Los pronósticos meteorológicos se han vuelto notablemente confiables en horizontes cortos: los modelos actuales son muy precisos hasta aproximadamente dos semanas, y las proyecciones climáticas a largo plazo también están mejorando constantemente. Sin embargo, entre esas dos escalas de tiempo hay un obstinado punto ciego. Los pronósticos en el período de dos a seis semanas (conocido como pronóstico subestacional) siguen siendo poco confiables, aunque ese es precisamente el rango que importa para decidir cuándo plantar cultivos, cómo asignar agua y energía y cómo prepararse para los incendios forestales.
Microsoft Research y una red de colaboradores externos dicen que han encontrado una manera de reducir esa brecha, no construyendo otro modelo de pronóstico más, sino enseñando software a corregir los errores predecibles de los modelos que ya existen. El enfoque, llamado Corrección de sesgo probabilístico (PBC), se detalla en un artículo publicado en la revista científica Nature y se describe en una publicación del blog de Microsoft publicada esta semana. Es una de las entradas más silenciosamente prácticas en la ola de investigación aplicada de IA cubierta entre los últimos desarrollos de IA, porque actualiza los sistemas en los que ya confían los meteorólogos en lugar de pedirles que cambien a algo nuevo.
Por qué el período de dos a seis semanas desafía los pronósticos
Los modelos basados en la física simulan la atmósfera y los océanos utilizando ecuaciones científicas, mientras que los modelos de IA más nuevos se basan en vastos archivos de datos meteorológicos observados. Según Microsoft, ambas familias obtienen buenos resultados hasta aproximadamente diez días. Más allá de ese punto, los pequeños errores iniciales se acumulan y las complejas interacciones entre la atmósfera, los océanos y la superficie terrestre abruman ambos enfoques, razón por la cual las perspectivas de dos a seis semanas han estado por mucho tiempo retrasadas con respecto al resto de los pronósticos.
En lugar de entrar en un campo abarrotado de modelos competitivos, el equipo dirigido por Microsoft se centró en un objetivo diferente: los errores sistemáticos y repetibles que cometen los modelos en este rango. "Nuestra nueva tubería (PBC) toma su modelo favorito como entrada y aprende de qué manera tiende a cometer errores. Luego corrige esos errores, generando un mejor pronóstico de producción para el rango subestacional", explicó la compañía en su publicación de blog.
Una capa ligera sobre los modelos existentes
Técnicamente, PBC es un sistema liviano de aprendizaje automático que estudia el archivo de pronósticos históricos de cualquier modelo determinado para saber dónde y cómo está sistemáticamente sesgado. Una vez que se aprenden esos patrones, el sistema ajusta la salida probabilística del modelo para compensar. En las evaluaciones descritas en el artículo de Nature, Microsoft informa que PBC mejoró el rendimiento del modelo subestacional con sesgo operativo líder en el mundo, operado por el Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF).
Los resultados se mantuvieron en la competencia en vivo, no solo en las pruebas retrospectivas. ECMWF lanzó AI Weather Quest en agosto de 2025, una competencia en tiempo real diseñada para avanzar en el pronóstico probabilístico subestacional. Un equipo llamado MicroEnsemble, formado por investigadores de Microsoft y colaboradores externos, obtuvo los máximos honores con una entrada denominada MicroDuet, que aplicó PBC al modelo dinámico líder en la industria de ECMWF.
"AI Weather Quest proporciona una plataforma única de evaluación comparativa en tiempo real para pronósticos subestacionales", dijo el Dr. Joshua Talib, científico en pronósticos subestacionales del ECMWF. "Las contribuciones del Equipo MicroEnsemble destacaron cómo el aprendizaje automático puede mejorar la habilidad de los sistemas tradicionales de pronóstico dinámico a través del posprocesamiento".
De punto de referencia a pilotos del mundo real en África Oriental
La técnica ya está superando los puntos de referencia. En Kenia, los meteorólogos se están preparando para probar la PBC a medida que comienza una de las dos temporadas de lluvias del país. En el esfuerzo participan la Autoridad del Servicio Meteorológico de Kenia (KMSA) y científicos del Centro de Riesgos Climáticos de la Universidad de California en Santa Bárbara, con el asesoramiento de Genevieve Flaspohler, que dirige Rhiza Research, una organización sin fines de lucro centrada en mejorar la previsión meteorológica basada en IA.
Flaspohler sostiene que el valor de un pronóstico depende de llegar a tiempo para actuar en consecuencia. "Un buen pronóstico del tiempo, entregado en el momento adecuado, en el canal de comunicación adecuado, puede ser un gran diferenciador para los resultados agrícolas", dijo, señalando que África Oriental ha estado oscilando entre los años más secos registrados y los años más húmedos de la historia. En una región donde las granjas carecen en gran medida de riego y las decisiones sobre siembra, fertilización y compra de semillas dependen de las perspectivas, un pronóstico subestacional más hábil no es una mejora abstracta.
"Debido a que estamos en medio del El Niño más cálido jamás registrado, hay mucho temor entre los gobiernos y en la comunidad científica del clima sobre cómo se manifestará eso", dijo Flaspohler. "Existe una gran necesidad de métodos de pronóstico simples que funcionen de manera sólida".
Un argumento sobre la eficiencia en una era de modelos más grandes
Lo que hace que PBC sea notable dentro de la investigación de IA es su economía. Si bien gran parte del campo se apresura a entrenar modelos de pronóstico de extremo a extremo cada vez más grandes, PBC es un sistema comparativamente pequeño que toma prestada la mayor parte de su habilidad de los modelos operativos que corrige. Eso hace que su funcionamiento sea más barato y más fácil de adoptar para las agencias meteorológicas, ya que pueden mantener su infraestructura existente y simplemente agregar una capa de corrección.
También refleja un patrón más amplio en el aprendizaje automático aplicado: el posprocesamiento y la calibración a menudo generan ganancias que de otro modo requerirían una reelaboración completa del modelo. Para los servicios meteorológicos que sopesan dónde gastar presupuestos limitados, es probable que llame la atención un método que mejora de manera demostrable el rango de pronóstico más estricto, validado tanto en Nature como en una competencia en vivo del ECMWF.
¿Qué sigue para la IA subestacional?
La publicación del blog de Microsoft no llega a anunciar un producto operativo, y la compañía no ha dicho si PBC se integrará en las ofertas de pronóstico comercial. La prueba a corto plazo es si los servicios meteorológicos nacionales comienzan a adoptar capas de corrección de sesgos como PBC para sus perspectivas subestacionales, y si el enfoque se adapta bien a los modelos de pronóstico de IA que ahora están entrando en uso operativo.
Si es así, el período de dos a seis semanas (el período en el que los agricultores, los operadores de redes y los planificadores de desastres históricamente han tenido menos con qué trabajar) finalmente podría comenzar a cerrarse. Para un campo que ha pasado décadas persiguiendo ganancias marginales en habilidades, permitir que un pequeño sistema de aprendizaje automático limpie los errores sistemáticos de modelos físicos gigantes es un tipo de progreso pragmático.
---
Manténgase a la vanguardia de la IAObtenga las últimas noticias, análisis y avances en IA, todo en un solo lugar.
Leer más noticias sobre IA →
