Predecir el tiempo no consiste solo en saber si mañana lloverá. Una diferencia de pocas horas o de varios kilómetros puede cambiar la gestión de una tormenta, una cosecha, una ruta aérea o la producción de un parque eólico. Google DeepMind y Google Research quieren reducir esa incertidumbre con WeatherNext 3, un modelo de inteligencia artificial que incorpora observaciones satelitales recientes y genera nuevas previsiones globales cada hora.
Presentado el 3 de septiembre de 2026, WeatherNext 3 mejora la frecuencia y el detalle de la generación anterior. Sin embargo, la frase «resolución de 5 kilómetros» necesita contexto: ese nivel se aplica a salidas concretas de temperatura y punto de rocío entrenadas con estaciones; otras variables de superficie se publican aproximadamente a 10 kilómetros y las capas atmosféricas, a 25 kilómetros.
El avance tampoco convierte a una aplicación comercial en una autoridad meteorológica. Google clasifica el sistema como experimental y recomienda acudir a los servicios oficiales ante fenómenos peligrosos. Su verdadera importancia está en otro lugar: acerca los modelos de IA a las observaciones reales, reduce la antigüedad de parte de los datos iniciales y ofrece una infraestructura operativa que investigadores y empresas pueden consultar.
Qué es WeatherNext 3
WeatherNext 3 es un modelo probabilístico de predicción meteorológica global. En lugar de producir una única trayectoria futura, genera un conjunto de posibilidades —un ensemble— para representar la incertidumbre. Sus ciclos principales ofrecen previsiones de hasta 15 días con 64 miembros, mientras las inicializaciones intermedias de cada hora cubren las 48 horas siguientes.
La documentación técnica de WeatherNext 3 describe una arquitectura de tipo Functional Generative Network con un transformador sobre una malla global. El sistema combina análisis atmosféricos de ECMWF con mosaicos de satélites geoestacionarios, mediciones de estaciones, datos de precipitación y registros de ciclones tropicales.
No es un chatbot que responda preguntas sobre el clima. Es el motor que produce campos meteorológicos: temperatura, humedad, viento, presión, nubosidad, radiación solar y precipitación, entre otras variables. Después, esos datos pueden alimentar mapas, aplicaciones, análisis científicos o sistemas de apoyo a decisiones.
El cambio decisivo: observaciones casi en tiempo real
Satélites que refrescan el estado de la atmósfera
Muchos modelos meteorológicos de IA se entrenan e inicializan con reanálisis: reconstrucciones ordenadas del estado de la atmósfera creadas al combinar observaciones y modelos físicos. Son una base muy valiosa, pero llegan con retraso y pueden transmitir sus propios sesgos al sistema que aprende de ellas.
Según el artículo científico de WeatherNext 3, el modelo recibe las doce imágenes más recientes de un mosaico geoestacionario de once canales. La observación más nueva tiene una latencia inferior a una hora, al menos cinco horas menos que el análisis atmosférico disponible en el ejemplo operativo descrito por los autores. Así, el modelo puede incorporar la evolución reciente de nubes, vapor de agua y temperatura antes de iniciar una nueva previsión.
Esto importa especialmente cuando aparece con rapidez un frente, una línea de tormentas o una zona de lluvia intensa. No elimina la incertidumbre, pero reduce el tiempo durante el cual el pronóstico trabaja con una imagen desactualizada de la atmósfera.
Estaciones meteorológicas para acercarse al terreno
El sistema también aprende directamente de observaciones de estaciones, barcos y boyas. Una cabeza especializada estima temperatura y punto de rocío teniendo en cuenta coordenadas, elevación y si el punto está en tierra o en el mar. En las pruebas del equipo, el modelo generalizó a estaciones reservadas que no había utilizado durante el entrenamiento.
La cobertura de estaciones no es uniforme. El propio trabajo reconoce sesgos en regiones poco observadas y fuera de la distribución habitual, como zonas de los Andes, el Himalaya y algunos océanos de latitudes altas. Los autores añadieron ubicaciones sintéticas basadas en análisis meteorológicos para reducir ese problema. Es una corrección útil, pero también recuerda que una predicción global depende de una red de observación mundial desigual.
Una previsión global en varias resoluciones
La resolución no es un único número. WeatherNext 3 trabaja con varias escalas en una sola arquitectura:
- Unos 5 kilómetros: temperatura y punto de rocío mediante la salida calibrada con estaciones.
- Unos 10 kilómetros: variables de superficie como viento, presión, nubosidad, radiación solar y precipitación horaria.
- Unos 25 kilómetros: variables atmosféricas en trece niveles de presión, disponibles en los ciclos principales de seis horas.
WeatherNext 2 operaba principalmente sobre una cuadrícula de 25 kilómetros y pasos de seis horas. Por eso Google resume la nueva versión como una imagen global «cinco veces más nítida». Esa comparación es válida para la dimensión lineal de las salidas de 5 kilómetros, no para todas las variables ni para cada horizonte. El detalle real que recibe un usuario depende del producto consultado.
Cómo funciona el modelo sin sustituir toda la física
WeatherNext 3 codifica cada fuente a su resolución natural, procesa la información en una malla común y vuelve a decodificarla en los distintos formatos de salida. Eso evita forzar desde el principio todos los datos a una misma cuadrícula. El modelo aprende relaciones entre escalas: una estructura atmosférica amplia puede influir en una variable de superficie más localizada.
Aunque la IA ocupa el centro del sistema, no trabaja aislada de la meteorología numérica. Entre sus entradas figuran análisis HRES de ECMWF, que proceden de modelos físicos y asimilación de observaciones. La novedad es que añade imágenes satelitales recientes y aprende salidas observacionales específicas, acercando en una sola tubería etapas que antes se trataban por separado: análisis, predicción y posprocesado.
Para representar la incertidumbre, el sistema introduce variaciones controladas y produce 64 miembros. Si muchos convergen en un escenario, la señal es más consistente; si se separan, el rango de posibilidades aumenta. Aun así, un ensemble bien calibrado no garantiza que incluya todos los eventos extremos posibles.
Qué mejora realmente frente a WeatherNext 2
Más frecuencia y más detalle local
La mejora más fácil de interpretar es operacional: hay una nueva inicialización cada hora. Los cuatro ciclos de las 00, 06, 12 y 18 UTC llegan hasta 15 días; las veinte ejecuciones intermedias se concentran en las primeras 48 horas. Esa distinción evita creer que cada hora se recalculan quince días completos con todas las variables.
También aumenta el detalle de superficie. El modelo puede representar mejor contrastes asociados a costas, valles y montañas que una cuadrícula de 25 kilómetros tiende a suavizar. Esto no equivale a una predicción exacta para cada calle: cinco o diez kilómetros siguen siendo una escala amplia para tormentas muy locales.
La lluvia, el desafío más difícil
La precipitación cambia con rapidez y depende de procesos que pueden ser mucho menores que una cuadrícula global. Para entrenar esa parte, el proyecto utiliza el producto IMERG de NASA y una reconstrucción experimental basada en radar satelital, además de datos convencionales.
El anuncio oficial de Google informa de mejoras de hasta el 60 % en CRPS frente a referencias basadas en IMERG, del 30 % frente a MRMS y del 10 % frente a pluviómetros en plazos iniciales. Son máximos obtenidos bajo evaluaciones y referencias diferentes, no un porcentaje universal de «acierto del tiempo». La documentación del producto resume reducciones de hasta el 50 % en Brier score y CRPS frente a modelos numéricos al comparar con IMERG.
El dato útil no es escoger el porcentaje más alto, sino observar la tendencia: entrenar contra lluvia medida por varios sistemas parece reducir parte del aspecto difuso de las previsiones globales. Harán falta evaluaciones continuas, estaciones y radares independientes para saber dónde se mantiene esa ventaja.
Aplicaciones: emergencias, agricultura, transporte y energía
Una actualización horaria puede dar contexto adicional a equipos que siguen tormentas, cambios de viento o lluvias repentinas. En agricultura, una mejor estimación de temperatura, humedad y precipitación ayuda a planificar riego, tratamientos y cosecha. Aviación, logística y aseguradoras pueden incorporar escenarios probabilísticos a sus decisiones, siempre junto con fuentes oficiales y procedimientos propios.
La energía renovable tiene variables diseñadas expresamente para ella. WeatherNext 3 predice el viento a 100 metros, una altura cercana a la de las turbinas, y ofrece nubosidad y componentes de radiación solar. Una red eléctrica puede comparar esos escenarios con la demanda esperada para anticipar cuánto producirán parques eólicos y solares.
El enfoque forma parte de una tendencia más amplia: modelos científicos que combinan capas de sensores para convertir grandes archivos de observación en herramientas especializadas. El reciente modelo lunar de NASA e IBM persigue una idea relacionada en otro dominio, aunque sus datos, arquitectura y objetivos son distintos.
Dónde está disponible WeatherNext 3
Google ha comenzado a incorporar sus predicciones en Search, Gemini, Maps, Google Maps Platform y Earth Engine. Para investigación y desarrollo, los datos operativos e históricos se ofrecen mediante BigQuery, Earth Engine y Google Cloud Storage. El acceso a los conjuntos en tiempo real requiere solicitar una autorización; la guía oficial de acceso indica que no es imprescindible tener un contrato de pago previo con Google Cloud.
Los datos recientes y futuros se rigen por términos experimentales específicos. Cuando pasan a ser históricos —una hora o más después del momento al que se refieren— adoptan licencia CC BY 4.0. Esto facilita investigación, validación y combinación con información agrícola, energética o logística, pero no significa que todo el modelo operativo y su entrenamiento se hayan liberado como código abierto.
Los límites: una IA meteorológica no es una alerta oficial
La atmósfera es caótica: pequeñas diferencias iniciales pueden crecer con el tiempo. También existen fenómenos más pequeños que la cuadrícula, regiones con pocas observaciones y cambios climáticos que alteran patrones históricos. Un modelo puede mejorar el promedio de una métrica y aun fallar en el episodio concreto que afecta a una población.
Google especifica que WeatherNext 3 es experimental, se ofrece con fines informativos y no constituye un aviso de emergencia. En España, ante lluvias intensas, calor extremo, viento o riesgo para personas y bienes, deben prevalecer los avisos de AEMET y las indicaciones de Protección Civil.
Hay otro límite editorial importante: los resultados detallados proceden principalmente del equipo que construyó el sistema. Google cita el seguimiento independiente de Operational WeatherBench, pero el rendimiento puede variar por región, estación, variable, plazo y evento. Una comparación responsable necesita series completas y no solo el mejor caso de una gráfica.
Qué puede cambiar para la meteorología y el trabajo humano
La IA reduce el coste de generar muchos escenarios y permite actualizar productos con mayor frecuencia. Eso puede ampliar la previsión de alta resolución en regiones que no disponen de suficientes recursos para ejecutar modelos regionales complejos. También puede acelerar análisis que hoy requieren descargar, limpiar y armonizar fuentes distintas.
El papel de los meteorólogos no desaparece. Se desplaza hacia verificar sesgos, comparar modelos, interpretar incertidumbre local y comunicar riesgos. Cuando una decisión afecta a vidas, infraestructuras o grandes inversiones, el conocimiento del terreno y la responsabilidad institucional siguen siendo esenciales. La automatización aumenta la cantidad de información; no asigna por sí sola la responsabilidad de actuar.
Hechos, hipótesis y predicciones
Hechos confirmados
- WeatherNext 3 está operativo y genera inicializaciones globales cada hora.
- Combina análisis atmosféricos con satélites geoestacionarios, estaciones y productos de precipitación.
- Ofrece salidas a unos 5, 10 y 25 kilómetros según la variable, no una resolución única para todo.
- Los ciclos principales llegan a 15 días; las ejecuciones horarias intermedias cubren 48 horas.
- Sus datos pueden consultarse en productos de Google y plataformas geoespaciales, bajo condiciones de acceso y licencia diferentes.
Hipótesis razonables
Es razonable pensar que la incorporación rápida de satélites será especialmente útil al inicio de episodios que evolucionan deprisa. También es plausible que las salidas entrenadas con estaciones mejoren productos locales en muchas zonas. Pero el beneficio exacto deberá medirse país por país y situación por situación.
Predicciones a medio plazo
Durante los próximos años probablemente veremos sistemas híbridos: modelos físicos, IA global, modelos regionales y observaciones en directo compitiendo y cooperando dentro de una misma cadena. Las aplicaciones mostrarán pronósticos más frecuentes y personalizados, mientras reguladores y servicios meteorológicos exigirán trazabilidad, validación local y formas claras de comunicar la incertidumbre.
Conclusión: más detalle no significa certeza absoluta
WeatherNext 3 acerca la predicción meteorológica con IA a las condiciones que se observan sobre el terreno. Sus satélites recientes, actualizaciones horarias, salidas multirresolución y variables para lluvia y energía representan un avance práctico frente a la generación anterior.
La prueba decisiva será mantener esa mejora ante estaciones, regiones y fenómenos que no favorezcan al modelo. Mientras tanto, su lugar adecuado es el de una nueva fuente potente dentro de un sistema de vigilancia más amplio: útil para anticipar escenarios, insuficiente para sustituir los avisos oficiales o la decisión experta.