La temporada de huracanes de 2025 supuso un momento histórico en la maduración para los modelos meteorológicos de IA, que han existido en alguna capacidad desde alrededor de 2022.

La última temporada de huracanes, los modelos de IA no solo demostraron que podían competir con los modelos de consenso corregidos de estándar de oro —la guía en la que más confían los pronosticadores humanos, que combina los mejores modelos de pronóstico basados en física y corrige sus sesgos en tiempo real—, sino que los superaron, incluso por encima de la previsión oficial del Centro Nacional de Huracanes en casi todos los periodos de pronóstico.

WPLG Forecast track skill for the main hurricane track models for the 2025 Atlantic hurricane season relative to climatology and persistence (the “no-skill” benchmark for forecast models). The higher numbers indicate higher skill and more accurate forecasts. The best-performing model in 2025 was Google’s machine learning-based DeepMind (green line). NHC’s official forecast (black line) was the second most-skillful forecast followed by the gold-standard Hurricane Forecast Improvement Program (HFIP) Corrected Consensus Approach (HCCA) model (pink line). Credit: National Hurricane Center

Fue impresionante, no del todo sorprendente, que un modelo de huracán diseñado por IA fuera competitivo en el pronóstico de la trayectoria de huracanes. Fue francamente increíble ver que un modelo de pronóstico de IA superara la previsión oficial de intensidad del Centro Nacional de Huracanes la temporada pasada, como lo hizo DeepMind de Google en la mayoría de los periodos de pronóstico.

WPLG Forecast intensity skill for the main hurricane intensity models for the 2025 Atlantic hurricane season relative to the “no-skill” Decay-SHIFOR5 (Statistical Hurricane Intensity FORecast) benchmark. The higher numbers indicate higher skill and more accurate forecasts. The top intensity forecasts in 2025 for most periods came from Google’s machine learning-based DeepMind (green line), followed by NHC’s official intensity forecast (black line). The least-skillful intensity forecasts were from our global models such as the American GFS (dark blue line) and European model (light blue line). Global forecast models can excel with hurricane track forecasting but don’t capture the fine details necessary for hurricane intensity forecasting. (National Hurricane Center)

Mientras que el pronóstico de trayectoria de huracanes ha logrado avances enormes en los últimos 30 años, el pronóstico de intensidad a menudo ha mostrado estancamiento.

Durante los últimos 15 años, sin embargo, se ha avanzado lentamente en la reducción del error de pronóstico de la intensidad de huracanes y en la detección anticipada de huracanes de rápida intensificación.

Estas mejoras se han atribuido en gran medida a modelos de huracanes de ultra alta resolución que siguen la tormenta —como el HAFS de NOAA y el predecesor HWRF— que capturan mejor los detalles finos del núcleo interno y la compleja interacción entre el aire y el océano, que los meteorólogos consideran necesaria para pronosticar con precisión la intensidad de los huracanes.

La notable hazaña de DeepMind y sus sobresalientes pronósticos de intensidad la última temporada de huracanes fue que no contaba con todos los detalles finos de nuestros modelos tradicionales de huracanes basados en física y alta resolución.

Simplemente toma una instantánea del estado actual de la atmósfera tal como lo evalúa el sistema de predicción meteorológica global de alta resolución del Centro Europeo —conocido como el Sistema de Pronóstico Integrado (IFS, por sus siglas en inglés)—, lo único que supuestamente conoce sobre el estado de la atmósfera, y luego realiza un pronóstico basándose únicamente en los datos con los que fue entrenado, que incluyen datos históricos del clima que se remontan a 1940 (provenientes de la quinta generación del reanálisis atmosférico global del clima del Centro Europeo, o ERA5) y datos globales unificados de trayectorias de huracanes (del Archivo Internacional de Mejor Trayectoria para la Estación del Clima, o IBTrACS).

Eso es todo.

La belleza está en la simplicidad de la IA, y los pronósticos de IA se realizan en una fracción del tiempo y con mucho menos poder de cómputo que el requerido por los modelos meteorológicos convencionales basados en física, modelos que utilizan algunos de los supercomputadores más potentes y costosos del mundo.

Una vez que el modelo de IA está entrenado, puede realizar un pronóstico en minutos usando una computadora portátil estándar, mientras que los modelos tradicionales basados en física tardan horas en producir un pronóstico completo en bancos de supercomputadoras masivas tipo mainframe, almacenadas en grandes salas de servidores alrededor del país.

Por lo tanto, a diferencia de lo que pensamos sobre otros tipos de tareas relacionadas con la IA, que a menudo requieren centros de datos de IA masivos y consumidores de mucha energía, además de grandes cantidades de agua para la refrigeración continua, los modelos meteorológicos de IA en realidad tienen el potencial de optimizar y hacer más eficiente en costos el pronóstico del tiempo. De hecho, la NOAA estima que la versión de IA de su modelo global de pronóstico utiliza apenas el 0,3% de los recursos computacionales en comparación con su versión basada en física.

Si los modelos meteorológicos de IA pueden demostrar ser tan precisos o más que los modelos tradicionales de pronóstico, como lo está haciendo Google DeepMind en el ámbito de los huracanes, estamos ante pronósticos significativamente más baratos y rápidos en el futuro.

Aprendizaje automático versus otros tipos de IA

La inteligencia artificial o IA es un término paraguas utilizado hoy en día para muchas tecnologías nuevas diferentes. Sin embargo, es importante distinguir qué subgrupo de IA están utilizando los nuevos modelos meteorológicos, en comparación con el tipo de tecnología de IA más accesible al público a través de los chatbots.

Los nuevos modelos meteorológicos de IA no son modelos de lenguaje grandes (LLM, por sus siglas en inglés) que simplemente imitan patrones del habla o del texto humano. Tampoco son IA generativa que producen imágenes o videos a partir de instrucciones del usuario. Estos son los tipos de IA más accesibles y conocidos que se encuentran en plataformas como ChatGPT de OpenAI, Google Gemini y Claude de Anthropic.

En cambio, los modelos meteorológicos de IA son un tipo de subcampo de aprendizaje automático profundo basado en IA que utiliza redes neuronales complejas para imitar de manera efectiva cómo el cerebro humano procesa la información. Esto hace que estos modelos se comporten de forma similar a cómo un humano podría pronosticar el tiempo, basándose en el reconocimiento de patrones a partir de su comprensión del clima histórico. Pero en el caso de la IA, los modelos son entrenados con petabytes de datos que abarcan más de un siglo o más, más datos de los que la mayoría de nosotros podría comprender de manera integral en pronósticos rutinarios.

Estos modelos avanzados de aprendizaje automático para el clima están muy lejos de la “IA basura” que a menudo vemos circular en los rincones oscuros de las redes sociales e internet.

No todos los modelos meteorológicos de IA son iguales

Por el momento, Google DeepMind tiene prácticamente dominado el mercado de modelos de pronóstico de huracanes. Mientras DeepMind superó ampliamente a todos los demás modelos en 2025, no se puede decir lo mismo de otros nuevos participantes en IA.

Por ejemplo, el Centro Europeo, que opera el famoso modelo Euro —el principal modelo global de pronóstico meteorológico basado en física del mundo— también tiene una versión basada en IA que se utilizó la última temporada de huracanes. Aunque tuvo un desempeño excepcional en los pronósticos de trayectoria de huracanes —mejor que el Euro convencional basado en física—, fue un fracaso total en los pronósticos de intensidad de huracanes, básicamente sin mostrar ninguna capacidad útil.

WPLG Caption: Track error from assorted hurricane models across the Atlantic and Pacific basins last hurricane season. Both Google DeepMind (GDMI red line above) and the European Centre’s AI weather model (AIFI gold line above) had lower track errors than even the National Hurricane Center’s official forecast (black line). (James Franklin/Mark DeMaria/NOAA)

WPLG Intensity error from assorted hurricane models across the Atlantic and Pacific basins last hurricane season. While Google DeepMind (GDMI red line above) had extremely low track error comparable to NHC’s official track (black line), the European Centre’s AI weather model (AIFI gold line above) exhibited no skill relative to the OCD5 “no-skill” baseline. (Credit: James Franklin/Mark DeMaria/NOAA)

Una de las principales razones del bajo desempeño del modelo europeo basado en IA en los pronósticos de intensidad es su dependencia de datos de reanálisis de baja resolución de ERA5, que tienden a minimizar el error y, con frecuencia, debilitan los huracanes demasiado rápido, lo que resulta en un sesgo importante hacia intensidades más bajas.

Google DeepMind evita este problema al incorporar intensidades históricas de huracanes en su conjunto de datos de entrenamiento, de modo que los vientos máximos actúan como puntos adicionales de la malla del modelo.

Presumiblemente, otros modelos de IA eventualmente alcanzarán el enfoque de Google DeepMind, pero en lo que respecta al pronóstico de intensidad, DeepMind es el campeón de la IA.

¿Qué hay de nuevo con los modelos de IA para la temporada de huracanes de 2026?

Google tiene varias nuevas funciones y mejoras disponibles en DeepMind para esta temporada de huracanes. Quizás el cambio más importante es que DeepMind ahora ofrece hasta 1,000 miembros de ensamble, en comparación con un máximo de 50 miembros de ensamble la temporada pasada.

Aún no está claro en qué medida los ensambles más grandes podrían ayudar, pero la idea es que permitirán detectar mejor los eventos atípicos (eventos de baja probabilidad que también pueden implicar impactos de alto riesgo).

Además, con la incorporación de ensambles de 1,000 miembros, Google y la NOAA están experimentando con su integración en los pronósticos de probabilidad de viento que actualmente utilizan un modelo Monte Carlo de 1,000 miembros para simular escenarios de tormentas.

También es posible que el mayor conjunto de ensambles mejore la detección de la rápida intensificación de huracanes, algo en lo que el ensamble de 50 miembros de Google DeepMind ya ayudó en escalas de tiempo más largas la temporada pasada.

WPLG Brier skill score for various probabilistic rapid intensification models for last hurricane season across both the Atlantic and eastern North Pacific basins. Higher values indicate higher skill and more accurate forecasts. Google DeepMind’s ensemble system was the best performing model for predicting rapid intensification at long lead times (2-3 days out), but struggled at short lead times. It’s worth noting that DeepMind updated its AI tracker in September, which may have affected these verification numbers. (Mark DeMaria/NOAA)

También vale la pena señalar que los equipos de Google actualizaron su rastreador de huracanes con IA el pasado septiembre, lo que aparentemente mejoró los pronósticos de DeepMind antes del huracán Melissa el pasado octubre.

Como escribí hacia el final de la última temporada de huracanes, el GFS estadounidense tuvo un año especialmente malo en los pronósticos de huracanes, su peor desempeño en más de dos décadas. Gran parte de ese error puede atribuirse a sus pronósticos especialmente deficientes para el huracán Melissa, el huracán más impactante de la última temporada, que el GFS mostró de forma incorrecta recurvando demasiado rápido antes de llegar a Jamaica.

WPLG American GFS model track errors for the 2025 Atlantic hurricane season including Hurricane Melissa (black bars) and excluding Hurricane Melissa (red bars). Hurricane Melissa increased the GFS’s Atlantic basin track errors by roughly 20-30% in the 4 to 7 day window. Credit: NOAA/EMC

NOAA está planeando lanzar una actualización de su modelo GFS (de la versión 16 a la versión 17) en octubre, la cual, según la agencia, muestra mejoras en el pronóstico de trayectoria de ciclones tropicales.

Además, la versión de IA del sistema de ensamble del GFS estadounidense (conocida como AI-GEFS) ha mostrado un potencial considerable para mejorar los pronósticos de huracanes en comparación con el GFS convencional basado en física, el cual será evaluado por el NHC durante esta temporada de huracanes.

¿Está escrito el futuro para los modelos convencionales y los pronosticadores humanos?

Aunque la nueva era del pronóstico de huracanes dependerá cada vez más de modelos de IA por su velocidad, eficiencia y precisión, no se espera que los modelos convencionales basados en física desaparezcan pronto.

Esos modelos son los que entrenan a los modelos de IA, por lo que ambos seguirán trabajando de la mano, incluso si los pronósticos de IA superan a sus contrapartes basadas en física.

Y en cuanto al lado humano del pronóstico, comprender los sesgos de los modelos, detectar cambios rápidos en la intensidad u organización de los huracanes, recopilar y controlar la calidad de los datos en tiempo real usados para entrenar y mejorar los modelos de IA, diseñar productos y herramientas de apoyo a la decisión alrededor de la IA, y comunicar las complejidades del pronóstico mantendrán a los humanos como una parte vital de los pronósticos futuros, incluso y especialmente con la incorporación de la IA.

Los modelos meteorológicos de IA revolucionan el pronóstico de huracanes

Las actualizaciones de los modelos de predicción basados en IA previstas para 2026 pretenden aprovechar logros de la última temporada de huracanes

About The Author

Michael Lowry