¿Qué es el machine learning meteorológico?
Es la aplicación de algoritmos de aprendizaje automático para predecir el tiempo. En lugar de resolver ecuaciones físicas, estos modelos aprenden patrones de datos históricos (reanálisis ERA5) y generan predicciones directamente.
¿Cómo funciona?
Modelos como GraphCast (Google DeepMind), Pangu-Weather (Huawei), GenCast y FourCastNet usan redes neuronales entrenadas con décadas de datos de reanálisis (ERA5). Dado el estado actual de la atmósfera, predicen el estado futuro en segundos (vs. horas de un modelo numérico), aunque requieren una GPU potente.
¿Por qué es importante?
En 2023-2024, estos modelos demostraron habilidad comparable al ECMWF para muchas variables a escala sinóptica. Sus ventajas: velocidad (1000x más rápido), coste computacional menor, capacidad de generar ensambles grandes rápidamente. Sus limitaciones: peor en fenómenos extremos, dependientes de datos de entrenamiento, menor interpretabilidad.
Ejemplos prácticos
- GraphCast: predicción global a 0,25° en 1 minuto (vs. 1 hora de ECMWF). Supera al HRES en más del 90 % de las variables a 5-10 días.
- GenCast: modelo generativo que produce ensambles probabilísticos, superando al ENS de ECMWF en muchas métricas.
- Limitaciones: peor con fenómenos extremos sin precedentes y con precipitación convectiva. Son complementarios, no sustitutos (aún) de modelos físicos.
WikiMeteo