Google presentó WeatherNext 3, una inteligencia artificial centrada en la meteorología que incorpora imágenes satelitales en tiempo real para emitir pronósticos con mayor detalle. El sistema eleva la resolución de las predicciones a cinco kilómetros para anticipar con mayor precisión lluvias, cambios locales de temperatura y variables relevantes para la energía eólica y solar.
El modelo ya está integrado en Search, Gemini, Maps, Google Maps Platform y Cloud, y puede generar pronósticos horarios con distintas resoluciones espaciales, manteniendo, según la empresa, coherencia física entre patrones atmosféricos globales y las particularidades del terreno.
En cuanto a la granularidad de datos, la temperatura superficial y la humedad pueden visualizarse a 5 km, otras variables superficiales a 10 km, y las variables atmosféricas como la velocidad del viento a 25 km. Esto representa una mejora sustancial frente a WeatherNext 2, que trabajaba sobre una rejilla de 25 km y actualizaciones cada seis horas. Google atribuye ese avance a la combinación de observaciones históricas con mosaicos satelitales geoestacionarios en tiempo real.
El cambio técnico más importante, según explicó el equipo de desarrollo, es que el modelo aprende directamente a partir de observaciones del mundo real. Mientras que la mayoría de los sistemas meteorológicos de IA —incluido su antecesor— se entrenaban con datos de modelos numéricos de predicción del tiempo, que se derivan de simulaciones físicas ejecutadas en supercomputadoras y tienen un retraso de varias horas, WeatherNext 3 incorpora datos satelitales recientes para generar pronósticos cada hora con información más actualizada.
Este enfoque es relevante cuando tormentas, frentes o sistemas de precipitación se forman repentinamente. También señalaron que ciertas variables, como temperatura y humedad, pueden variar significativamente en pocos kilómetros, especialmente cerca de costas, valles o cordilleras, donde los modelos tradicionales suelen perder detalle al operar con representaciones atmosféricas más generalistas.
WeatherNext 3 se entrenó con datos de observación dispersos de estaciones meteorológicas, según el blog oficial. Esto permite construir pronósticos globales en una cuadrícula de 5 km que incorporan mejor la topografía y otras particularidades regionales. Google indicó que el avance podría impactar con especial fuerza a regiones de América Latina, África y Asia-Pacífico, donde históricamente los altos costos de supercomputación limitaron la disponibilidad de pronósticos regionales de alta resolución.