Google DeepMind ha presentado WeatherNext 3, un modelo meteorológico basado en inteligencia artificial que incorpora datos de satélite en tiempo real, actualizaciones cada hora y una resolución de hasta 5 kilómetros para determinadas variables.
La meteorología entra en una nueva fase. La inteligencia artificial ya no se limita a procesar históricos: WeatherNext 3 aprende directamente de observaciones reales de la atmósfera para intentar anticipar con mayor precisión qué ocurrirá después.
Pero hay una letra pequeña que no conviene ignorar: Google todavía no ha demostrado específicamente cómo se comportará el sistema ante episodios extremos como las danas.
WeatherNext 3 lleva la inteligencia artificial al corazón de la predicción meteorológica
Google DeepMind lanzó WeatherNext 3 el 3 de septiembre de 2026 como evolución de su familia de modelos meteorológicos basados en inteligencia artificial.
La principal novedad no está únicamente en que el sistema utilice IA. El cambio está en qué información utiliza para aprender y con qué frecuencia puede actualizar sus previsiones.
WeatherNext 3 incorpora observaciones directas de la atmósfera, entre ellas imágenes de satélite y datos meteorológicos, además de información histórica.
El sistema intenta aprender la relación entre el estado actual de la atmósfera y su evolución posterior.
En términos sencillos: en lugar de limitarse a calcular una simulación física a partir de una representación estimada del estado atmosférico, la IA recibe grandes cantidades de observaciones y aprende patrones que le permiten generar nuevas predicciones.
Eso puede resultar especialmente importante cuando las condiciones cambian rápidamente.
De 25 kilómetros a 5: el salto de resolución de WeatherNext 3
Uno de los cambios más llamativos es la resolución espacial.
WeatherNext 2 trabajaba con una cuadrícula global de aproximadamente 25 kilómetros y actualizaciones cada seis horas. WeatherNext 3 puede alcanzar una resolución de 5 kilómetros para determinadas variables de superficie y generar previsiones cada hora.
La diferencia es sustancial.
Una cuadrícula de 25 kilómetros puede representar de forma demasiado general fenómenos que cambian mucho en distancias relativamente pequeñas.
Reducir esa escala permite obtener una imagen más detallada de variables como la temperatura y la humedad.
Google señala que WeatherNext 3 trabaja con diferentes resoluciones dependiendo de la variable:
- 5 kilómetros para determinadas variables de superficie, como temperatura y humedad.
- 10 kilómetros para otras variables superficiales.
- 25 kilómetros para determinadas variables atmosféricas, como la velocidad del viento.
No significa, por tanto, que toda la predicción meteorológica mundial tenga una resolución uniforme de cinco kilómetros.
Es una distinción importante para entender qué ofrece realmente el modelo.
La actualización pasa de seis horas a una hora
El otro gran salto está en la frecuencia.
WeatherNext 3 genera previsiones horarias, frente a las actualizaciones de seis horas de su predecesor.
En meteorología, una hora puede ser decisiva.
Una tormenta puede desplazarse decenas de kilómetros en ese intervalo. Un frente puede intensificarse. Una zona de precipitación puede cambiar de trayectoria.
Disponer de una actualización más frecuente permite reducir parte de ese desfase.
La ventaja resulta especialmente interesante para sectores que necesitan reaccionar ante cambios meteorológicos rápidos: emergencias, aviación, agricultura, transporte y energía.
El gran desafío: predecir dónde y cuándo lloverá
La precipitación es uno de los problemas más difíciles de resolver en meteorología.
La lluvia depende de procesos atmosféricos que pueden producirse a escalas muy pequeñas. Las nubes convectivas se forman, evolucionan y desaparecen con rapidez.
Por eso, los modelos meteorológicos pueden tener dificultades para determinar exactamente dónde comenzará a llover, con qué intensidad y durante cuánto tiempo.
WeatherNext 3 intenta mejorar precisamente este punto.
Google ha entrenado el sistema utilizando, entre otros datos, información procedente de IMERG, el sistema de estimación de precipitaciones por satélite de la NASA, y un sistema propio de reanálisis de precipitación basado en radar satelital.
Hasta un 50 % más de precisión: qué significa realmente
Aquí aparece uno de los datos más llamativos del lanzamiento.
Google asegura que WeatherNext 3 puede proporcionar previsiones de precipitación hasta un 50 % más precisas que modelos anteriores en determinadas circunstancias y regiones.
Pero esa cifra necesita contexto.
No significa que todas las predicciones meteorológicas sean ahora un 50 % mejores.
El propio equipo de Google citado por EL PAÍS precisa que se trata de una mejora máxima esperada, no de una media aplicable a todas las situaciones. El resultado depende de la región, del horizonte temporal y de las condiciones meteorológicas.
Google también ha publicado comparaciones utilizando la métrica CRPS —Continuous Ranked Probability Score—, con mejoras de hasta un 60 % frente a IMERG, un 30 % frente a MRMS y un 10 % frente a mediciones de pluviómetros para determinados plazos iniciales.
Son métricas técnicas que no deben traducirse automáticamente en una reducción equivalente del margen de error de cualquier pronóstico que consulte un ciudadano.
Una IA que también mira los satélites
Uno de los elementos más interesantes de WeatherNext 3 es que el sistema utiliza mosaicos de satélite geoestacionario en tiempo real.
Los satélites permiten observar continuamente la evolución de las nubes y otros elementos atmosféricos.
Tradicionalmente, los meteorólogos utilizan esas imágenes para analizar cómo se desplazan los sistemas nubosos y anticipar su evolución.
WeatherNext 3 intenta aprender esa relación de forma automática.
Según Google DeepMind, el sistema combina esos datos con análisis históricos para construir sus predicciones.
La combinación de datos históricos + observaciones actuales + inteligencia artificial constituye una de las principales diferencias respecto a modelos anteriores.
El modelo aprende de décadas de datos meteorológicos
WeatherNext 3 no ha aprendido a predecir el tiempo de la nada.
El entrenamiento se apoya en grandes volúmenes de información atmosférica.
Según los investigadores citados por EL PAÍS, el sistema utiliza alrededor de 25 años de registros de radar de precipitación y entre 10 y 15 años de imágenes de satélites meteorológicos.
El objetivo es que la IA aprenda cómo determinadas configuraciones atmosféricas evolucionan posteriormente.
Es un planteamiento radicalmente distinto al de un sistema que simplemente almacena observaciones.
La máquina busca patrones estadísticos y relaciones entre variables para producir una previsión.
WeatherNext 3 también entra en la carrera por predecir fenómenos extremos
Aquí está una de las cuestiones que más interés suscita en España.
Las danas, las lluvias torrenciales y las inundaciones repentinas representan uno de los mayores desafíos para cualquier sistema de predicción meteorológica.
WeatherNext 3 puede mejorar la predicción de precipitaciones, pero existe una diferencia entre mejorar un pronóstico general y demostrar que un modelo puede anticipar correctamente un episodio extremo.
Y esa prueba todavía está pendiente.
Los propios investigadores de Google citados por EL PAÍS reconocen que todavía no han analizado específicamente el comportamiento de WeatherNext 3 ante precipitaciones extremas como las danas.
Por tanto, sería incorrecto afirmar que la nueva IA ya puede predecir una dana con precisión revolucionaria.
Lo que existe actualmente es una tecnología que podría mejorar la base sobre la que se realizan esas predicciones.
Google trabaja también en la predicción de inundaciones
La compañía no está abordando únicamente la meteorología.
Google Research trabaja paralelamente en sistemas destinados a anticipar inundaciones repentinas.
En marzo presentó Groundsource, una metodología basada en inteligencia artificial que utiliza información pública para construir registros históricos de inundaciones y generar previsiones de inundaciones urbanas con hasta 24 horas de antelación.
WeatherNext 3 puede proporcionar a ese tipo de sistemas mejores predicciones de precipitación.
La combinación podría ser especialmente importante en ciudades y zonas donde una lluvia intensa provoca inundaciones en muy poco tiempo.
España tiene un desafío particular: las danas
Para España, el desarrollo tiene una relevancia especial.
El Mediterráneo occidental es una de las regiones europeas donde las lluvias torrenciales pueden producir episodios de enorme intensidad.
Una predicción más precisa de la precipitación podría ayudar a mejorar la planificación de:
- Protección Civil y servicios de emergencia.
- Gestión de embalses y recursos hídricos.
- Agricultura.
- Transporte.
- Aviación.
- Redes eléctricas.
- Prevención de inundaciones.
- Planificación urbana.
Pero conviene evitar una conclusión excesiva.
WeatherNext 3 no sustituye actualmente a AEMET ni a los sistemas oficiales de alerta meteorológica.
El propio Google recomienda consultar a las agencias meteorológicas nacionales para las previsiones oficiales, las alertas por fenómenos adversos y los avisos de seguridad pública.
AEMET no desaparece del mapa
La irrupción de Google en la meteorología podría generar la impresión de que las grandes tecnológicas están compitiendo directamente con los servicios meteorológicos nacionales.
La realidad es más compleja.
Los propios investigadores de Google citados por EL PAÍS señalan que no pretenden competir con AEMET, sino proporcionar otra herramienta que pueda contribuir a mejorar las predicciones.
AEMET trabaja con modelos meteorológicos europeos y añade sus propios sistemas de postprocesado.
Eso significa que una predicción generada por inteligencia artificial no necesariamente sustituye todo el proceso profesional que termina en una alerta oficial.
La meteorología operativa requiere observación, modelos, especialistas, conocimiento local y sistemas de comunicación de emergencias.
WeatherNext 3 ya está integrado en Google
La nueva tecnología no se ha quedado en los laboratorios.
Google ha integrado WeatherNext 3 en varios de sus productos.
El modelo está disponible a través de:
- Google Search.
- Gemini.
- Google Maps.
- Google Maps Platform.
- Google Earth Engine.
- BigQuery, para determinados usos de datos.
Para el usuario corriente, consultar el tiempo mediante los productos de Google no supone un coste adicional.
Para investigadores, empresas e instituciones existe además acceso a los datos y capacidades de mayor resolución, con costes asociados al volumen de información descargada y al nivel de detalle solicitado.
Hasta 64 escenarios para analizar la incertidumbre
Otra característica relevante es la capacidad del sistema para generar múltiples escenarios meteorológicos.
Google explica que pueden solicitarse hasta 64 escenarios, además de diferentes variables y resoluciones.
Esto resulta importante porque la atmósfera no evoluciona siguiendo una única trayectoria perfectamente predecible.
La predicción meteorológica trabaja precisamente con incertidumbre.
En lugar de asumir que existe una única respuesta, los sistemas probabilísticos pueden estudiar diferentes evoluciones posibles.
Para un profesional de emergencias, esa información puede ser más útil que una única predicción aparentemente exacta.
La energía renovable es otro de los objetivos
WeatherNext 3 no está diseñado exclusivamente para decidir si conviene salir con paraguas.
Google también destaca sus aplicaciones en energía solar y eólica.
El modelo puede trabajar con variables relacionadas con el viento, la nubosidad y la radiación solar.
Google señala que puede ofrecer previsiones de viento a 100 metros de altura, una referencia especialmente relevante para estimar la producción de aerogeneradores.
Una predicción meteorológica más precisa permite estimar mejor cuánta electricidad producirán determinadas instalaciones renovables.
Eso puede ayudar a operadores de red y empresas energéticas a ajustar generación y demanda.
El modelo no utiliza los datos personales de los usuarios para entrenarse
Existe otra cuestión relevante en plena expansión de la inteligencia artificial: la privacidad.
Los investigadores explican que WeatherNext 3 no utiliza los datos personales de los usuarios para entrenar el modelo.
La información meteorológica procede de fuentes atmosféricas y registros empleados para construir y entrenar el sistema.
Es un elemento relevante porque la integración de la IA en productos utilizados diariamente plantea inevitablemente preguntas sobre qué datos alimentan los modelos.
El gran límite sigue siendo la atmósfera
La tecnología puede avanzar enormemente, pero existe una barrera que ninguna campaña de marketing puede eliminar: la atmósfera sigue siendo un sistema complejo y parcialmente impredecible.
Una IA puede aprender patrones extraordinariamente sofisticados.
Puede analizar enormes cantidades de información.
Puede actualizar sus previsiones cada hora.
Puede trabajar con una resolución mucho mayor.
Pero eso no significa que pueda conocer con certeza absoluta qué ocurrirá dentro de varios días.
Google reconoce explícitamente que la atmósfera mantiene un grado de imprevisibilidad.
Por eso la palabra clave no es “certeza”.
Es probabilidad.
WeatherNext 3 no convierte la meteorología en una ciencia exacta
El avance tecnológico es importante, pero conviene evitar el triunfalismo.
Una mejora del 50 % en determinadas previsiones no significa que las tormentas puedan localizarse con precisión absoluta.
Tampoco significa que una dana pueda anticiparse automáticamente con varios días de margen.
Y mucho menos que desaparezca la necesidad de los meteorólogos.
Lo que sí cambia es la cantidad de información disponible y la capacidad de procesarla.
WeatherNext 3 representa un paso importante hacia previsiones meteorológicas más rápidas, locales y actualizadas, pero todavía necesita demostrar su comportamiento ante algunos de los fenómenos más extremos que afectan a España.
La verdadera revolución puede llegar cuando la IA y los servicios meteorológicos trabajen juntos
El escenario más interesante no parece ser el de IA contra meteorólogos.
Es el de IA y meteorólogos trabajando sobre una cantidad de información que hasta hace pocos años habría sido imposible procesar.
Los servicios meteorológicos disponen de conocimiento especializado, redes de observación, modelos físicos y experiencia operativa.
La inteligencia artificial aporta capacidad de procesamiento, reconocimiento de patrones y generación rápida de escenarios.
La combinación de ambos enfoques podría resultar especialmente útil ante inundaciones, tormentas severas, olas de calor y otros fenómenos extremos.
La cuestión será comprobar cuánto mejora realmente la predicción cuando estos sistemas se enfrentan a los casos más difíciles.
Toqueteo
Toqueteo
Toqueteo