Así está Google revolucionando la simulación de precipitaciones

La simulación precisa de la precipitación global continúa siendo una de las fronteras más difíciles para la predicción meteorológica avanzada, pues influye de manera directa en la gestión de recursos, agricultura y prevención de catástrofes naturales. En respuesta a este desafío, Google Research ha presentado NeuralGCM, un modelo híbrido que combina inteligencia artificial y física para ofrecer avances sustanciales en la simulación de lluvias y su ciclo diario, con fuerte impacto para escenarios de eventos extremos y estudios a largo plazo.

Uno de los resultados que ilustra el alcance de NeuralGCM corresponde al rendimiento frente a modelos tradicionales utilizados en informes del Panel Intergubernamental sobre Cambio Climático. Según Google Research, NeuralGCM logró reducir en un 40% el error medio respecto a las herramientas líderes actuales, al compararse series multianuales de precipitaciones sobre tierra. El modelo demostró un error promedio de apenas 0,3 milímetros al día, menos de la mitad que los modelos previos, lo que sugiere una mejora tangible en el control de inundaciones, planificación agrícola y abastecimiento hídrico.

Este avance se produce tras una evolución clave en el método de entrenamiento. Mientras la versión inicial de NeuralGCM, como ocurre con la mayoría de los modelos de aprendizaje automático atmosférico, se entrenó sobre “reanálisis” (simulaciones que recrean estados pasados atmósfericos combinando modelos físicos y observaciones), la nueva versión recurre exclusivamente a observaciones satelitales de precipitación obtenidas por la NASA entre 2001 y 2018.

El equipo de Google Research destaca que este entrenamiento directo en datos reales permite a NeuralGCM “encontrar una mejor parametrización aprendida por máquina para la precipitación”, eliminando las imprecisiones heredadas de los modelos de referencia, sobre todo en los extremos de precipitación y en el ciclo diario.

En evaluaciones concretas de pronóstico a dos semanas, NeuralGCM fue sometido a pruebas a través del estándar WeatherBench 2 y se contrastó con el principal modelo operativo de predicción física del European Centre for Medium-range Weather Forecasts (ECMWF).

Los resultados, según la publicación de Google Research, muestran que NeuralGCM superó de forma sostenida al modelo europeo en la mayoría de las métricas de precipitación acumulada diaria y en ventanas de seis horas durante los 15 días del pronóstico, incluso sobre zonas continentales, que concentran los retos más agudos para el bienestar humano y ambiental.

Un gráfico divulgado por Google Research revela que, en la comparación de las previsiones de precipitación acumulada a 24 horas, “NeuralGCM obtiene un puntaje inferior (lo que indica mejor desempeño) en todas las jornadas analizadas al cotejarlo frente a observaciones satelitales IMERG”, resaltando la consistencia del avance sobre toda la quincena proyectada.

Si bien la resolución actual del modelo –280 kilómetros– impide el uso operacional directo a escala local, el trabajo indica que el método se podría adaptar a resoluciones menores para dotar de mejores herramientas a los servicios meteorológicos de escala nacional o regional.

La arquitectura de NeuralGCM emplea un enfoque mixto que integra un solucionador tradicional de dinámica de fluidos para procesos de gran escala y redes neuronales para aspectos atmosféricos de menor escala como nubes, radiación y microfísica de la precipitación. Esta estructura facilita que el sistema aprenda a partir de la compleja y multiescalar física de las nubes, cuya diversidad y cambios rápidos constituían el principal talón de Aquiles de las simulaciones meteorológicas globales.

Por contraste, los modelos convencionales dependen de aproximaciones indirectas —las denominadas “parametrizaciones”—, que tienden a sobrestimar lluvias ligeras y subestimar eventos intensos, fenómeno conocido como el “problema del llovizneo”.

Google Research informa que NeuralGCM ofrece mejoras sustanciales en la predicción de eventos extremos, capturando con mayor fidelidad la intensidad de los episodios en el 0,1% superior de lluvias registradas localmente.

En simulaciones entre 2002 y 2014, el modelo logró reproducir las tasas de precipitación tropical observadas por IMERG, mientras que referencias como el modelo ERA5 o el IPSL mostraron desvíos: sobreestimaron las lluvias ligeras y subestimaron las más fuertes. Los mapas presentados exhiben que NeuralGCM tiene menor propensión a subestimar o sobrestimar las precipitaciones extremas respecto de los modelos anteriores.

La validación incluyó también el ciclo diario de precipitaciones, crucial para ecosistemas como la selva amazónica, donde los modelos tradicionales situaban el pico de lluvias varias horas antes que en la realidad. NeuralGCM consiguió replicar con mayor precisión tanto el horario como la magnitud del máximo diario, especialmente en meses estivales y sobre masa continental, lo que reviste importancia en estudios de dinámica hídrica, impacto ecológico y planificación de actividades humanas.

Fuera del entorno experimental, NeuralGCM ya se utilizó en una iniciativa conjunta entre la Universidad de Chicago y el Ministerio de Agricultura y Bienestar de los Agricultores de la India para prever la llegada del monzón. El programa piloto seleccionó a NeuralGCM y a otro modelo tras pruebas exigentes y desarrolló una herramienta que se desplegó por primera vez el pasado verano en territorio indio.

Desde el lanzamiento inicial, todo el código de NeuralGCM se ha liberado como software de código abierto, y el módulo actualizado para simulación de precipitaciones también estará disponible públicamente, según Google Research.