El modelo, denominado "GenCast", supera las previsiones climáticas tradicionales de rango medio y también es capaz de predecir mejor las condiciones meteorológicas extremas, las trayectorias de los ciclones tropicales y la producción de energía eólica.

Los detalles del modelo se han dado a conocer en un artículo publicado en la revista Nature, según informa la agencia Efe.

Disponer de previsiones meteorológicas precisas es esencial para que personas, gobiernos y organizaciones puedan tomar decisiones esenciales en su vida cotidiana, desde llevar un paraguas hasta evaluar la producción de energía eólica o planificar condiciones meteorológicas extremas para evitar catástrofes.

Las previsiones meteorológicas tradicionales se basan en métodos numéricos de predicción meteorológica, que estiman el tiempo actual y lo mapean para obtener una previsión meteorológica futura a lo largo del tiempo (lo que se conoce como previsiones deterministas), pero esto genera numerosos escenarios potenciales, que se combinan para producir una previsión meteorológica.

Ahora, un equipo de científicos de Google ha desarrollado un método de previsión meteorológica de aprendizaje automático llamado GenCast que es capaz de generar una previsión probabilística, que predice la probabilidad del tiempo futuro basándose en los estados meteorológicos actuales y pasados.

Los autores entrenaron GenCast a partir de 40 años (1979 a 2018) de análisis de datos de las mejores estimaciones de ocurrencias climáticas.

Gracias a este entrenamiento, el modelo es capaz de generar previsiones globales para 15 días, para más de 80 variables atmosféricas y de superficie, en ocho minutos.

Al compararlo con el conjunto de previsiones del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ENS) -actualmente la previsión a medio plazo con mejores resultados en todo el mundo-, comprobaron que GenCast superaba al ENS en el 97,2% de los 1.320 objetivos utilizados.

GenCast también es más eficaz en la predicción de condiciones meteorológicas extremas, trayectorias de ciclones tropicales y producción de energía eólica.

Los autores sostienen que GenCast puede generar previsiones meteorológicas más eficientes y eficaces para apoyar una planificación efectiva.