16 de noviembre de 2026

Predecir el tiempo directamente desde las observaciones: ¿un nuevo cambio de etapa?


Durante décadas, la predicción numérica del tiempo ha descansado sobre un paso previo fundamental: el análisis. Antes de calcular cómo evolucionará la atmósfera hay que estimar cómo está ahora. Y eso no lo proporcionan directamente las observaciones. Son irregulares, incompletas y de naturaleza muy distinta: una estación mide la temperatura a dos metros del suelo, un radiosondeo obtiene un perfil vertical y un satélite registra radiación en determinadas longitudes de onda. La asimilación de datos combina esas medidas con una predicción previa del modelo físico y construye una representación tridimensional de la atmósfera. Ese análisis, con sus incertidumbres, constituye el punto de partida de la siguiente predicción.

Los conocidos modelos de inteligencia artificial como GraphCast o AIFS han mantenido esa dependencia: aprenden de productos elaborados mediante asimilación de datos y utilizan análisis para iniciar sus predicciones. Cambian la forma de calcular el futuro, pero siguen apoyándose en el sistema tradicional para establecer el presente.

Sin embargo, el Centro Europeo de Predicción a Medio Plazo lleva tiempo explorando una posibilidad más radical: entrenar e inicializar un modelo exclusivamente con observaciones. Su proyecto AI-DOP —predicción directa de observaciones mediante inteligencia artificial— plantea hasta qué punto puede prescindirse del análisis convencional. Los primeros desarrollos ya mostraron que era posible producir predicciones útiles por esta vía.

En cualquier caso el análisis desaparece como producto, pero el problema sigue ahí y es interesante detenerse en ello. 

El sistema necesita reunir información dispersa, relacionar medidas diferentes y construir alguna representación de la situación atmosférica. Lo que cambia es cómo realiza esa tarea. Pues bien, actúa transformando las observaciones en una representación numérica interna mediante operaciones cuyos parámetros se ajustan durante el entrenamiento para reducir los errores de las predicciones posteriores. Aprende así a combinar información de distintos instrumentos, lugares y momentos. Esa representación sirve como punto de partida para predecir, aunque sus componentes no corresponden necesariamente a variables reconocibles como temperatura, viento o humedad. Se aprende por su utilidad predictiva, sin imponer que reproduzca un análisis meteorológico convencional.


Esquema generado por IA

La diferencia es profunda. El aprendizaje abarca tanto la construcción del estado de partida como su evolución posterior. Por ello, hablar de predicción «sin análisis» resulta expresivo, siempre que entendamos que desaparece el análisis convencional como etapa separada, no la necesidad de interpretar las observaciones.

Una peculiaridad de este enfoque es que puede predecir directamente radiancias de satélite, además de variables meteorológicas como temperatura o viento. Aprende relaciones entre observaciones de distinta naturaleza y puede extenderlas a lugares donde no existen medidas locales. Así consigue producir campos completos a partir de una información espacialmente incompleta.

La motivación que hay detrás de esta experiencia es clara: la asimilación tradicional no logra aprovechar toda la información potencial de las observaciones. Algunas plantean dificultades importantes, como determinadas radiancias infrarrojas afectadas por nubosidad. Aprender directamente de ellas abre una vía para utilizar información que queda parcial o totalmente fuera de los sistemas convencionales. En cualquier caso ello no significa que las observaciones sean una verdad libre de problemas. También contienen errores, sesgos, discontinuidades y cambios instrumentales. El nuevo enfoque evita depender directamente de ciertos errores del modelo físico, pero debe aprender a desenvolverse entre las limitaciones de la propia red de medida.

Este estudio de AIFS-DOP recientemente publicado utiliza unos cuarenta años de observaciones y una resolución aproximada de cien kilómetros. Sus resultados son competitivos con los del IFS en varios indicadores de superficie y de la atmósfera libre a medio plazo, con resultados especialmente favorables en los trópicos. Hay que precisar el alcance de esa comparación: corresponde a un año de predicciones entre 2021 y 2022 y utiliza como referencia el IFS operativo de aquel periodo. No demuestra una equivalencia general con el sistema actual ni permite extender la conclusión a todos los fenómenos y escalas. Pero constituye un avance notable para un modelo entrenado sin análisis ni reanálisis.

El artículo del Centro Europeo del 3 de noviembre describe ya el paso a un prototipo en tiempo real, con versiones de aproximadamente cien y treinta kilómetros. Para establecer su estado inicial utiliza treinta horas de observaciones. Entre los ejemplos figura la borrasca Boelo, del 24–25 de octubre, cuya estructura, vientos y entrada de aire templado representó satisfactoriamente con tres días de antelación. Es un resultado alentador, aunque un episodio aislado no sustituye una evaluación sistemática.

El trabajo muestra también problemas de calidad de los datos: unas boyas comunicaron presiones anómalamente bajas y generaron pequeñas depresiones espurias. Una comprobación respecto a una predicción previa del propio AI-DOP permitió rechazar esos datos y eliminar las anomalías. Por tanto, el sistema incorpora controles, y su desarrollo sigue siendo esencial. El prototipo continúa siendo experimental.

Pero...¿Cuánta física ha aprendido?

Para un meteorólogo, esta es una de las preguntas más interesantes. El modelo no integra explícitamente las ecuaciones físicas de evolución atmosférica. Su capacidad para reproducir relaciones y estructuras coherentes debe surgir del aprendizaje.

El estudio presenta indicios de coherencia entre sus campos y recoge investigaciones sobre las representaciones físicas que desarrollan estos sistemas. Pero reproducir estructuras plausibles no demuestra por sí solo que se respeten todos los balances ni que la respuesta ante cualquier perturbación sea correcta.

Por tanto, a mi juicio, aquí conviene distinguir dos niveles de evaluación. Uno consiste en comprobar cuánto se aproxima la predicción a las observaciones. El otro, en examinar si las relaciones entre las variables y su evolución responden de forma consistente a los mecanismos físicos. Ambos son necesarios, especialmente cuando nos interesan situaciones extremas.

Desde la perspectiva sinóptica hay, además, una cuestión práctica. Queremos anticipar dónde estará una borrasca y qué intensidad alcanzará, pero también entender cómo se organiza: qué papel desempeñan los chorros, dónde se concentran los ascensos o cómo interviene la liberación de calor latente. Algunos diagnósticos podrán calcularse a partir de los campos previstos. La pregunta será con qué fiabilidad y coherencia. Una buena semejanza entre mapas no garantiza que sus derivadas y balances permitan reconstruir correctamente los procesos. Ese es un terreno en el que la experiencia del predictor y la investigación física siguen teniendo mucho que aportar.

La novedad de AI-DOP va más allá de acelerar los cálculos. Plantea que un sistema pueda aprender de las observaciones tanto a representar el presente como a anticipar el futuro, sin depender de un análisis convencional. Esto vuelve a situar en primer plano algo que nunca debería quedar en segundo: la continuidad, diversidad y calidad de las observaciones. El artículo del Centro muestra que la pérdida de grupos amplios de datos puede deteriorar las predicciones, aunque la sensibilidad depende de qué información desaparezca.

Queda también la cuestión de cómo generalizará lo aprendido en una atmósfera cambiante. Un modelo puede predecir situaciones que no ha visto exactamente durante su entrenamiento; de otro modo, su utilidad sería muy limitada. El interrogante es hasta dónde conserva esa capacidad cuando cambian las condiciones y aparecen combinaciones de procesos poco representadas en el pasado.

Personalmente, veo en estos desarrollos una oportunidad extraordinaria, acompañada de preguntas que merecen una atención igualmente seria. Me parece razonable esperar una convivencia entre modelos físicos y sistemas de aprendizaje, en la que sus diferencias ayuden a identificar errores y a comprender mejor la atmósfera. El reto será mejorar la predicción y, al mismo tiempo, seguir profundizando en la explicación de lo que ocurre.

No hay comentarios:

Publicar un comentario