Un equipo de Microsoft Research y el Instituto Tecnológico de Massachusetts (MIT) presentó una herramienta de inteligencia artificial que corrige errores recurrentes de los modelos meteorológicos y elevó su rendimiento en pronósticos emitidos con entre dos y seis semanas de anticipación. El estudio fue publicado el 14 de octubre en la revista Nature.
La propuesta, denominada corrección probabilística de sesgos o PBC por su sigla en inglés, no reemplaza los sistemas que ya emplean los servicios meteorológicos. Funciona como una capa posterior que revisa sus fallos históricos y ajusta la probabilidad asignada a cada escenario posible.
Las previsiones de este rango, conocidas como subestacionales, cubren un período decisivo para planificar siembras, administrar redes eléctricas o activar protocolos ante inundaciones, olas de frío y otros eventos extremos. Sin embargo, su fiabilidad suele disminuir a partir de las dos semanas, cuando las pequeñas imprecisiones iniciales se amplifican.
El sistema ajusta probabilidades en lugar de crear un modelo desde cero
La herramienta analiza los pronósticos previos de un modelo y los contrasta con las condiciones que finalmente ocurrieron. Con esa información, identifica sesgos que se repiten según el sitio, la época del año y la variable analizada, como temperatura, precipitación o presión atmosférica.
El sistema combina dos mecanismos. Uno corrige errores sistemáticos de cada modelo para una ubicación y fecha determinadas. El otro incorpora observaciones recientes y patrones estacionales para considerar la evolución inmediata de la atmósfera.
“Conforme se dispone de más previsiones y datos, nuestro modelo mejora de forma adaptativa su corrección”, explicó Judah Cohen, investigador del MIT. Por su parte, Lester Mackey, de Microsoft Research, indicó que el método aprende las formas en que cada modelo suele equivocarse y produce una estimación mejorada para el período subestacional.
Las evaluaciones se hicieron sobre modelos dinámicos, sistemas basados en inteligencia artificial y configuraciones híbridas. Para los pronósticos de las semanas tercera y cuarta —entre los días 19 y 32—, PBC transformó estimaciones con escasa utilidad predictiva en resultados que superaron de manera sostenida a la climatología, es decir, al promedio histórico esperado para una fecha y una zona.
Las mejoras alcanzaron el 98 % de los objetivos de precipitación evaluados
Al aplicarse sobre el modelo operativo del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), la corrección mejoró el rendimiento en el 98 % de los objetivos de precipitación, el 92 % de los de temperatura y el 91 % de los de presión atmosférica, según los resultados difundidos por Microsoft Research.
El avance fue mayor en la predicción de lluvias, una variable con una alta variabilidad geográfica y temporal. El estudio señaló que el método triplicó la capacidad predictiva positiva que tenía sin ajustes el modelo europeo para las precipitaciones y consiguió mejoras frente a los mecanismos de corrección ya utilizados por el organismo.
La técnica también se probó con el Sistema de Predicción con Inteligencia Artificial del ECMWF. Durante 2025, la incorporación de PBC duplicó el rendimiento promedio de ese sistema en las variables y horizontes examinados: precipitación, temperatura a dos metros y presión media al nivel del mar.
El conjunto de modelos llamado MicroDuet, que combinó PBC con un modelo híbrido denominado PoET, quedó primero en todas las variables y plazos del ciclo septiembre-noviembre de la competencia internacional AI Weather Quest de 2025.
La propuesta superó a sistemas ajustados de seis centros operativos de pronóstico, a un conjunto que reunía sus resultados, a tres modelos de inteligencia artificial del ECMWF y a los desarrollos de 34 equipos participantes, de acuerdo con la investigación.
La diferencia volvió a concentrarse en las lluvias. Mientras los modelos dinámicos ajustados de los seis centros quedaron por debajo de la referencia climatológica, MicroDuet duplicó su desempeño durante la tercera semana y lo triplicó en la cuarta, en comparación con ese conjunto de modelos.
El sistema anticipó además una irrupción de aire frío en el este de Estados Unidos durante diciembre de 2025, un fenómeno que no había sido detectado por el principal modelo dinámico ajustado del ECMWF. Los investigadores señalaron que este tipo de mejoras podría reforzar las alertas tempranas para episodios de alto impacto.
El código de PBC fue publicado como software de código abierto, una decisión que permite a otros centros meteorológicos y equipos de investigación evaluar el método con sus propios modelos y archivos de pronósticos.