWRF). Cuando se añade WN-C a un ensemble de consenso preexistente, la combinación mejora la skill general del grupo.

Colaboración con NOAA y UK Met Office

El paper incluye coautores del NOAA/NWS/NCEP National Hurricane Center de Miami y del UK Met Office. Esto no es cosmético: significa que los datos de validación incluyen observaciones reales de los servicios meteorológicos operativos de EE.UU. y Reino Unido, y que el modelo ha sido evaluado contra los estándares que realmente usan los forecasters para emitir alertas.

Lo que esto significa para la seguridad

Un día extra de lead time en una evacuación no es un lujo: es la diferencia entre una evacuación ordenada y el pánico. Las alertas de evacuate en 24 horas son muy diferentes a las de 48 horas en términos de logística, cumplimiento y resultados en vidas salvadas.

Pero hay una reflexión más amplia aquí sobre cómo la IA está empezando a operar en dominios donde la 'confianza' no es negociable. Un modelo que se equivoca de dirección en un ciclón no es un error técnico menor: es una falsa alarma que erosiona la confianza pública o, peor, una predicción fallida que la gente no llegó a recibir. El hecho de que Google DeepMind haya publicado en Nature —con revisión por pares, datos abiertos y coautoría de agencias meteorológicas oficiales— importa porque establece un nivel de escrutinio que las demos internas o los papers sin peer review no pueden ofrecer.

El paper se puede consultar en Nature (DOI: s41586-026-10953-2) y los autores indican que el objetivo a medio plazo es integrar WN-C como guía operativa en centros de predicción reales, no sustituir a los forecasters humanos sino complementar su juicio con ensembles más ricos y lead times más largos.