Huracanes e IA: mejores trayectorias, intensidad incierta
Los modelos tradicionales apuntaban hacia Luisiana. Google DeepMind y su inteligencia artificial anticipaba un desplazamiento hacia Florida. Esa discrepancia, durante los días previos al impacto del huracán Isaias, en octubre de 2026, puso a prueba la capacidad de los servicios meteorológicos para ser más precisos con sus pronósticos y, al mismo tiempo, contradictorios. El modelo neuronal acertó la trayectoria del ciclón, pero no igualó la estimación de intensidad del pronóstico combinado del National Hurricane Center. Y esa diferencia, anticipar dónde tocará tierra un huracán y no garantizar conocer con la misma precisión la fuerza con la que llegará, importa, sobre todo, para las autoridades de protección civil.
La divergencia que anticipó el impacto en Florida
Los modelos meteorológicos comenzaron, en los primeros días de octubre de 2026, a ofrecer distintos escenarios sobre la trayectoria de Isaias en el golfo de México. Varias simulaciones convencionales, entre ellas las del Global Forecast System (GFS) estadounidense y el Integrated Forecasting System (IFS) europeo, apostaban por rutas más occidentales, hacia Luisiana y Misisipi. Sin embargo, el modelo de Google DeepMind apuntaba más hacia el este, al extremo noroccidental de Florida.
Este cambio o desplazamiento en la trayectoria prevista del huracán podía provocar cambios en las zonas a evacuar, en el despliegue de los equipos de emergencia y en la preparación a la que tendrán que hacer frente los hospitales. También los recursos necesarios para afrontar inundaciones, cortes eléctricos y daños en infraestructuras se verían afectados.
El coste de tomar estas decisiones es considerable. Un estudio de 2023, con estimaciones recogidas por la Administración Nacional Oceánica y Atmosférica de Estados Unidos (NOAA), calculó que los gastos agregados de evacuación en comunidades costeras de Texas en un escenario como, por ejemplo, el del huracán Ike de 2008 podían oscilar entre 61 y 77 millones de dólares de 2023, dependiendo de las órdenes tomadas y su alcance. La estimación no representa un coste diario universal, pero sí permite dimensionar de una manera clara el gasto económico y logístico que supone preparar cualquier evacuación.
Isaias se convirtió en depresión tropical el 6 de octubre y alcanzó la categoría de tormenta tropical al día siguiente. A medida que se intensificaba su intensidad, la divergencia entre los modelos adquirió relevancia para el pronóstico de los meteorólogos. Las soluciones neuronales se desplazaban hacia el este y avanzaban con más rapidez que varias simulaciones físicas.
El National Hurricane Center (NHC) comenzó a reflejar esa diferencia en sus previsiones antes de conocer el desenlace. En la discusión oficial del 7 de octubre, publicada a las 22:00 horas CDT, el organismo reconoció que los modelos basados en inteligencia artificial ofrecían, en general, trayectorias más rápidas y orientales que los modelos físicos. Su pronóstico concedía un mayor peso a las soluciones que mostraban un mejor comportamiento, como el modelo de Google DeepMind y el consenso corregido HCCA.
La decisión es relevante porque muestra cómo se estaba utilizando la IA en una situación operativa real. El NHC no sustituyó sus procedimientos por el resultado de una única herramienta. Sus profesionales compararon simulaciones, evaluaron su rendimiento y ajustaron la trayectoria oficial conforme iban recibiendo todos los datos nuevos.
El 9 de octubre llegó la comprobación. A las 20:30 horas del horario central estadounidense (CDT), las 01:30 horas UTC del 10 de octubre, Isaías tocó tierra en Florida. Llegó como huracán de categoría 2, según el boletín del NHC, con vientos máximos sostenidos estimados de 165 kilómetros por hora y una presión central de 971 milibares.
La categoría corresponde a la escala Saffir-Simpson, que clasifica los huracanes según la velocidad máxima sostenida del viento durante un minuto, medida a unos diez metros de altura. Esa clasificación no incorpora de forma directa el peligro asociado a las lluvias, inundaciones o marejadas provocadas por el ciclón.
La trayectoria observada quedó mucho más cerca de las predicciones orientales de Google DeepMind que de varias de las simulaciones convencionales iniciales.
La reconstrucción publicada por NPR recogió el acierto del modelo de inteligencia artificial y las reservas de los especialistas. Había identificado correctamente la zona de impacto, pero la previsión de la fuerza del huracán había sido más complicada.
Por qué la trayectoria es más fácil de predecir
La trayectoria de un ciclón, conocida como track, describe el desplazamiento previsto de su centro. La intensidad, o intensity, se refiere principalmente a la velocidad máxima sostenida de sus vientos. Ambas variables aparecen en los boletines meteorológicos, pero dependen de procesos diferentes.
El recorrido de un huracán está condicionado en buena medida por la circulación atmosférica que lo rodea. Los grandes sistemas de altas y bajas presiones, las dorsales subtropicales, las vaguadas y los vientos en diferentes niveles de la atmósfera determinan hacia dónde se desplaza.
En Isaias, la interacción entre una vaguada que se profundizaba sobre el centro-sur de Estados Unidos y una dorsal subtropical situada sobre el Atlántico favoreció su giro hacia el nordeste y, posteriormente, hacia el norte.
Son estructuras atmosféricas de gran escala que pueden identificarse mediante satélites, estaciones meteorológicas, globos atmosféricos y aeronaves. Los modelos físicos utilizan estas observaciones como punto de partida para resolver numéricamente las ecuaciones que describen la circulación del aire, la transferencia de energía y otros procesos meteorológicos.
El GFS estadounidense y el IFS del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) pertenecen a esta tradición. Ambos representan la atmósfera mediante estructuras tridimensionales y calculan cómo evolucionan sus variables a intervalos sucesivos.
Los modelos de inteligencia artificial utilizan otro procedimiento. Durante su entrenamiento aprenden relaciones estadísticas entre configuraciones atmosféricas históricas y sus estados posteriores. Una vez entrenados, pueden generar previsiones sin tener que resolver de nuevo, mediante los métodos numéricos convencionales, todas las ecuaciones utilizadas por los modelos físicos.
Las redes neuronales se definen mediante operaciones matemáticas; su diferencia está en que aprenden buena parte de esas relaciones a partir de datos.
Cuando los patrones atmosféricos son suficientemente grandes y aparecen con frecuencia en los registros históricos, los sistemas neuronales pueden reconocer configuraciones que anticipan determinados desplazamientos. Ese mecanismo ayuda a explicar su buen comportamiento en la predicción de trayectorias.
La intensidad es más difícil: depende de procesos que ocurren dentro del núcleo del ciclón y en escalas espaciales y temporales menores. La organización del ojo, los cambios de presión, las bandas de tormenta y el intercambio de energía con el océano pueden modificar los vientos máximos en pocas horas.
GenCast y WeatherNext: dos modelos, dos funciones
Google DeepMind ha desarrollado varias generaciones de modelos meteorológicos. Uno de sus antecedentes es GenCast, presentado en diciembre de 2024 y analizado previamente en Tecvolución.
GenCast utiliza una arquitectura neuronal basada en grafos y una malla icosaédrica refinada. La representación parte de un poliedro de veinte caras triangulares que, mediante subdivisiones sucesivas, permite distribuir puntos de cálculo sobre la superficie esférica de la Tierra.
Esta estructura facilita el intercambio de información entre regiones atmosféricas y permite representar las relaciones espaciales que influyen en la evolución del tiempo. En una situación como la de Isaias, el mecanismo resulta útil para modelar la interacción entre los sistemas de presión que condicionan la trayectoria del ciclón, aunque la malla no garantiza por sí misma una representación detallada de los procesos dentro del ojo.
GenCast también utiliza difusión probabilística, una técnica que genera escenarios meteorológicos mediante pasos sucesivos de refinamiento a partir de representaciones con ruido aleatorio.
Al repetir el proceso, el modelo produce diferentes evoluciones posibles de la atmósfera. En meteorología, estos conjuntos se conocen como ensemble: agrupaciones de pronósticos que permiten estudiar la incertidumbre y estimar la probabilidad de distintos escenarios.
Según el estudio de GenCast publicado en Nature, el sistema puede generar previsiones globales de hasta quince días, con intervalos de doce horas y una resolución horizontal de 0,25 grados. En las condiciones técnicas descritas por los investigadores, una predicción individual de quince días requiere aproximadamente ocho minutos en un acelerador TPUv5 de Google. Los miembros de un conjunto probabilístico pueden ejecutarse en paralelo cuando existe capacidad computacional suficiente.
GenCast no fue el modelo que destacó en el pronóstico de Isaias. La predicción corresponde a los desarrollos posteriores de DeepMind para ciclones tropicales, integrados en la familia WeatherNext.
WeatherNext Cyclones combina información atmosférica global con registros históricos específicos de ciclones tropicales. Su entrenamiento incorpora datos sobre posición, intensidad, presión central y extensión de los vientos, lo que permite generar pronósticos especializados que no dependen exclusivamente de una representación atmosférica general.
En un estudio publicado en Nature en agosto de 2026, sus desarrolladores evaluaron el sistema con ciclones del periodo 2023-2025. Los resultados mostraron ventajas equivalentes a un día o más de antelación en determinadas métricas de trayectoria, intensidad y extensión de los vientos respecto a los modelos operativos utilizados como referencia.
Los investigadores también comprobaron el efecto de incorporar WeatherNext Cyclones a conjuntos de consenso. En sus simulaciones, esta combinación redujo el error medio de trayectoria entre un 18% y un 38%, según el horizonte de predicción, con una mejora media del 28%. Para la intensidad, el beneficio fue más moderado: entre un 5% y un 14%, con una media del 6%.
Estas cifras describen evaluaciones sobre múltiples ciclones, no el error específico registrado durante Isaias. La comparación muestra que los sistemas neuronales pueden aportar mejoras medibles al pronóstico combinado, aunque la magnitud del avance varía según la variable analizada.
El modelo permite generar conjuntos de hasta 1.000 escenarios, una capacidad especialmente útil para estudiar evoluciones poco probables que podrían resultar peligrosas. Google ofrece acceso experimental a estas predicciones mediante Weather Lab, donde pueden compararse con otros sistemas y con trayectorias observadas.
Aurora: velocidad, observaciones y límites
Google no es la única organización que desarrolla modelos meteorológicos de inteligencia artificial.
Microsoft Research presentó Aurora como un modelo fundacional capaz de adaptarse a diferentes tareas relacionadas con el sistema terrestre. Su entrenamiento incorpora datos atmosféricos, simulaciones climáticas y pronósticos numéricos, con el objetivo de aprender relaciones que puedan reutilizarse en distintas aplicaciones.
En julio de 2026, Microsoft presentó Aurora 1.5, una actualización que añadió 22 variables meteorológicas, predicciones horarias y capacidades probabilísticas para representar la incertidumbre.
Una de las características más llamativas de Aurora es su velocidad. Microsoft afirma que el sistema puede generar una predicción global de diez días en segundos utilizando una sola GPU y que, en determinadas comparaciones, resulta aproximadamente 5.000 veces más rápido que los modelos numéricos convencionales.
La cifra se refiere a la ejecución de un modelo neuronal previamente entrenado frente al cálculo de una predicción numérica tradicional sobre grandes superordenadores. No comprende necesariamente la recogida de observaciones, su procesamiento, la preparación de los datos ni el mantenimiento de todo el sistema meteorológico.
El entrenamiento tampoco es gratuito en términos computacionales. Según la documentación técnica de Microsoft Research, el preentrenamiento de Aurora requirió aproximadamente dos semanas y media utilizando 32 GPU NVIDIA A100.
Una vez entrenado, esa velocidad permite generar más escenarios y actualizar pronósticos con mayor frecuencia. Sin embargo, la rapidez no corrige una representación inicial equivocada de la atmósfera ni garantiza la precisión de los fenómenos extremos.
Microsoft también trabaja en ObsCast, una línea de investigación diferenciada que utiliza observaciones meteorológicas directamente para generar predicciones regionales de corto plazo. Sus resultados apuntan a posibles mejoras en determinadas variables superficiales durante las primeras dieciocho horas, aunque no equivalen a una demostración de superioridad en la predicción de huracanes con varios días de antelación.
Sin observaciones recientes, un modelo rápido puede producir rápidamente un pronóstico equivocado. En un ciclón que se intensifica, una nueva medición de presión o de viento puede alterar significativamente la evaluación del peligro.
Por qué falla la estimación de la intensidad
El caso Isaias expuso una diferencia entre el comportamiento de los modelos neuronales y el pronóstico operativo del NHC.
Aunque DeepMind anticipó con precisión la dirección general del ciclón, no igualó el rendimiento de la previsión combinada del organismo en la estimación de su intensidad. Michael Brennan, director del NHC, reconoció esa diferencia en declaraciones recogidas por NPR.
Predecir la fuerza de un huracán exige representar procesos físicos que se desarrollan en escalas muy diferentes. Entre ellos figuran la transferencia de calor entre el océano y la atmósfera, la organización de las tormentas alrededor del ojo, la disponibilidad de humedad y la cizalladura vertical del viento, que describe cómo cambia su velocidad o dirección con la altura.
El suavizado estadístico, o blurring, puede reducir la representación de los vientos máximos en determinados modelos neuronales. Cuando el entrenamiento favorece predicciones que minimizan errores medios, estructuras atmosféricas pequeñas e intensas pueden perder definición.
Por ejemplo, si un sistema combina estadísticamente varias posiciones posibles de una banda de vientos extremos, el resultado puede mostrar un campo de viento más amplio y menos intenso que cualquiera de los escenarios individuales.
El comportamiento depende de la arquitectura y del procedimiento de entrenamiento. Los modelos probabilísticos y generativos intentan conservar una mayor diversidad de situaciones, por lo que esta limitación no puede atribuirse de forma universal a toda la meteorología basada en IA.
En Isaias, los cambios de intensidad se produjeron con rapidez. El 9 de octubre, a las 7:20 horas CDT, equivalentes a las 12:20 UTC, los aviones de reconocimiento de la Reserva de la Fuerza Aérea estadounidense permitieron confirmar que el ciclón había alcanzado la categoría 3, con vientos máximos sostenidos estimados de 195 kilómetros por hora y una presión central de 959 milibares.
El aviso emitido por el NHC situó en ese momento a Isaias como huracán de gran intensidad. Horas después, llegó a la costa de Florida como categoría 2, con vientos máximos estimados de 165 kilómetros por hora.
La secuencia ilustra la rapidez con la que puede cambiar la fuerza de una tormenta y el valor de las observaciones directas para actualizar el pronóstico.
Uno de los fenómenos más difíciles es la intensificación rápida. Según la definición del NHC, se produce cuando los vientos máximos sostenidos aumentan al menos treinta nudos, aproximadamente 56 kilómetros por hora, en veinticuatro horas.
Las predicciones de DeepMind durante los días previos al impacto reflejaron parte del fortalecimiento de Isaias y contemplaron un ciclón intenso. Sin embargo, la información pública consultada no permite asignar con rigor un error único en nudos a todas las ejecuciones del modelo ni compararlas con el pronóstico oficial utilizando exactamente el mismo horizonte.
En una revisión publicada por The Weather Channel, los meteorólogos destacaron el rendimiento general del sistema, también en algunas previsiones de intensidad, pero señalaron una estructura de vientos fuertes en el flanco occidental del huracán que los modelos especializados representaron mejor.
El NHC describió posteriormente una banda de vientos intensos que envolvía el lado occidental de la circulación y parte de la pared norte del ojo. Estos fenómenos localizados pueden provocar daños lejos de la trayectoria prevista para el centro del ciclón.
La resolución espacial influye en la representación de esas estructuras. Una simulación global que trabaja con celdas de varias decenas de kilómetros puede identificar correctamente la circulación general y, al mismo tiempo, representar de forma incompleta bandas de precipitación o máximos de viento de menor escala.
Una técnica para mejorar el detalle es el downscaling, o reducción de escala, que transforma una predicción de baja resolución en otra más detallada mediante modelos regionales o procedimientos estadísticos. Su calidad depende de la información disponible: aumentar la resolución visual del mapa no garantiza que los valores extremos estén mejor estimados.
Un estudio publicado en marzo de 2026 en npj Climate and Atmospheric Science también encontró diferencias entre GenCast y los modelos físicos en determinados patrones de energía cinética y variabilidad atmosférica. Los resultados muestran la necesidad de evaluar la coherencia dinámica de cada arquitectura, además de su precisión estadística.
ERA5: la memoria histórica de los modelos de IA
Los modelos neuronales meteorológicos aprenden a partir de grandes archivos que describen el comportamiento pasado de la atmósfera.
Uno de los principales es ERA5, desarrollado por el ECMWF para el Servicio de Cambio Climático de Copernicus. Este reanálisis combina observaciones y modelos físicos para reconstruir las condiciones meteorológicas a lo largo de décadas.
Según la documentación del ECMWF, ERA5 ofrece información horaria desde 1940 y utiliza una resolución espacial aproximada de 31 kilómetros en su representación principal.
GenCast se entrenó con datos ERA5 correspondientes al periodo 1979-2018. Para comprobar su rendimiento, sus desarrolladores utilizaron posteriormente datos de 2019, separados temporalmente del conjunto de entrenamiento.
Esta separación es necesaria para evaluar si un modelo puede predecir situaciones que no ha utilizado durante el aprendizaje.
El archivo también presenta limitaciones. La cobertura de observaciones históricas es desigual, especialmente en regiones oceánicas y en periodos anteriores al despliegue generalizado de satélites meteorológicos. Además, el reanálisis incorpora aproximaciones de los propios modelos físicos utilizados para reconstruir la atmósfera.
A estas limitaciones se suma el cambio climático. Los océanos más cálidos y la evolución del contenido de humedad atmosférica pueden generar combinaciones de condiciones que estaban poco representadas en los datos históricos.
Las redes neuronales pueden reconocer relaciones generales útiles en situaciones nuevas, pero sus resultados necesitan validación cuando se encuentran fuera de los patrones que han aprendido. Los episodios extremos y las condiciones meteorológicas recientes son especialmente importantes para comprobar su capacidad de extrapolación.
El ECMWF ha optado por incorporar la inteligencia artificial a sus sistemas operativos sin abandonar los modelos físicos. El 25 de febrero de 2025 puso en producción AIFS Single v1, la primera versión plenamente operativa de su sistema determinista basado en aprendizaje automático. El 1 de julio de ese año añadió AIFS ENS v1, una versión probabilística capaz de producir conjuntos de escenarios.
Ambos sistemas pasaron a su versión 2 el 12 de mayo de 2026, según la documentación oficial del ECMWF.
El AIFS funciona junto al IFS físico. Esta coexistencia permite comparar metodologías y aprovechar sus capacidades complementarias en predicción global, representación de incertidumbre y procesos atmosféricos de diferentes escalas.
Como ya explicaba El País en enero de 2024, la carrera por ampliar la fiabilidad de los pronósticos combina avances en capacidad de cálculo, nuevas arquitecturas y mejoras en la disponibilidad de datos.
El cono no mide el daño
El National Hurricane Center presenta sus previsiones mediante mapas que incluyen el conocido cono de incertidumbre. Este gráfico muestra el área dentro de la cual se espera que se sitúe el centro del ciclón en distintos momentos de la predicción.
En su definición para 2026, el organismo explica que el tamaño del cono se calcula utilizando los errores históricos de las previsiones oficiales durante los cinco años anteriores. Sus límites se construyen para incluir aproximadamente dos tercios de los errores registrados.
El cono representa incertidumbre sobre la trayectoria del centro, pero no delimita todos los lugares expuestos a los mayores riesgos. Los vientos peligrosos, las inundaciones y las marejadas ciclónicas pueden afectar a zonas situadas fuera de su contorno.
Esta diferencia ayuda a entender por qué mejorar la trayectoria es insuficiente para determinar el impacto total de una tormenta.
Durante Isaias, los especialistas del NHC utilizaron simulaciones físicas, modelos neuronales, conjuntos probabilísticos, información satelital, datos de radar y observaciones obtenidas mediante aviones de reconocimiento.
Las aeronaves aportaron mediciones de presión y viento que permitieron actualizar la intensidad estimada del ciclón. Las sondas lanzadas desde los aviones proporcionaron también información sobre la estructura vertical de la atmósfera.
El NHC había comenzado a incorporar el modelo de DeepMind en sus pronósticos oficiales durante 2025, según explicó NPR. En octubre de 2026, sus resultados formaban parte de las herramientas de orientación operativa utilizadas por los especialistas, sin sustituir el pronóstico oficial elaborado por el organismo.
Michael Brennan explicó que cada tormenta plantea problemas diferentes y que el NHC utiliza una combinación de modelos para aprovechar sus respectivos puntos fuertes. Los profesionales tienen que evaluar las discrepancias, considerar la incertidumbre y mantener la continuidad de los avisos cuando las simulaciones cambian entre una actualización y la siguiente.
La experiencia de Brian McNoldy, investigador de la Universidad de Miami, también refleja una inquietud científica: los sistemas neuronales pueden producir resultados excelentes sin que siempre resulte sencillo explicar qué relaciones internas han determinado una predicción concreta.
La expresión «caja negra» describe parcialmente este problema. Los modelos cuentan con arquitecturas, parámetros y operaciones matemáticas conocidas, pero interpretar por qué aciertan o fallan ante una configuración atmosférica determinada resulta más complejo que examinar las ecuaciones explícitas de un modelo físico.
El NHC necesita registrar el rendimiento de cada herramienta, contrastarlo con observaciones y establecer cuándo sus resultados pueden influir en un aviso oficial.
Las decisiones de evacuación dependen además de información local que ningún modelo meteorológico puede evaluar por sí solo. Las autoridades de protección civil deben considerar la vulnerabilidad de los edificios, la disponibilidad de carreteras y refugios, las zonas inundables y el tiempo necesario para trasladar a la población.
Qué cambia tras Isaias
Isaias dejó una lección operativa: los modelos neuronales pueden anticipar antes el desplazamiento de un huracán, pero no eliminan la incertidumbre sobre su fuerza. Para las autoridades de protección civil, esa diferencia importa: una trayectoria más precisa puede ampliar el tiempo de preparación, mientras que una intensidad mal estimada obliga a mantener márgenes de seguridad en los avisos y las evacuaciones.