La IA WeatherNext de DeepMind predijo el huracán Melissa con cinco días de antelación

El modelo de IA WeatherNext de Google DeepMind y Google Research predijo la llegada a tierra del huracán Melissa en Jamaica con cinco días de antelación y un 80 % de confianza. En octubre de 2025, el modelo pronosticó que un sistema de tormentas del mar Caribe azotaría Jamaica como un huracán de categoría 5, según un artículo publicado el jueves en Nature. El avance aborda un desafío central de los modelos meteorológicos de IA: entrenar sistemas para predecir fenómenos extremos poco frecuentes con datos limitados sobre ciclones, aprovechando al mismo tiempo conjuntos de datos meteorológicos más amplios.

El huracán Melissa causó inundaciones catastróficas y deslizamientos de tierra en Jamaica. El modelo de IA ayudó a los meteorólogos a emitir advertencias más tempranas a las comunidades situadas en la trayectoria de la tormenta para que pudieran prepararse mejor.

WeatherNext predijo el huracán Melissa cinco días antes de su llegada a tierra en Jamaica

En octubre de 2025, los modelos meteorológicos diferían sobre la trayectoria de una tormenta en el mar Caribe. Los pronósticos tradicionales debatían si el sistema seguiría siendo débil y llegaría a Haití o si se intensificaría hacia Jamaica. WeatherNext predijo, con un 80 % de confianza, que la tormenta azotaría Jamaica como un huracán de categoría 5 cinco días antes de su llegada a tierra.

Mike Brennan, director del Centro Nacional de Huracanes de EE. UU., declaró que «incluso unas pocas horas pueden marcar la diferencia». Organizar evacuaciones, preparar suministros y trasladar recursos para responder al riesgo de un huracán son tareas que requieren actuar con rapidez. «El tiempo es realmente oro cuando se trata de ese tipo de decisiones, por lo que poder ampliar la precisión de los pronósticos hasta un día más de lo que habíamos podido hacer anteriormente es realmente valioso», afirmó Brennan.

El modelo proporciona un día adicional de antelación frente a los sistemas existentes

Los investigadores demostraron en el artículo de Nature que WeatherNext predice ciclones con una precisión sin precedentes. En promedio, el modelo proporciona a los meteorólogos un día más de antelación que los modelos existentes. Las predicciones del modelo con tres días de antelación igualan la precisión de las predicciones de los modelos anteriores con dos días de antelación.

Históricamente, ampliar en un día el plazo de los pronósticos requería una década de trabajo, según los investigadores.

El enfoque de entrenamiento combina datos meteorológicos generales y datos sobre ciclones

Modelizar fenómenos extremos plantea desafíos para los sistemas de IA. El aprendizaje automático requiere abundantes datos de entrenamiento para realizar predicciones futuras, pero los fenómenos extremos son poco frecuentes. «No tenemos tantos datos sobre ciclones, pero tenemos muchos datos meteorológicos», afirmó Ferran Alet, científico investigador de Google DeepMind y uno de los autores principales del artículo. «Así que lo que hicimos fue entrenar un modelo que fuera bueno tanto en meteorología como en ciclones».

Preguntas frecuentes

¿Con cuánta antelación predijo WeatherNext la llegada a tierra del huracán Melissa en Jamaica?

WeatherNext predijo que el huracán Melissa azotaría Jamaica como un huracán de categoría 5 cinco días antes de su llegada a tierra, con un 80 % de confianza, en octubre de 2025.

¿Cuánto tiempo adicional de antelación proporciona WeatherNext en comparación con los modelos existentes de pronóstico de huracanes?

WeatherNext proporciona, en promedio, un día más de antelación que los modelos existentes. Sus predicciones con tres días de antelación son tan precisas como las predicciones de los modelos anteriores con dos días de antelación, según el artículo de Nature publicado el jueves.

¿Cómo entrenó Google DeepMind a WeatherNext para predecir fenómenos ciclónicos poco frecuentes?

Los investigadores entrenaron el modelo utilizando tanto datos meteorológicos generales como datos sobre ciclones. Ferran Alet, científico investigador de Google DeepMind, explicó que el enfoque aborda el desafío de contar con datos de entrenamiento limitados sobre ciclones al aprovechar conjuntos de datos meteorológicos más amplios.