Google presentó WeatherNext 3, la nueva versión de su inteligencia artificial enfocada en meteorología, que combina datos satelitales en tiempo real con información histórica para entregar pronósticos más detallados y rápidos. El sistema apunta a anticipar lluvias, cambios locales de temperatura y variables clave para energías renovables como la eólica y la solar.
La plataforma ya está disponible e integrada en varias herramientas de la compañía: Search, Gemini, Maps, Google Maps Platform y Cloud. WeatherNext 3 genera pronósticos por hora con distintas resoluciones espaciales y mantiene coherencia entre patrones globales y rasgos locales del terreno, según la empresa.
En cuanto a la escala de detalle, la temperatura superficial y la humedad se pueden visualizar a una resolución de 5 kilómetros; otras variables superficiales avanzan a 10 kilómetros; y las variables atmosféricas como la velocidad del viento se presentan a 25 kilómetros. Este esquema hace que la representación meteorológica global sea aproximadamente cinco veces más nítida que la de WeatherNext 2, que trabajaba con una cuadrícula de 25 km y actualizaciones cada seis horas. La mejora, señalan desde Google, proviene de la combinación de observaciones históricas con mosaicos satelitales geoestacionarios en tiempo real.
El cambio técnico más relevante, según el equipo de desarrollo, es que el modelo aprende directamente de observaciones del mundo real. A diferencia de otros sistemas de IA meteorológica que se entrenaban en salidas de modelos numéricos de predicción, WeatherNext 3 reduce el desfase típico y favorece respuestas más actuales al incorporar datos satelitales recientes, permitiendo emitir pronósticos cada hora. Esto es especialmente útil cuando tormentas, frentes o sistemas de precipitación se forman de forma repentina.
La empresa también subraya que algunas variables, como la temperatura y la humedad, pueden cambiar de forma marcada en apenas unos kilómetros, un detalle crítico para áreas cercanas a costas, valles o cordilleras, donde los modelos tradicionales suelen perder resolución.
Para atacar esa limitación, WeatherNext 3 se entrenó con datos directos de estaciones meteorológicas dispersas, lo que facilita construir predicciones globales sobre una malla de 5 kilómetros que incorpora mejor la topografía y particularidades regionales. Google sostiene que este avance podría tener un impacto significativo en regiones como América Latina, África y Asia-Pacífico, donde históricamente el costo de la supercomputación limitó la disponibilidad de pronósticos regionales de alta resolución.