WeatherNext 3 utiliza datos satelitales en tiempo real para anticipar lluvias, nevadas y cambios atmosféricos con una resolución de hasta cinco kilómetros. La tecnología comenzará a integrarse en el buscador, Maps y Gemini.

Google DeepMind presentó WeatherNext 3, su modelo de inteligencia artificial más avanzado para pronosticar el comportamiento de la atmósfera y generar predicciones meteorológicas globales con un nivel de detalle considerablemente superior al de sus sistemas anteriores.

El nuevo modelo incorpora información satelital casi en tiempo real, se actualiza cada hora y produce pronósticos con una resolución espacial de hasta cinco kilómetros. Según Google, sus mapas meteorológicos son cinco veces más detallados que los generados por WeatherNext 2.

La compañía asegura que las predicciones de lluvia y nieve pueden ser hasta un 50 % más precisas con al menos un día de anticipación. Esta mejora permitiría identificar bandas de precipitación pequeñas y concentradas que suelen aparecer difuminadas o desaparecer en modelos de menor resolución.

WeatherNext 3 comenzará a alimentar la información meteorológica mostrada en el buscador de Google, Gemini, Maps, Google Maps Platform y los servicios en la nube de la compañía.

Satélites para observar regiones con pocos sensores

Una de las principales novedades es la integración directa de observaciones satelitales recientes. Los modelos tradicionales dependen de datos procedentes de estaciones meteorológicas, radares, globos atmosféricos, barcos, aeronaves y satélites.

La distribución de esos instrumentos es desigual. Estados Unidos y Europa disponen de redes terrestres relativamente densas, pero amplias zonas de América Latina, África, Asia y los océanos cuentan con menos estaciones y radares.

Los satélites permiten observar de manera continua regiones donde los datos terrestres son escasos. WeatherNext 3 utiliza esas imágenes junto con información sobre temperatura, humedad, presión y velocidad del viento para reconstruir el estado actual de la atmósfera antes de calcular su evolución.

Este sistema podría mejorar los pronósticos en países que no poseen una infraestructura meteorológica extensa, aunque su utilidad práctica continuará dependiendo de la capacidad de las autoridades locales para interpretar la información y emitir alertas.

Una resolución de cinco kilómetros

La resolución espacial determina el tamaño de la zona representada por cada punto de un modelo meteorológico. Una cuadrícula más pequeña permite observar fenómenos localizados con mayor claridad.

WeatherNext 3 puede producir predicciones con una resolución de aproximadamente cinco kilómetros. Esto no significa que pueda anticipar exactamente si lloverá sobre una vivienda específica, pero sí que puede representar con mayor precisión tormentas, frentes y bandas de precipitación.

Los modelos de menor resolución pueden detectar un sistema lluvioso amplio, pero no siempre muestran dónde se concentrarán las precipitaciones más intensas. Esa diferencia es importante para anticipar inundaciones, deslizamientos y afectaciones a la agricultura.

Google afirma que el nuevo sistema logra reproducir estructuras de lluvia que sus modelos anteriores y algunos métodos numéricos tradicionales tienden a suavizar.

Inteligencia artificial frente a supercomputadoras

Los pronósticos convencionales utilizan ecuaciones físicas para simular el movimiento del aire, la humedad, la radiación solar y los intercambios de energía. Estos cálculos requieren enormes cantidades de potencia informática y normalmente se ejecutan en supercomputadoras.

Los sistemas de inteligencia artificial siguen un método diferente. Aprenden patrones a partir de grandes archivos meteorológicos y los utilizan para calcular rápidamente cómo podría evolucionar una situación determinada.

Este enfoque puede generar predicciones en menos tiempo y con un menor costo computacional. También permite actualizar los resultados con mayor frecuencia cuando aparecen nuevas observaciones.

Sin embargo, Google reconoce que la inteligencia artificial no sustituirá por completo a los modelos físicos. Ambos sistemas poseen fortalezas distintas y pueden complementarse para mejorar la confiabilidad de los pronósticos.

WeatherNext 3 debe considerarse una herramienta experimental. Para emergencias y advertencias oficiales, los ciudadanos deben continuar siguiendo las indicaciones de los servicios meteorológicos de cada país.

Energía renovable y planificación económica

La aplicación del modelo no se limitará a decidir si será necesario utilizar un paraguas. WeatherNext 3 puede estimar variables relacionadas con la producción energética, como la velocidad del viento a la altura de las turbinas.

Los operadores de parques eólicos podrían utilizar esas predicciones para anticipar cuánta electricidad generarán durante las siguientes horas o días. Las empresas solares también dependen de información precisa sobre nubosidad y radiación.

Pronósticos más detallados pueden ayudar a organizar redes eléctricas, programar el transporte, planificar cultivos y preparar cadenas de suministro ante tormentas o temperaturas extremas.

La tecnología posee especial importancia en un contexto de cambio climático, cuando los fenómenos meteorológicos intensos representan un riesgo creciente para ciudades, infraestructura y sistemas productivos.

El pronóstico llegará directamente a millones de usuarios

La integración de WeatherNext 3 en productos de uso cotidiano representa una de las mayores diferencias respecto de otros proyectos científicos.

Los resultados del modelo aparecerán progresivamente en Google Search, Maps y Gemini. Esto permitirá que millones de personas reciban predicciones generadas parcialmente por inteligencia artificial sin necesidad de utilizar una aplicación especializada.

Investigadores, desarrolladores y empresas también podrán acceder a sus datos mediante las plataformas de computación en la nube de Google y una herramienta experimental denominada Weather Lab.

WeatherNext 3 demuestra que la competencia por la inteligencia artificial ya no se concentra únicamente en asistentes digitales y generadores de contenido. Los modelos comienzan a intervenir en sistemas científicos capaces de anticipar fenómenos naturales y apoyar decisiones que afectan directamente la seguridad y la economía.