Un equipo del MIT y Microsoft entrena algoritmos para rastrear los fallos crónicos de las simulaciones meteorológicas y rescatar patrones fiables a medio plazo, aunque su eficacia en Europa es modesta
Hasta ahora, los pronósticos meteorológicos solo han sido razonablemente precisos para las próximas dos semanas. Un nuevo modelo de IA podría cambiar esto. / NOAA’s Global Forecast System (GFS).
EDUARDO MARTÍNEZ DE LA FE/T21
Levante-emv.com/Madrid/19 OCT 2026
Predecir el tiempo un sábado concreto a un mes vista sigue siendo un callejón sin salida, porque la meteorología convive desde hace décadas con una frontera teórica conocida como el efecto mariposa: predecir con precisión el tiempo con dos a seis semanas de antelación se considera casi imposible. Pero una arquitectura de aprendizaje automático propio de la Inteligencia Artificial (IA) acaba de demostrar que esa frontera contiene más margen de maniobra del que creíamos.
La trampa que desata el aleteo
Para calcular el tiempo de mañana hace falta medir el de hoy con precisión milimétrica. La atmósfera, sin embargo, se resiste a esa precisión: ninguna red de satélites, boyas o sondeos cubre cada metro cúbico de aire. Siempre quedan huecos, aproximaciones y redondeos numéricos en los datos de partida.
En los años sesenta, el meteorólogo Edward Lorenz comprobó que esos deslices microscópicos crecen de forma exponencial. Dos simulaciones con una milésima de diferencia terminan describiendo mundos atmosféricos opuestos al cabo de unos días: el aleteo de una mariposa puede causar una tormenta semanas después en un lugar completamente alejado.
Efecto mariposa
Nació así el efecto mariposa, la metáfora con la que Lorenz describió cómo los sistemas caóticos escapan a nuestra capacidad de cálculo. Como detalla el Centro Europeo de Previsiones Meteorológicas a Plazo Medio, a partir de las dos semanas, esa discrepancia matemática se vuelve tan grande que intentar adivinar si lloverá un día concreto pierde cualquier rigor científico.
Superada esa barrera temporal, cualquier pronóstico diario pierde rigor. Lo que sí sobrevive son las grandes inercias: corrientes oceánicas, patrones de presión persistentes o la humedad acumulada en el suelo. Es la así llamada ventana subestacional, un territorio donde el propio ECMWF emite pronósticos de tendencias hasta a 46 días, trabajando con probabilidades en lugar de con fechas cerradas.
El aleteo de una mariposa puede causar una tormenta semanas después en un lugar completamente distinto. / Gerd Altmann en Pixabay.
Una máquina que vigila las flaquezas del modelo
En esa franja difusa entre la meteorología diaria y la climatología estacional es donde interviene la nueva técnica desarrollada por investigadores del MIT y Microsoft Research, cuyos resultados publica la revista Nature. Su novedad: renuncia a competir con las ecuaciones de la física. Prefiere corregirlas cuando se descarrían.
Tal como explica un comunicado del MIT, el sistema analiza miles de previsiones históricas y las cruza con los registros reales de lo que terminó sucediendo en tierra y mar. Al comparar ambos mapas, lo que debía haber ocurrido y lo que ocurrió realmente, la red neuronal detecta patrones de desviación sistemáticos: modelos que subestiman la humedad en ciertas latitudes, que enfrían masas de aire más rápido de la cuenta o que pecan de un exceso de certidumbre en sus cálculos.
Corrección probabilística
El método, bautizado como corrección probabilística de sesgos (PBC, por sus siglas en inglés), funciona como un filtro posterior: recibe el pronóstico crudo del superordenador y reajusta la curva de probabilidades. Si un modelo atribuye un 80% de opciones a una ola de frío cuando su historial demuestra que en esas condiciones falla con frecuencia, la herramienta rebaja la euforia estadística y devuelve un escenario probable más pegado a la realidad.
En las pruebas realizadas sobre el sistema de predicción del ECMWF, la técnica duplicó los índices de acierto probabilístico en plazos de dos a seis semanas, mostrando además avances medibles al anticipar anomalías y episodios extremos, como inundaciones, olas de frío o de calor. Al ser de código abierto, cualquier servicio meteorológico puede acoplarlo sin necesidad de adquirir centros de supercomputación adicionales.
El continente que se le resiste al algoritmo
El hallazgo, con todo, no anula la ley del caos. La física atmosférica sigue dominando y los beneficios de esta brecha en la incertidumbre no se reparten de manera uniforme por el mapa terrestre.
En una valoración para el Science Media Centre España, Froila M. Palmeiro, investigadora del Instituto de Geociencias (CSIC-UCM), subraya que la mejora se nota con claridad en la franja tropical, donde las oscilaciones a gran escala son más estables y predecibles, pero resulta todavía modesta en latitudes medias como Europa. En nuestro continente, la interacción entre el chorro polar y las borrascas atlánticas introduce una turbulencia que descoloca tanto a los algoritmos como a las ecuaciones tradicionales.
La mariposa de Lorenz, por tanto, conserva su trono, pero, según los investigadores, este desarrollo demuestra que la correcta aplicación de la IA también puede superar las limitaciones de predicción meteorológica impuestas por la teoría del caos, algo que antes se consideraba prácticamente impensable.
_____________
Referencia
Advancing subseasonal forecasting with machine learning. Hannah Guan et al. Nature (2026). DOI:https://doi.org/10.1038/s41586-026-11126-x
_______
Fuente:
