AIFS-CRPS: predicción por conjuntos usando un modelo entrenado con una función de pérdida basada en la puntuación de probabilidad ordenada continua

Por qué importan unas probabilidades meteorológicas más inteligentes

Cuando consultas el pronóstico, normalmente ves una única predicción: lluvia o sol, calor o frío. Pero la atmósfera es caótica, y lo que realmente importa es el abanico de posibilidades, sobre todo para tormentas, olas de calor o patrones de semanas que afectan a las cosechas, los viajes y el consumo de energía. Este artículo presenta un nuevo sistema de predicción basado en inteligencia artificial, AIFS‑CRPS, que no se limita a adivinar el tiempo de mañana; estima las probabilidades de muchos futuros distintos, a menudo de forma más precisa y eficiente que los mejores modelos físicos por supercomputadora actuales.

De respuestas únicas a rangos de posibilidades

Los modelos meteorológicos tradicionales usan las leyes de la física para simular la atmósfera muchas veces con puntos de partida ligeramente distintos. Juntos, estos pronósticos “por conjuntos” ofrecen una distribución de probabilidad: ¿qué probabilidad hay de lluvia intensa o de una oleada de frío? Los primeros modelos meteorológicos con aprendizaje automático, en cambio, se entrenaban para minimizar el error medio en una única predicción, lo que les incentivaba a suavizar rasgos pequeños y agudos como tormentas intensas. Podían ser notablemente precisos en días típicos, pero les costaba representar la incertidumbre y con frecuencia atenuaban los extremos. AIFS‑CRPS está diseñado para cerrar esta brecha haciendo pronósticos probabilísticos de forma directa, de modo que la incertidumbre esté incorporada en el modelo en vez de añadirse después.

Una IA que aprende a estar honestamente incierta

AIFS‑CRPS es una versión por conjuntos del Sistema de Predicción por Inteligencia Artificial del ECMWF. En lugar de aprender a reproducir un único futuro más probable, aprende a generar muchos futuros plausibles desde un único modelo de IA añadiendo ruido aleatorio cuidadosamente moldeado a su representación interna de la atmósfera. La innovación clave es la forma de entrenamiento: el modelo se optimiza usando una medida estadística llamada Puntuación de Probabilidad Ordenada Continua (CRPS), que premia las distribuciones de pronóstico que asignan alta probabilidad a lo que realmente ocurre y penaliza tanto los eventos no previstos como el exceso de confianza. Los autores introducen una variante “casi justa” de esta puntuación que corrige sesgos debidos al tamaño finito del conjunto a la vez que evita patologías numéricas que de otro modo impedirían el entrenamiento en hardware moderno.

Detalle más nítido que no se disipa

Una de las pruebas principales de cualquier sistema por conjuntos es si mantiene una variabilidad realista conforme el pronóstico se extiende de horas a días. En comparaciones cara a cara, un sistema de IA anterior entrenado con una pérdida de error cuadrático medio perdió gradualmente la estructura de pequeña escala, haciendo que los mapas se vieran borrosos conforme aumentaba el horizonte temporal. En contraste, AIFS‑CRPS preserva el detalle y la energía en todas las escalas, más cerca de lo observado en análisis de referencia y en modelos físicos avanzados. Los autores abordan una tendencia temprana del modelo a generar demasiado ruido de pequeña escala “truncando” el campo de referencia usado durante el entrenamiento—eliminando las oscilaciones más pequeñas del paso previo para que la IA no las amplifique simplemente—pero sin amortiguar las verdaderas características meteorológicas de pequeña escala. Este equilibrio es crucial para representar tormentas intensas y otros eventos de alto impacto.

Superando al estado del arte de días a semanas

El equipo evalúa AIFS‑CRPS frente al sistema por conjuntos de alta resolución Integrated Forecasting System (IFS) del ECMWF. Para pronósticos de hasta 15 días, el conjunto de IA obtiene mejores puntuaciones en muchas variables clave, como temperaturas cerca de la superficie y a 850 hPa, vientos a nivel de corriente en chorro y patrones de presión en la troposfera media. Según la variable, las mejoras en puntuaciones probabilísticas estándar y en medidas de error alcanzan a menudo entre un 5 y un 20 por ciento. El conjunto de IA a veces muestra “sobre‑dispersión”: sus miembros están más dispersos de lo estrictamente requerido por su error medio, pero esto es en gran parte un efecto secundario de usar perturbaciones de condiciones iniciales afinadas para el modelo físico, no para el error mucho menor del sistema de IA. En horizontes más largos, subestacionales de dos a seis semanas, el sistema de IA—pese a haberse entrenado solo con pronósticos hasta 72 horas—iguala o supera al IFS para muchos campos superficiales y troposféricos cuando se consideran los pronósticos en bruto, y sigue siendo competitivo cuando se corrigen sesgos y solo se mide la habilidad en anomalías.

Siguiendo el latido lento de los trópicos

Una prueba crítica para la predicción subestacional es la Oscilación Madden–Julian (MJO), un patrón de perturbaciones tropicales de movimiento lento que puede influir en monzones, tormentas e incluso el tiempo en latitudes medias. Usando un índice estándar basado en anomalías de viento, los autores muestran que AIFS‑CRPS produce pronósticos de la MJO con correlaciones más altas y errores menores que el conjunto IFS durante un periodo de prueba de varios años. Es importante que la dispersión del conjunto de IA coincida muy de cerca con el error típico del pronóstico, una característica de un sistema probabilístico bien calibrado. En un estudio de caso, la IA reproduce con más fidelidad el crecimiento y el avance hacia el este de un evento MJO importante que el modelo físico, que tiende a subestimar su intensidad y a volver demasiado rápido a condiciones neutrales.

Qué significa esto para el tiempo cotidiano y más allá

Para el público no especializado, la conclusión es que la IA puede ahora hacer más que ofrecer mapas meteorológicos rápidos y atractivos. Sistemas como AIFS‑CRPS pueden cuantificar las probabilidades de distintos resultados—qué probabilidad hay de que persista una ola de calor, si la trayectoria de una tormenta podría desplazarse o cuán estable puede ser un patrón de varias semanas—con frecuencia tan bien como, o mejor que, los modelos físicos más avanzados de hoy, y a una fracción del coste computacional. Quedan desafíos, como mejorar el rendimiento en la estratosfera y afinar cómo el modelo maneja los extremos, pero este trabajo muestra que el entrenamiento probabilístico puede convertir a la IA en una herramienta genuinamente útil para servicios meteorológicos y climáticos conscientes del riesgo. En la práctica, eso significa pronósticos más informativos para gobiernos, empresas y el público cuando más importa.

Cita: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

Palabras clave: Predicción meteorológica con IA, predicción por conjuntos, pronósticos probabilísticos, predicción subestacional, Oscilación Madden–Julian