Microsoft Research publica en Nature un estudio sobre predicción meteorológica con IA

Un equipo dirigido por Microsoft Research publicó un estudio en Nature el 14 de octubre de 2026. En él presenta la corrección probabilística del sesgo (PBC), un marco de aprendizaje automático que, según informan los autores, mejora las predicciones meteorológicas con entre dos y seis semanas de antelación. El equipo también publicó el código como recurso de código abierto.

El estudio señala que, aunque los sistemas modernos, tanto dinámicos como de IA, ofrecen predicciones precisas con hasta aproximadamente dos semanas de antelación, su habilidad disminuye drásticamente en escalas temporales subestacionales de entre dos y seis semanas, debido a la acumulación de errores, los sesgos sistemáticos de los modelos y la naturaleza caótica de la atmósfera. Los autores presentan PBC como un marco que reduce el error sistemático al aprender a corregir las predicciones probabilísticas históricas de un modelo y operar directamente sobre distribuciones de probabilidad, en lugar de sobre observaciones sin procesar.

Hannah Guan y Soukayna Mouatadid contribuyeron por igual al trabajo, y Guan realizó su investigación como becaria en Microsoft Research; Judah Cohen, de MIT, y Lester Mackey, de Microsoft Research, son los autores de correspondencia. El equipo, integrado por 13 autores, declara afiliaciones con Microsoft Research, Microsoft, MIT, Harvard College, la Universidad de Toronto, IMPA, Janus Research Group, Rhiza Research y ECMWF. Nature indica que recibió el artículo el 17 de abril de 2026 y lo aceptó el 4 de septiembre de 2026.

Cómo funciona PBC y cómo se evaluó

A partir de un conjunto sin procesar de predicciones deterministas, PBC primero lo transforma en una predicción probabilística inicial, evaluada con respecto a intervalos de cuantiles climatológicos. A continuación, dos modelos de aprendizaje automático aplican en paralelo correcciones complementarias: Debias++ modifica la predicción con ajustes específicos para cada ubicación, fecha y cuantil, aprendidos al minimizar el error de predicción probabilística en períodos de entrenamiento seleccionados de forma adaptativa; por su parte, Persistence++ combina la predicción con observaciones rezagadas y datos climatológicos para captar las tendencias meteorológicas recientes y los efectos asociados al día del año. Las dos correcciones se proyectan en el espacio de las funciones de distribución acumulada válidas y se promedian para obtener la predicción final de PBC.

El equipo evaluó las predicciones siguiendo los criterios de la competencia AI Weather Quest de ECMWF: temperatura media a 2 metros y precipitación total sobre tierra, además de presión media al nivel del mar, en una cuadrícula global de 1,5 grados con cinco intervalos de quintiles; consideró plazos de anticipación de la semana 3 (días 19–25) y la semana 4 (días 26–32), y las puntuó con la puntuación de habilidad de probabilidad ordenada (RPSS) frente a una referencia climatológica. La referencia observada fue el reanálisis ERA5 de 1979–2026, remuestreado en una cuadrícula de 1,5 grados, y el conjunto de prueba predeterminado abarcó fechas objetivo de lunes y viernes que no caían en años bisiestos, entre 2016 y 2024. Los autores señalan que PBC es lo bastante ligero como para volver a entrenarse de forma incremental cada día, utilizando únicamente los datos del reanálisis y de las predicciones del modelo que están disponibles en cada fecha de emisión, a fin de imitar un despliegue operativo.

Mejoras en la habilidad de los modelos dinámicos y de IA

El artículo describe el conjunto dinámico de ECMWF como ampliamente considerado el modelo meteorológico más preciso del mundo y el referente de oro para evaluar la habilidad subestacional. Al aplicar PBC a ese conjunto durante el período 2016–2024, el estudio informa que la habilidad positiva del modelo original para las precipitaciones, de 0,023 RPSS, se triplicó, y que sus predicciones de temperatura y presión, cuya habilidad era negativa, se convirtieron en predicciones con habilidad. Frente a los resultados operativos de ECMWF corregidos por sesgo, los autores informan que PBC aumentó el RPSS de temperatura entre un 26 y un 37 % y el de presión entre un 16 y un 32 %, con mejoras en el 98 % de las celdas de la cuadrícula para las precipitaciones, el 91–92 % para la temperatura y el 89–91 % para la presión al nivel del mar.

El estudio informa que PBC también mejoró los sistemas basados en IA. Al aplicarlo a AIFS-SUBS, el modelo de aprendizaje profundo de ECMWF para predicciones subestacionales, PBC duplicó el RPSS medio del modelo, de 0,03, para todas las variables y todos los plazos de anticipación durante el año de prueba 2025. Al aplicarlo a POET, un sistema híbrido que procesa las predicciones del conjunto de ECMWF mediante redes neuronales convolucionales y transformadoras, PBC aportó en 2024 mejoras del 68–98 % para las precipitaciones, del 15–23 % para la presión media al nivel del mar y del 5–7 % para la temperatura, según el artículo. Los autores también informan que PBC-ECMWF logró mejoras notables de habilidad frente al modelo de aprendizaje profundo FuXi-S2S durante los años de prueba 2017–2021: mejoró entre el 99 y el 100 % de las celdas de la cuadrícula para la temperatura, entre el 97 y el 99 % para las precipitaciones y entre el 96 y el 100 % para la presión media al nivel del mar.

Resultados de la competencia y predicciones de fenómenos extremos

Para evaluar el rendimiento en tiempo real, el equipo presentó en la competencia AI Weather Quest 2025 de ECMWF un conjunto formado por PBC-ECMWF y PBC-POET, denominado MicroDuet. El artículo informa que MicroDuet ocupó el primer puesto en todas las variables meteorológicas y todos los plazos de anticipación durante la primera temporada, de septiembre a noviembre, por delante de los modelos dinámicos corregidos por sesgo de seis centros operativos de predicción (ECMWF, NOAA, ECCC, HMCR, KMA y JMA), de un conjunto multimodelo dinámico de seis modelos, de tres versiones de AIFS-SUBS y de los sistemas de predicción de 34 equipos de todo el mundo; también lideró en ambos plazos de anticipación durante la temporada de diciembre a febrero. En ambas temporadas, según informan los autores, MicroDuet fue el único sistema participante que superó significativamente a ECMWF corregido por sesgo (P < 0,05) en todas las variables y todos los plazos de anticipación.

ECMWF describió la misma competición en una publicación científica del 13 de marzo de 2026 y señaló que 42 equipos presentaron pronósticos con 74 modelos de nombres únicos durante los dos primeros periodos de competición, y que el modelo de posprocesamiento MicroDuet, del equipo MicroEnsemble, encabezó sistemáticamente la clasificación y superó significativamente al Sistema Integrado de Predicción de ECMWF en todas las variables y los plazos de anticipación.

El artículo también informa que, en noviembre de 2025, el pronóstico de temperatura en tiempo real a cuatro semanas de MicroDuet anticipó una irrupción de aire frío en el este de Estados Unidos en diciembre de 2025 que el ECMWF corregido por sesgo no detectó.

Para pronosticar fenómenos extremos, los autores entrenaron PBC con incrementos de semideciles (cuantiles del 5 %), definiendo los máximos extremos como fenómenos cuyo valor observado supera el percentil 95 y los mínimos extremos como aquellos cuyo valor queda por debajo del percentil 5; midieron la habilidad con la puntuación de habilidad de Brier. Para los máximos extremos a tres semanas durante el periodo 2016–2024, el estudio informa que PBC aumentó la habilidad del ECMWF corregido operacionalmente por sesgo en un 51 % para la temperatura y un 39 % para la presión, con mejoras por celda de la cuadrícula del 96 % para la precipitación, el 89 % para la presión a nivel del mar y el 85 % para la temperatura.

En los 2.435 eventos de inundación catalogados por el Sistema Mundial de Alerta y Coordinación de Desastres (GDACS) entre 2016 y 2026, los autores informan que PBC aumentó entre un 76 y un 92 % la habilidad de los pronósticos de inundaciones a tres semanas, mientras que la corrección operacional del sesgo redujo casi a cero la habilidad de referencia de los pronósticos sin corregir del ECMWF, que era de 0,04–0,06. Para 88 inundaciones graves, que GDACS define como eventos que causan más de 100 muertes o 80.000 desplazamientos, el artículo informa que PBC mejoró entre un 86 y un 150 % la habilidad de los pronósticos de inundaciones graves. Los autores afirman que estas mejoras en la habilidad probabilística permiten predecir con mayor precisión los fenómenos extremos y podrían contribuir a mejorar la planificación agrícola, la gestión energética y la preparación ante desastres en comunidades vulnerables.

Código de fuente abierta y contexto de la investigación

El código de PBC está disponible en GitHub con una licencia MIT y archivado en Zenodo, junto con el código para reproducir el estudio; el repositorio indica que la base de código de Python se probó en Rocky Linux 8.10 con Python 3.13.3. Un preprint de los autores se envió a arXiv el 17 de abril de 2026 y se revisó por última vez el 4 de septiembre de 2026; la página de publicaciones de Microsoft Research fecha el trabajo en abril de 2026.

En la discusión del artículo, el equipo describe PBC como un método que se centra en errores predecibles, en lugar de intentar volver a aprender la dinámica atmosférica; lo presenta como una herramienta de posprocesamiento, no como un sustituto de la mejora de los modelos de entrada, y como una estrategia de bajo costo operativo para los centros meteorológicos, incluidos los que trabajan con recursos limitados. Las declaraciones de financiación mencionan el apoyo de FAPERJ a Orenstein, una subvención de la Fundación Nacional de Ciencias de Estados Unidos para Cohen y financiación de Destination Earth, de la UE, para los autores de ECMWF; la declaración de conflictos de intereses indica que varios autores son empleados de Microsoft o poseen acciones de Microsoft.