Un equipo de Microsoft y varias instituciones ha publicado en Nature un método de aprendizaje automático que corrige sesgos de pronósticos meteorológicos entre dos y seis semanas. Probabilistic Bias Correction, o PBC, ganó además una competición en tiempo real del ECMWF y ya se prueba con el servicio meteorológico de Kenia. El avance es relevante, pero su cifra más llamativa —mejora en el 98 % de los objetivos de precipitación— no significa un 98 % de aciertos.
El artículo abierto publicado el 14 de octubre en Nature evalúa PBC sobre modelos físicos, de IA e híbridos. La explicación de Microsoft Research añade el contexto operativo: el sistema aprende de errores históricos, corrige la distribución de probabilidades y puede reentrenarse cada día.
Corregir el pronóstico, no sustituirlo
PBC recibe un conjunto de predicciones ya producido por otro modelo. Después compara sus sesgos históricos por lugar, fecha y cuantiles; combina una corrección aprendida con observaciones recientes y climatología; y devuelve probabilidades válidas. No intenta simular desde cero la atmósfera.
Ese diseño importa porque el tramo de dos a seis semanas es un «desierto de predictibilidad». Los pequeños errores se acumulan y, en algunas variables, un modelo sofisticado puede rendir peor que la climatología: la probabilidad habitual para esa época del año. PBC busca rescatar la señal que todavía conserva el pronóstico base.
El 98 % no es precisión
El estudio usa Ranked Probability Skill Score (RPSS), que compara una distribución probabilística con una referencia. Un valor positivo indica que la predicción aporta más que la climatología; no cuenta simplemente días acertados o fallidos.
Cuando los autores dicen que PBC mejora el 98 % de los objetivos de precipitación, se refieren a celdas geográficas evaluadas frente al sistema ECMWF ya corregido operativamente. Para temperatura la mejora aparece en el 91–92 % de las celdas y para presión en el 89–91 %. La magnitud cambia: frente al ECMWF corregido, la ganancia relativa de RPSS es del 26–37 % en temperatura y del 16–32 % en presión.
También hay resultados menos ambiguos sobre el proceso: aplicado al AIFS de ECMWF, PBC duplicó una habilidad que partía de un nivel modesto. En la AI Weather Quest de 2025, MicroDuet —la entrada basada en PBC— quedó primera en todas las variables y plazos durante la temporada inicial frente a 34 equipos y seis centros operativos.
Una probabilidad útil no es un parte para el domingo
A seis semanas no tiene sentido prometer lluvia a una hora concreta. El producto sirve para decisiones como reservar agua, preparar semillas o anticipar una temporada con más riesgo de frío. Expresa probabilidades semanales y categorías —por ejemplo, entre el 20 % más seco o más húmedo—, no el tiempo exacto de una localidad.
El piloto con la Kenya Meteorological Service Authority aporta una prueba de uso, aunque todavía temprana. Un meteorólogo del organismo afirma que la corrección probabilística mejoró más que otros métodos probados en el Gran Cuerno de África, pero señala la siguiente carencia: afinar precisamente los extremos de lluvia intensa y sequía que más afectan al agricultor.
Qué conviene exigir antes de una decisión costosa
- La variable, región y horizonte exactos; una media global puede esconder zonas peores.
- La referencia usada: climatología, modelo bruto o modelo ya corregido.
- Calibración de probabilidades y rendimiento en extremos, no solo RPSS medio.
- Validación en tiempo real posterior al entrenamiento y por un servicio meteorológico responsable.
Microsoft ha abierto el código de PBC y mantiene su modelo comercial de seis semanas en preview privada. La publicación científica y la competición independiente hacen que la evidencia sea más sólida que un anuncio de producto. Aun así, una mejora estadística no convierte una previsión subestacional en certeza local: amplía el margen para decidir bajo incertidumbre.
Nivel de evidencia: prueba independiente publicada. Artículo revisado en Nature, competición en tiempo real del ECMWF y piloto atribuido a la autoridad meteorológica de Kenia; no hemos ejecutado el código.
La metodología independiente de la AI Weather Quest del ECMWF explica el cálculo del RPSS y su comparación con climatología. Su archivo de premios identifica a MicroEnsemble entre los equipos destacados. Estos enlaces permiten revisar el método del organizador; los porcentajes específicos de PBC proceden del artículo científico citado.
Transparencia: artículo elaborado con asistencia de IA a partir de las fuentes enlazadas.
