InvestigaciónModelos 🇩🇪 09.08.2026 15:01

El WeatherNext de Google DeepMind predice simultáneamente la trayectoria e intensidad de ciclones

Google/DeepMindGoogle/DeepMind Google DeepMindGoogle DeepMind European Centre for Medium-Range Weather ForecastsEuropean Centre for Medium-Range Weather Forecasts National Oceanic and Atmospheric AdministrationNational Oceanic and Atmospheric Administration
Google DeepMind ha presentado WeatherNext Cyclones (WN-C), un sistema de inteligencia artificial que predice trayectorias e intensidades de ciclones tropicales con mayor precisión que los modelos especializados, mirando aproximadamente un día más hacia el futuro. A pesar de utilizar datos con celdas de cuadrícula unas 100 veces más gruesas, supera a los modelos existentes. El enfoque utiliza Redes Generativas Funcionales y fue desarrollado con el Centro Nacional de Huracanes y otros socios.
El sistema WeatherNext Cyclones (WN-C) de Google DeepMind es un sistema de IA para predecir ciclones tropicales que puede pronosticar aproximadamente un día más allá que los principales modelos operativos. Desarrollado con el Centro Nacional de Huracanes (NHC), el Instituto Cooperativo para la Investigación de la Atmósfera y la Oficina Meteorológica del Reino Unido, ha estado funcionando en vivo en el Laboratorio Meteorológico de Google desde junio de 2025. Para un pronóstico de cinco días, el error de posición promedio es de 230 kilómetros, en comparación con 370 para el conjunto (ENS) del ECMWF y 335 para el modelo GenCast anterior de DeepMind. Para predicciones de intensidad a tres días, WN-C es 3,75 nudos más preciso que el HAFS de la NOAA. A pesar de utilizar una cuadrícula donde cada punto cubre aproximadamente 28 kilómetros cuadrados, unas 100 veces más gruesa que los modelos regionales especializados, el sistema funciona mejor, lo que lleva a los investigadores a concluir que la alta resolución no es estrictamente necesaria para pronósticos de intensidad de última generación. El modelo utiliza Redes Generativas Funcionales (FGN) en lugar de difusión, lo que lo hace ocho veces más rápido. Se entrenó con casi 20 terabytes de datos atmosféricos globales y una base de datos curada de aproximadamente 5.000 ciclones históricos. El sistema puede generar 1.000 escenarios de pronóstico paralelos por tormenta, lo que ayuda a capturar eventos extremos raros. Si bien WN-C mejora los pronósticos de trayectoria en un 28% cuando se combina con modelos de consenso, solo agrega alrededor de un 6% de mejora en la intensidad, lo que indica que los modelos clásicos aún contribuyen significativamente. DeepMind ha puesto a disposición el código y los pesos de WeatherNext 2 y WN-C de forma gratuita en GitHub, y una versión mini puede ejecutarse en un cuaderno de Colab gratuito. Sin embargo, los autores enfatizan que los servicios meteorológicos nacionales siguen siendo la autoridad para los avisos oficiales.
Fuente: The Decoder (DE) — original
Nuestros artículos anteriores sobre este tema ↓
Noticias frescas