Qué pasó
- El 14 de octubre de 2026, Nature publicó «Advancing subseasonal forecasting with machine learning», de Guan y colaboradores; la revista la destacó en una nota el 21 de octubre.
- El trabajo presenta la corrección probabilística de sesgo, un marco de aprendizaje automático que aprende a corregir pronósticos probabilísticos anteriores.
- Aplicado a los modelos líderes del Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF), duplica la habilidad subestacional de su sistema de pronóstico con IA y mejora el modelo dinámico corregido en 91% de los objetivos de presión, 92% de temperatura y 98% de precipitación.
- En la competencia de pronóstico en tiempo real de ECMWF de 2025, sus pronósticos globales superaron en todas las variables y plazos a los de seis centros operativos y a 34 equipos.
Por qué importa
- Entre las 2 y las 6 semanas los modelos pierden habilidad por errores acumulados y por el carácter caótico de la atmósfera. Es el rango donde se decide cuándo sembrar, cuánta agua guardar o cuánta energía reservar.
- La mejora no viene de un modelo nuevo sino de corregir los existentes. Eso baja el costo de adopción: un servicio meteorológico puede aplicarla sobre el sistema que ya tiene.
- Para la agricultura y las hidroeléctricas del centro y sur de Chile, que planifican con meses de antelación y dependen de la temporada de lluvias, un pronóstico subestacional más confiable es un insumo directo. El artículo no evalúa Sudamérica por separado.
El dato
98%. Proporción de objetivos de precipitación en que el método mejora el modelo dinámico corregido de ECMWF.
Contexto
Los pronósticos ya tienen una precisión alta hasta dos semanas, gracias a los modelos físicos y a los de IA. El artículo diseñó el método para operar en producción y lo probó en la competencia de ECMWF de 2025. Los autores sostienen que puede mejorar la planificación agrícola, la gestión de energía y la preparación ante desastres en comunidades vulnerables.
Qué viene
- Los autores plantean el despliegue operativo; el resumen no fija fechas ni servicios que lo adoptarán.
- Falta ver su desempeño en América del Sur.
Cierre
El clima se mide con más datos y más cómputo, y eso tiene costo: Massachusetts pide energía limpia propia a los centros de datos. Mientras, el hielo marino antártico llegó a 17,59 millones de km² en 2026, tercera cifra baja.
Fuentes
- Nature — Advancing subseasonal forecasting with machine learning (publicado el 14 de octubre de 2026)
- Nature — An AI tool improves weather forecasts up to a month ahead (resumen de la revista, 21 de octubre de 2026)
- Imagen de portada: NASA Goddard Space Flight Center from Greenbelt, MD, USA, Public domain, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
.jpg){kind=link}