ECMWF AIFS, una previsión aprendida por la máquina
Los modelos meteorológicos comparten la misma física y pueden equivocarse juntos: ECMWF AIFS, que aprendió del tiempo pasado, da una segunda opinión.
Los modelos meteorológicos clásicos resuelven las ecuaciones de la atmósfera, y cuando comparten el mismo punto ciego pueden equivocarse juntos: cuatro rutas que coinciden no siempre son cuatro buenas razones para creerlas. Lo que le falta al patrón que sopesa una travesía es una opinión que haya llegado a su previsión por otro camino.
ECMWF AIFS toma otro camino: el modelo del Centro Europeo no resuelve ninguna ecuación, sino que aprendió mediante aprendizaje automático, a partir de décadas de tiempo pasado, cómo pasa la atmósfera de un estado al siguiente. El ECMWF lo ejecuta junto a su modelo clásico, y Saily WR lee cada nueva previsión poco después de que se publique.
Prevé el mundo entero con hasta 15 días de antelación: como modelo global, da una ruta en cualquier travesía, junto a las de los modelos clásicos que cubren las mismas aguas. Su fuerte es el panorama general a varios días vista: dónde estarán las borrascas y los anticiclones, cuándo llegará un frente, qué trayectoria seguirá una tormenta tropical.
De eso depende una travesía oceánica: de las Azores a Bretaña, elegir una ruta es sobre todo elegir la borrasca que aprovechar o el anticiclón que rodear. AIFS parte exactamente del mismo estado de la atmósfera que el modelo clásico del ECMWF; donde sus dos rutas se separan, la diferencia viene solo de los modelos, señal clara de una previsión incierta que merece una segunda mirada antes de comprometerse. Donde AIFS, el ECMWF y un modelo de otro centro como GFS coinciden, la previsión pisa terreno más firme.
Como aprendió a mantener bajo su error medio, suaviza: las rachas y los picos de viento se atenúan, tanto más cuanto más lejos mira. En un temporal o a lo largo de un frente marcado, lea su viento como probablemente demasiado flojo, y su hora y su trayectoria como la parte útil. Como los demás modelos globales, no ve ni la brisa marina ni la calma a sotavento de una isla. Y todos los modelos beben de las mismas observaciones del mar y del cielo: su acuerdo es una buena señal, no una promesa.
Fuentes
- AIFS Machine Learning data, ECMWF
- ECMWF’s AI forecasts become operational, ECMWF, 2025
- AIFS – ECMWF’s data-driven forecasting system, S. Lang et al., arXiv, 2024