¿Qué ocurrió?
Google Research y DeepMind han publicado WeatherNext 3, un modelo de predicción meteorológica cuya diferencia esencial con las generaciones anteriores es esta: abandona las simulaciones físicas tradicionales y aprende directamente de datos de satélite en vivo.
Los modelos de IA meteorológica anteriores, incluido WeatherNext 2, se entrenaban con datos de predicción numérica del tiempo (NWP). Esas simulaciones corren en superordenadores y, según Google, arrastran un retraso de seis horas que introduce errores en variables de cambio rápido como la lluvia y la temperatura. WeatherNext 3 procesa en su lugar datos de satélites geoestacionarios en vivo y genera una predicción nueva cada hora a partir de las últimas observaciones.
Cinco veces más nítido
El modelo emite predicciones horarias a varias resoluciones: temperatura y humedad a 5 kilómetros, otras variables de superficie a 10 y valores atmosféricos como la velocidad del viento a 25. Como comparación, WeatherNext 2 usaba una malla de 25 kilómetros en intervalos de seis horas, unas cinco veces más gruesa.
El modelo también se entrena con datos de estaciones meteorológicas individuales, lo que le permite captar litorales, valles y montañas. Según Google, las regiones con más que ganar son América Latina, África y Asia-Pacífico, donde el alto coste de cómputo de los modelos regionales tradicionales había dejado la predicción mal atendida.
Lluvia y energías renovables
Los modelos meteorológicos globales llevan mucho tiempo con dificultades en la precipitación, porque la lluvia y la nieve dependen de procesos de nubes rápidos y a pequeña escala. Google entrenó el modelo con dos fuentes: el conjunto IMERG de la NASA, basado en satélite, y su propio análisis global de precipitación construido sobre radar satelital.
- En predicciones globales de medio plazo, la puntuación CRPS mejora hasta un 60 por ciento frente a IMERG, un 30 frente a MRMS y un 10 frente a los pluviómetros en horizontes cortos.
- El modelo predice la velocidad del viento a 100 metros, aproximadamente la altura de una turbina, para estimar la producción de un parque eólico.
- Valores más precisos de nubosidad e irradiancia solar permiten a las instalaciones fotovoltaicas calcular la generación esperada.
- Quien planifique con un día o más de antelación debería ver predicciones de precipitación hasta un 50 por ciento más precisas.
¿Dónde se usa?
Los datos de predicción se actualizan cada hora. Investigadores, desarrolladores y empresas pueden consultarlos mediante BigQuery y Earth Engine o descargarlos de forma masiva desde Google Cloud Storage. WeatherNext 3 alimenta ya las funciones meteorológicas de Google Search, la aplicación Gemini, Google Maps, la API del tiempo de Maps Platform y Earth Engine.
Google marca el límite por sí misma
La compañía reconoce que la atmósfera seguirá siendo siempre algo impredecible y remite a los usuarios a los servicios meteorológicos nacionales para predicciones oficiales, avisos de fenómenos severos y recomendaciones de seguridad. Esa distinción importa: el modelo mejora la planificación cotidiana sin convertirse en la autoridad oficial de aviso.
Para medir el tamaño del salto conviene mirar la generación anterior. WeatherNext 2, publicado en noviembre de 2025, superó a la primera generación en el 99,9 por ciento de las variables meteorológicas y ventanas de predicción funcionando ocho veces más rápido, y procesaba cientos de escenarios en menos de un minuto en una sola TPU. En agosto de 2026 DeepMind publicó con licencia abierta WeatherNext 2 y WeatherNext Cyclones, que predice trayectorias de tormentas tropicales.