Microsoft presenta herramienta de aprendizaje automático para mejorar la precisión de pronósticos meteorológicos a mediano plazo

Image: Illustrative image · Logos of the Nokia Corporation and that of Windows Phone 8 by the Microsoft Corporation. · Public domain · Source

Microsoft desarrolló un método de aprendizaje automático para mejorar los pronósticos meteorológicos de dos a seis semanas, corrigiendo sesgos en modelos existentes para apoyar la planificación agrícola y la respuesta ante emergencias.

Investigadores de Microsoft han introducido una novedosa técnica de aprendizaje automático destinada a mejorar la precisión de los pronósticos meteorológicos a mediano plazo, abordando una limitación histórica en los métodos tradicionales y basados en inteligencia artificial. Publicada en la revista Nature, esta herramienta rentable —denominada Corrección Probabilística de Sesgos (PBC)— está diseñada para mejorar predicciones meteorológicas de dos a seis semanas de anticipación, un lapso en el que la fiabilidad del pronóstico generalmente disminuye.

A diferencia de los modelos convencionales basados en física que simulan la física atmosférica de la Tierra o de los modelos de IA que predicen basándose en patrones históricos de datos meteorológicos, ambos enfrentan desafíos debido a aproximaciones usadas para llenar vacíos de datos. Estas aproximaciones pueden introducir sesgos sistemáticos, que se acumulan durante períodos largos de pronóstico y reducen la precisión. Por ejemplo, cambios climáticos como el calentamiento global pueden provocar que modelos basados en datos históricos subestimen las temperaturas actuales.

El PBC de Microsoft utiliza aprendizaje automático para identificar y corregir estos sesgos sistemáticos en los modelos existentes. Ha sido probado en el principal modelo basado en física del Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF), mejorando la precisión de los pronósticos de precipitación en el 98 % de los casos y las predicciones de temperatura en el 92 %. Además, el PBC duplicó la precisión del nuevo sistema de pronóstico de IA del ECMWF durante los análisis del estudio. Esta investigación fue reconocida por el ECMWF mediante su competencia AI Weather Quest.

Para el funcionamiento, el PBC es computacionalmente eficiente, capaz de ejecutarse en CPUs sin necesidad de supercomputadoras o GPUs de alto consumo energético, lo que lo hace accesible para agencias meteorológicas con recursos limitados —particularmente en regiones económicamente en desarrollo. Los investigadores destacan que su arquitectura ligera permite a científicos alrededor del mundo adaptar la herramienta para mejorar predicciones meteorológicas localizadas.

Genevieve Flaspohler, autora del estudio y directora ejecutiva de Rhiza Research, colabora actualmente con la Autoridad del Servicio Meteorológico de Kenia, con financiación de la Fundación Gates, para implementar sistemas de alerta temprana impulsados por IA ante una anticipada temporada de lluvias más extrema vinculada a El Niño. El método PBC forma parte de esta iniciativa para ofrecer pronósticos más precisos y oportunos que beneficien a agricultores y equipos de emergencia.

Si bien es prometedor, expertos advierten que el despliegue operativo de nuevos métodos de pronóstico basados en IA sigue siendo complejo, pero el enfoque de Microsoft representa un paso significativo hacia una predicción meteorológica a mediano plazo más fiable y un acceso más amplio a tecnología avanzada de pronóstico.