✨︎ Resumen (TL;DR):
- PBC añade una capa de aprendizaje automático que corrige errores históricos de los modelos meteorológicos.
- La técnica duplicó la habilidad media de AIFS-SUBS, con una puntuación inicial de 0.03 en RPSS en la evaluación de 2025.
- Las pruebas cubrieron la tercera y cuarta semanas, pero la mejora se concentra en la banda tropical y sigue limitada en Europa.
Un equipo de investigadores de Microsoft, MIT y otras instituciones mejoró los pronósticos meteorológicos de varias semanas con una capa de aprendizaje automático llamada corrección probabilística de sesgos (PBC). En la evaluación de 2025, la técnica duplicó la habilidad media de AIFS-SUBS, el sistema de IA del ECMWF, y busca dar más margen para planificar cultivos, gestionar energía y preparar respuestas ante fenómenos extremos.
Cómo PBC corrige el pronóstico
La corrección probabilística de sesgos (PBC) es una capa de aprendizaje automático que aprende de los errores históricos de cada sistema y ajusta sus nuevas previsiones.
Nature publicó el estudio que lideró Hannah Guan el 14 de octubre de 2026. PBC se aplica después de que el modelo genera su pronóstico y ajusta tanto el resultado más probable como su incertidumbre.
Darío Redolat, consultor de la Fundación para la Investigación del Clima, explicó al Science Media Centre España que el método puede actualizarse con nuevos datos sin ejecutar otra vez todo el modelo. El código es abierto y, según MIT News, su ejecución no requiere una supercomputadora.
Qué significa duplicar la habilidad predictiva
El manuscrito disponible en arXiv detalla que PBC duplicó la habilidad media de AIFS-SUBS, el sistema de IA del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), en la evaluación de 2025. La puntuación inicial era 0.03 en RPSS, una métrica que compara las probabilidades pronosticadas con una referencia climática histórica. Un valor positivo indica una ventaja sobre esa referencia.
Las pruebas principales se concentraron en la tercera semana, los días 19 a 25, y en la cuarta, los días 26 a 32. El equipo evaluó temperatura media, precipitación acumulada y presión atmosférica en una malla global de 1.5 por 1.5 grados. Los resultados corresponden a periodos semanales y áreas amplias.
La prueba en tiempo real y el límite regional
La evidencia incluye predicciones emitidas antes de conocer el tiempo observado. En su balance de marzo de 2026, el ECMWF confirmó que MicroDuet, un sistema que incorpora PBC, encabezó la clasificación de AI Weather Quest en ambos plazos durante septiembre a noviembre de 2025 y diciembre de 2025 a febrero de 2026. La competencia evaluó las semanas tercera y cuarta.
El beneficio cambia por región. Froila M. Palmeiro, investigadora del Instituto de Geociencias (CSIC-UCM), señaló al Science Media Centre España que la mejora se concentra sobre todo en la banda tropical y sigue siendo limitada en Europa.
Robert Monjo, director de Investigación e Innovación de la Fundación para la Investigación del Clima, añadió que la validación usa ERA5, una reconstrucción del tiempo con incertidumbres propias. También advirtió que duplicar la habilidad desde una base modesta no asegura una predicción útil.
Del dato estadístico a la decisión práctica
El ECMWF identifica como siguiente reto convertir esas mejoras en orientación práctica para los servicios meteorológicos nacionales. Para agricultores y gestores de energía, el valor estará en disponer de probabilidades que ayuden a decidir con semanas de margen.
La métrica mejora, pero la evidencia también fija sus límites: las pruebas cubren periodos semanales y áreas amplias, y el beneficio regional no es uniforme.
