En los últimos años, la predicción meteorológica ha vivido una auténtica revolución gracias al desarrollo de nuevos modelos científicos que incorporan inteligencia artificial. El Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) ha dado un paso firme con la llegada de AIFS ENS, un innovador sistema probabilístico que redefine la manera en que se generan y gestionan los pronósticos del tiempo.
¿En qué consiste el nuevo modelo probabilístico?
AIFS ENS v1 es un modelo de conjuntos que utiliza técnicas de aprendizaje automático para simular el comportamiento de la atmósfera y generar pronósticos meteorológicos con una visión más amplia de las posibles situaciones futuras. Este sistema realiza múltiples simulaciones a partir de la misma situación inicial, muestreando una distribución aprendida, lo que permite captar la incertidumbre inherente a las predicciones meteorológicas.
Gracias a este planteamiento, se consigue que los pronósticos sean más precisos y realistas. El modelo emplea la función de pérdida CRPS, que ayuda a calibrar los resultados, teniendo en cuenta las limitaciones asociadas a trabajar con un número finito de miembros en el conjunto. Como resultado, el AIFS ENS ha superado a los modelos tradicionales de conjuntos físicos en el pronóstico a medio plazo y se muestra muy competitivo en previsiones subestacionales.
Principales diferencias respecto a los modelos tradicionales
Una de las características más relevantes del AIFS ENS es la forma en que incorpora el miembro de control. Mientras que, en los modelos tradicionales con base física, este miembro actúa como una referencia determinista sin perturbaciones, en el caso del modelo basado en IA este papel resulta distinto. El miembro de control de AIFS ENS es producto del propio muestreo interno de la distribución aprendida por el sistema, lo que significa que no se puede desactivar la incertidumbre para ejecutar una simulación exactamente idéntica al esquema clásico.
Esta innovación representa un avance en la capacidad de anticipar fenómenos meteorológicos complejos y evaluar los riesgos asociados al considerar la variabilidad natural de la atmósfera en las predicciones. Si quieres profundizar en cómo funcionan los modelos meteorológicos, puedes consultar otros modelos meteorológicos y su importancia en la predicción del clima.
Evolución y cronología de la implementación
El modelo pasó por una fase experimental en la que se probaron metodologías diferentes, como la técnica de difusión, aunque la versión operativa se centra exclusivamente en la optimización con la función de pérdida CRPS. La incorporación de AIFS ENS dentro de los sistemas de predicción del ECMWF está marcada para el 1 de julio de 2025 a las 06 UTC, tras una fase de pruebas que arrancó el 23 de junio.
Por ahora, los usuarios de otros modelos como IFS y AIFS Single no experimentarán cambios, ya que las versiones operativas de estos sistemas se mantienen intactas.
Impacto y recomendaciones para los usuarios
La llegada de AIFS ENS supone un antes y un después en la gestión de la incertidumbre meteorológica y en la precisión de los pronósticos. No obstante, quienes vayan a utilizar estos datos, sobre todo para fines operativos, deben consultar a fondo la información disponible sobre problemas conocidos pendientes de resolución. El ECMWF anima también a la comunidad científica y técnica a aportar comentarios para continuar perfeccionando el sistema.
AIFS ENS no pretende sustituir a los modelos tradicionales de manera inmediata, sino que complementa el abanico de herramientas disponibles para la predicción meteorológica con enfoques más avanzados y adaptados a la era del aprendizaje automático. Para entender mejor la evolución de estos modelos, puede ser interesante revisar .
El desarrollo y aplicación de modelos como el AIFS ENS abre una nueva etapa en el pronóstico meteorológico, mejorando capacidades de anticipación y gestión del riesgo en un contexto global en el que los fenómenos extremos ganan protagonismo. El continuo perfeccionamiento de estas herramientas promete pronósticos más útiles tanto para usuarios profesionales como para la ciudadanía en general.
