🔬 Un estudio publicado en Nature presenta PBC, un método de machine learning que corrige pronósticos meteorológicos. Los autores duplicaron el rendimiento probabilístico de un modelo de IA del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF). Las pruebas abarcaron las semanas tres y cuatro; el método podría ayudar a anticipar fenómenos extremos.
Más allá de dos semanas, pequeños errores del modelo se acumulan y dificultan prever el tiempo. PBC aprende de pronósticos históricos y registros del tiempo pasado para corregir esos errores. Combina dos ajustes: uno corrige sesgos según el lugar y la fecha; otro incorpora tendencias recientes y patrones estacionales. El resultado ofrece probabilidades de distintos escenarios, en lugar de un único valor.
El equipo evaluó temperatura, lluvia y presión en las semanas que abarcan los días 19–25 y 26–32. En pruebas con el modelo dinámico del ECMWF entre 2016 y 2024, PBC mejoró los pronósticos de lluvia en el 98 % de las celdas evaluadas frente al ajuste operativo habitual. Con el modelo de IA, duplicó en 2025 el promedio de una puntuación que mide cuánto mejora el pronóstico frente al clima histórico.
MicroDuet, un sistema que combina modelos corregidos con PBC, también destacó en el concurso AI Weather Quest de 2025. En la temporada septiembre–noviembre, encabezó todas las variables y ambos plazos. Superó a seis centros meteorológicos operativos, al conjunto de sus modelos y a 34 equipos participantes. Para extremos cálidos, PBC mejoró un 51 % la puntuación del modelo dinámico con ajuste operativo en la tercera semana.
✅ El estudio sugiere que corregir errores previsibles podría ayudar a planificar cultivos, gestionar energía y preparar respuestas ante fenómenos extremos. El alcance evaluado aquí son probabilidades y valores semanales de las semanas tres y cuatro, no detalles diarios. PBC depende de modelos previos y los complementa: sus autores señalan que esos modelos también necesitan mejorar.
