Google DeepMind lanza WeatherNext 3 con pronósticos horarios de 5 kilómetros

Google DeepMind y Google Research, el 3 de septiembre de 2026, presentaron WeatherNext 3, un modelo global de pronóstico meteorológico basado en IA que genera pronósticos horarios con una resolución de hasta 5 kilómetros y que se está integrando en Google Search, la aplicación Gemini, Google Maps, la API de Weather del Google Maps Platform y Google Earth Engine.

Los equipos describieron WeatherNext 3 como su modelo meteorológico global más avanzado y preciso hasta la fecha, señalando evaluaciones en vivo independientes realizadas por Brightband. Un artículo técnico escrito por investigadores de Google DeepMind, Google Research y Google acompañó el lanzamiento y afirma que el modelo está en funcionamiento operativo.

Pronósticos horarios a mayor resolución

WeatherNext 3 genera pronósticos horarios a múltiples resoluciones espaciales. Variables superficiales clave como la temperatura y la humedad se producen con una resolución de 5 kilómetros, otras variables superficiales a 10 kilómetros y variables atmosféricas como la velocidad del viento a 25 kilómetros. Google afirmó que esto equivale a una imagen meteorológica global aproximadamente cinco veces más nítida que su modelo anterior, WeatherNext 2, que producía pronósticos en una cuadrícula de 25 kilómetros con intervalos de seis horas.

Según el artículo, WeatherNext 3 se basa en el enfoque Functional Generative Network que sustentó a WeatherNext 2 y produce pronósticos de conjunto de 15 días con 64 miembros, entrenados para minimizar la puntuación continua de probabilidad clasificada (CRPS), una medida estándar de la habilidad de pronóstico probabilístico. El modelo incrementa el tamaño latente de 768 a 1024 y la profundidad del transformador de malla de 24 a 32 capas en comparación con WeatherNext 2, y la versión de producción se entrenó con datos hasta el 30 de junio de 2026. El sistema ingiere mosaicos satelitales geoestacionarios en vivo de una hora junto con análisis históricos tradicionales, alimentando un único transformador de malla que genera campos rasterizados densos, trayectorias de ciclones discretas y predicciones a nivel de estación.

Entrenado con observaciones sin procesar

La mayoría de los modelos meteorológicos basados en IA, incluido WeatherNext 2, se entrenan con datos de modelos numéricos de predicción del tiempo, que son simulaciones físicas con un retraso de datos de seis horas. Google señaló que ese retraso puede introducir sesgos en variables que cambian rápidamente, como la lluvia y la temperatura superficial. WeatherNext 3, en cambio, ingiere un mosaico de datos satelitales geoestacionarios globales en tiempo real, lo que le brinda una visión continuamente actualizada de la atmósfera y permite un nuevo pronóstico cada hora, cada uno basado en las observaciones satelitales más recientes disponibles.

El artículo indica que el mosaico satelital abarca 11 canales con una resolución de 0,1 grados y una latencia operativa de aproximadamente una hora. WeatherNext 3 también se entrena directamente con observaciones escasas de estaciones meteorológicas, combinando tres conjuntos de datos superficiales — estaciones METAR de aeropuertos, redes regionales Mesonet y mediciones de barcos y boyas de ICOADS — desde 2001. El documento informa que este módulo de salida de estaciones predice la temperatura y el punto de rocío a 2 metros en cualquier ubicación y momento, condicionado a características geográficas locales como la elevación.

Para la precipitación, el modelo se entrena con dos fuentes: el producto IMERG (Integrated Multi-satellite Retrievals for GPM) basado en satélites de la NASA y la reanálisis de precipitación global propio del equipo, llamado PARDIG, que el artículo describe como una estimación experimental producida por un modelo de IA separado entrenado para predecir datos de radar espacial escasos del observatorio central GPM.

WeatherNext 3 también introduce predicciones orientadas a la producción de energía renovable. Google indicó que el modelo pronostica velocidades del viento a 100 metros, aproximadamente la altura de los aerogeneradores, para la generación eólica, junto con cobertura de nubes y niveles de radiación solar de alta resolución para ayudar a los parques solares a estimar la luz solar a nivel del suelo.

Resultados de evaluación reportados

En los pronósticos de precipitación global a medio plazo, Google informó mejoras en la CRPS de hasta un 60 % frente a IMERG, un 30 % respecto al producto radar basado en MRMS y un 10 % frente a mediciones de pluviómetros para plazos de anticipación tempranos. El artículo añade que, en evaluaciones contra estaciones meteorológicas excluidas del entrenamiento, el módulo de estaciones mejora la CRPS de la temperatura a 2 metros en hasta un 30 % comparado con WeatherNext 2 y un 40 % frente al sistema ENS del ECMWF en plazos cortos.

El artículo también describe una evaluación cuasi en tiempo real durante el período de seis semanas del 1 de julio al 11 de agosto de 2026, utilizando flujos de datos operativos. En esa evaluación, los autores informan que WeatherNext 3 superó al AIFS ENS v2 del ECMWF en todas las variables de nivel superior, con una mejora promedio de aproximadamente un 10 % en la primera semana de pronóstico, y mostró pequeñas pero consistentes mejoras frente a WeatherNext 2 en el error medio del conjunto de la trayectoria e intensidad de ciclones tropicales.

El artículo también documenta limitaciones. Los autores observan artefactos espaciales y temporales visibles en muestras individuales de pronósticos, incluidos patrones hexagonales que reflejan la estructura de malla del modelo, discontinuidades temporales en los límites de seis horas en algunos módulos de salida y un sesgo global de calor o frío por miembro en el módulo de estaciones. Señalan que estadísticas marginales como los cuantiles del conjunto están en gran medida libres de artefactos, excepto en la Antártida, donde los datos de estaciones son escasos.

Disponibilidad en productos de Google

WeatherNext 3 comienza a impulsar las experiencias meteorológicas en Google Search, la aplicación Gemini, Google Maps, la API de Weather del Google Maps Platform y Google Earth Engine a partir del 3 de septiembre de 2026. Google afirmó que cuando las personas planifican con un día o más de antelación, verán pronósticos de precipitación hasta un 50 % más precisos, con mayores mejoras en regiones donde históricamente los pronósticos han sido menos fiables.

Los investigadores, desarrolladores y empresas pueden consultar los datos en BigQuery y Earth Engine o descargarlos en bloque desde Google Cloud Storage en formato Zarr. La documentación para desarrolladores de Google describe el modelo como capaz de ofrecer pronósticos probabilísticos globales de 15 días, inicializados cada hora y con 64 miembros del conjunto, y enumera una opción de inferencia personalizada en Google Cloud que permite a los clientes generar pronósticos a medida en aceleradores dedicados con control sobre el tamaño del conjunto y los horizontes de pronóstico. Los pronósticos también pueden verse en tiempo real a través de Weather Lab, el sitio de visualización interactiva de Google DeepMind.

El anuncio de Google incluye un descargo de responsabilidad que indica que WeatherNext es un sistema de IA automatizado y experimental y que los usuarios deben consultar a las agencias meteorológicas locales o a los servicios meteorológicos nacionales para obtener pronósticos oficiales, alertas de clima severo y avisos de seguridad pública.