Google estrena WeatherNext 3: previsiones de lluvia hasta un 50% más precisas

Consultar si va a llover mañana es de las cosas más repetidas que hacemos con el móvil. Desde el 3 de septiembre, esa respuesta viene de un sistema distinto: Google ha empezado a apoyarse en WeatherNext 3, la nueva generación de su modelo meteorológico basado en inteligencia artificial, dentro de sus servicios con funciones del tiempo. Lo cuenta ADSLZone a partir de la información publicada por la propia compañía.

El cambio es silencioso: no hay que instalar nada ni activar ningún ajuste. Si buscas el tiempo en el buscador, miras la temperatura en Maps o le preguntas a Gemini por el fin de semana, ya estás usando el modelo nuevo.

Qué cambia respecto al modelo anterior

La diferencia más medible está en la frecuencia y en el detalle. La versión previa, WeatherNext 2, trabajaba con ciclos de seis horas y una cuadrícula de 25 kilómetros: es decir, dividía el mapa en celdas de ese tamaño y calculaba un valor para cada una. Todo lo que ocurriera dentro de esa celda —un valle, una sierra, la línea de costa— quedaba promediado.

WeatherNext 3 genera una previsión nueva cada hora y baja la resolución de algunas variables de superficie, como la temperatura y la humedad, hasta los 5 kilómetros. Otras variables superficiales se calculan a 10 kilómetros, mientras que las atmosféricas, como el viento, se mantienen en 25. Google sostiene que el resultado global es cinco veces más detallado que el del modelo anterior.

Ese salto de resolución se nota sobre todo donde el terreno manda: costas, montañas y valles, zonas en las que dos puntos separados por pocos kilómetros pueden tener condiciones muy distintas.

Por qué importa la latencia de los datos

Aquí está la parte técnica interesante. Muchos modelos meteorológicos de IA se alimentan principalmente de los resultados de los modelos numéricos tradicionales, esos que resuelven las ecuaciones físicas de la atmósfera en superordenadores. Siguen siendo la base de la meteorología moderna, pero tienen un inconveniente: llegan con retraso.

WeatherNext 2 podía estar trabajando con datos que arrastraban unas seis horas respecto al estado real de la atmósfera. La novedad es que WeatherNext 3 incorpora directamente mosaicos de satélites geoestacionarios globales actualizados cada hora, lo que le permite refrescar la previsión con esa misma cadencia. Menos desfase entre lo que pasa en el cielo y lo que ves en pantalla.

El 50% de mejora: matices

La cifra que más llama la atención es que las previsiones de precipitación con un día o más de antelación pueden ser hasta un 50% más precisas. Conviene leerla con cuidado: esa mejora se refiere específicamente a la lluvia, no a la temperatura, el viento, la humedad ni al resto de variables. Y es especialmente relevante en regiones donde la predicción meteorológica ha sido históricamente menos fiable, normalmente por falta de estaciones y radares en tierra.

Para conseguirlo, Google entrenó el modelo con datos de precipitación de alta calidad procedentes, entre otras fuentes, del sistema IMERG de la NASA y de una reconstrucción global propia basada en radares y satélites.

No solo para mirar si coges paraguas

El uso más visible es el consumidor, pero el modelo incluye variables pensadas para la industria energética. Puede prever el viento a 100 metros de altura, que es aproximadamente donde trabajan muchos aerogeneradores, y ofrece mayor detalle en radiación solar y cobertura de nubes.

Eso tiene una traducción práctica: anticipar cuánta electricidad podrá producir un parque eólico o una planta solar en las próximas horas ayuda a casar oferta y demanda en la red, algo cada vez más crítico según crece el peso de las renovables. También se apuntan como beneficiarios la agricultura, la aviación, la logística y la respuesta ante emergencias, sectores donde una previsión más ajustada se convierte en decisiones concretas.

Otra pieza del ecosistema de IA de Google

WeatherNext 3 encaja en el movimiento general de Google de meter modelos propios de IA en todos sus productos, desde el buscador hasta el asistente. Es la misma lógica que ya vemos en la dependencia creciente de asistentes como Gemini: cuanto más se integran en tareas cotidianas, menos consciente es el usuario del cambio de motor que hay debajo.

Y también recuerda al coste de infraestructura que hay detrás de todo esto. Entrenar y ejecutar modelos que procesan mosaicos de satélite cada hora exige una capacidad de cálculo considerable, en la línea de la expansión de centros de datos dedicados a la IA que se está produciendo en todo el mundo.

De momento, la mejor forma de comprobar si el cambio se nota es la más aburrida: seguir consultando el tiempo como siempre y ver si las previsiones de lluvia aciertan más de lo que recordabas.