¿Podría la inteligencia artificial predecir fenómenos meteorológicos extremos? Esto es lo que dicen los expertos

Mientras que en las décadas anteriores a 1970 se registraban decenas de miles de muertes durante los ciclones tropicales, en la actualidad los fallecimientos rara vez superan unas pocas docenas. Este avance se ha podido alcanzar gracias a la adopción de modelos numéricos basados en física y a la anticipación de los fenómenos más peligrosos en todas las agencias meteorológicas del mundo. Pero ¿qué pasaría si se incorporan pronósticos basados en inteligencia artificial? ¿Estaríamos ante un sistema mucho más preciso?

Hasta ahora, los modelos se encargan de hacer una simulación de la atmósfera mediante ecuaciones fundamentadas en las leyes del movimiento y la termodinámica, a las que se suman datos de observación globales. No obstante, pese a que se ha logrado una alta precisión en las conclusiones de estas informaciones, se está observando una transformación en este campo.

Según un artículo publicado en la revista Nature, la irrupción de modelos meteorológicos basados en inteligencia artificial (IA) prometería acelerar aún más la predicción de pronósticos extremos. A diferencia de sus predecesores, parece que estos sistemas no resuelven paso a paso complejas ecuaciones físicas, sino que utilizan algoritmos entrenados con datos meteorológicos históricos para mapear las condiciones actuales hacia escenarios futuros probables.

¿Podría ser fiable ante los cambios de clima?

Los sistemas basados en esta IA tendrían un procesamiento intensivo solo durante la etapa de entrenamiento. Pero una vez dispuestos para el trabajo, podrían generar un pronóstico a través de operaciones aritméticas simples. La diferencia en velocidad sería significativa: un pronóstico global a 14 días impulsado por IA puede generarse hasta dos horas antes que uno tradicional. Este margen es potencialmente decisivo, sobre todo en aquellas situaciones donde hay que organizar evacuaciones en situaciones de emergencia.

Aun así, existen incertidumbres sobre su desempeño ante fenómenos poco frecuentes o extremos. Por el momento, la fiabilidad de la inteligencia artificial frente a eventos extremos todavía no se ha consolidado. Y es que, mientras que los modelos físicos mantienen su validez incluso ante cambios en el clima, los sistemas de IA dependen de datos históricos y podrían fallar cuando enfrentan situaciones que no figuran en sus registros de entrenamiento.

Sin embargo, ahora que el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF), con sede en Reading, Reino Unido, ya ha comenzado a integrar IA en sus sistemas operativos, se espera que se garantice su precisión y fiabilidad cuanto antes. Dentro de este debate también se tiene en cuenta el precio de las operaciones, pues con esta nueva herramienta es más económica.

A pesar de ello, las organizaciones que hacen uso de ella aún no han consensuado un método para evaluar su rendimiento en comparación con los sistemas físicos. Distintos estudios a los que ha tenido acceso Nature han analizado el comportamiento de la IA frente a peligros específicos y, si bien los principales modelos pronostican con precisión trayectorias y, en cierta medida, la intensidad de ciclones tropicales típicos, su habilidad disminuye ante tormentas sin precedentes.

En el caso de temperaturas extremas, algunos modelos de IA e híbridos reproducen la frecuencia y patrones espaciales de olas de calor y frío históricas que ocurrieron fuera del periodo de entrenamiento. Sin embargo, presentan sesgos regionales y tienden a subestimar la intensidad y frecuencia de episodios récord de calor, frío y viento, en comparación con un modelo líder basado en la física. De este modo, el empleo de la IA para la predicción meteorológica continúa con algunos vacíos de información como: definir eventos extremos, localizar peligros y saber dónde ocurren.

Una iniciativa que propone reentrenar todos los sistemas actuales de IA

El camino a medio hacer para la inteligencia artificial en este área necesitaría, así, protocolos de evaluación estandarizados y avalados por la comunidad científica. De esta manera, Shruti Nath y Tim Palmer proponen un marco de referencia que permita evaluar sus capacidades predictivas ante distintos peligros a través de su iniciativa AIRWIE (AI Re-training Without Iconic Events), presentada ante la Organización Meteorológica Mundial (OMM) en octubre de 2025.

Este sistema consiste en entrenar los modelos de IA excluyendo de los datos ciertos eventos extremos emblemáticos, reservados únicamente para pruebas. Así, se garantizaría que los sistemas sean evaluados de forma objetiva y rigurosa sobre su capacidad para anticipar fenómenos que no han “visto” durante el entrenamiento.

Generalmente, los sistemas de IA que se usan actualmente se entrenan utilizando conjuntos de datos de reanálisis, abarcando fenómenos de los últimos 50 años: desde el huracán Sandy de 2012 en Nueva York o la Gran Tormenta de 1987 en el sur de Inglaterra. Ambos casos ilustran desafíos para la predicción, ya que presentaron trayectorias o mecanismos poco habituales y pusieron a prueba las capacidades de los modelos meteorológicos.

Pero la propuesta de Nath y Palmer invita a la comunidad meteorológica a construir una base de datos representativa de eventos extremos, incluso con la colaboración del público, que podría nominar casos destacables. El criterio de inclusión se orientaría a episodios genuinamente récord o inusuales, más allá de si fueron bien o mal pronosticados. Además, cada evento seleccionado se eliminaría del conjunto de entrenamiento, junto con los días previos y posteriores, para asegurar que el modelo no tenga información sobre las condiciones atmosféricas asociadas.

A continuación, los centros de modelado reentrenarían sus sistemas con estos datos reducidos y tratarían de predecir retrospectivamente los episodios excluidos. El objetivo sería comparar el desempeño de los modelos de IA frente a los físicos en la captura de variables críticas como cantidad de lluvia, intensidad del viento o trayectoria de las tormentas. Al crear una muestra suficientemente amplia mediante este protocolo, se podría establecer una evaluación más objetiva y robusta de ambos enfoques en la predicción de eventos de alto impacto.