Los modelos meteorológicos de IA son útiles para los pronósticos de huracanes, pero tienen algunas limitaciones

A medida que las herramientas de IA desempeñan un papel cada vez más importante en la modelización de riesgos de alto impacto, investigadores de la Universidad de Rice afirman que persiste una pregunta fundamental: ¿Las tormentas tropicales generadas por IA se comportan de forma realista?

Su nuevo estudio, publicado en la revista Journal of Geophysical Research: Atmospheres, ofrece una evaluación exhaustiva de cómo los modelos meteorológicos globales basados en IA simulan los ciclones tropicales. Los investigadores descubrieron que, si bien los sistemas de IA más avanzados predicen con precisión las trayectorias y el comportamiento a gran escala de las tormentas tropicales, pueden tener dificultades para reproducir su estructura física, en particular los patrones de viento que generan impactos en el mundo real.

“En los últimos años, hemos visto una explosión en los modelos meteorológicos basados en IA”, dijo la autora principal, Avantika Gori, profesora asistente de ingeniería civil y ambiental en Rice. “Estos sistemas se entrenan con conjuntos de datos atmosféricos masivos y, una vez entrenados, pueden generar pronósticos globales en solo uno o dos minutos, lo que es muchísimo más rápido que los modelos tradicionales basados en la física”.

Esa velocidad representa un cambio radical en la predicción meteorológica. Los modelos numéricos convencionales simulan los procesos atmosféricos resolviendo ecuaciones físicas complejas, un método computacionalmente costoso. En cambio, los modelos de IA aprenden relaciones estadísticas a partir de datos históricos, lo que les permite generar pronósticos con una eficiencia notable.

Pero su complejidad también plantea desafíos.

“Debido a que estos modelos son tan complejos, con millones o miles de millones de parámetros, no siempre podemos comprender cómo generan sus predicciones”, explicó Gori. “En el caso de eventos de gran impacto, como los ciclones tropicales, esto hace que la evaluación sistemática sea de vital importancia”.

Evaluación dos modelos de IA con tormentas tropicales

El estudio evaluó dos modelos meteorológicos globales de IA destacados, Pangu-Weather y Aurora, utilizando tormentas de las cuencas del Atlántico Norte y del Pacífico Norte occidental entre 2020 y 2025. Para garantizar una prueba rigurosa, los investigadores simularon aproximadamente 200 tormentas tropicales fuera de los períodos de entrenamiento de los modelos y luego compararon las características de las tormentas generadas por la IA con los datos de reanálisis ERA5.

“Queríamos determinar si los modelos podían reproducir la climatología y los comportamientos físicos observados en tormentas reales”, dijo Yanmo Weng, estudiante postdoctoral y primer autor del estudio. “Muchas evaluaciones anteriores examinaron solo uno o dos ciclones, pero al analizar cientos de tormentas, pudimos extraer conclusiones más precisas y generalizables sobre el rendimiento del modelo”.

Su análisis demostró que la modelización mediante inteligencia artificial fue la más eficaz para pronosticar la trayectoria de las tormentas.

“Descubrimos que los modelos de IA que evaluamos tuvieron un desempeño extraordinario en la predicción de las trayectorias de los ciclones”, dijo Gori. “Reprodujeron con gran precisión por dónde se desplazaron las tormentas y dónde tocaron tierra, lo cual es tranquilizador, ya que pronosticar la trayectoria de una tormenta ayuda a tomar decisiones sobre evacuaciones y a emitir alertas tempranas”.

La intensidad de las tormentas tropicales, que tradicionalmente ha representado un desafío para los modelos meteorológicos de IA, mostró una mejora desigual pero prometedora. Los sistemas de IA anteriores solían subestimar la fuerza de los ciclones tropicales, sin detectar los vientos más fuertes ni las presiones más bajas asociadas a las tormentas más intensas. En la evaluación comparativa de Rice, Aurora se ajustó mejor a las distribuciones de intensidad de ERA5, mientras que Pangu-Weather presentó mayores sesgos para los ciclones más intensos.

Aun así, representar con precisión las tormentas extremas sigue siendo difícil. Los investigadores hicieron hincapié en una advertencia importante: el propio modelo ERA5 tiende a subestimar la intensidad máxima en comparación con las observaciones, lo que significa que la concordancia con el reanálisis no implica automáticamente precisión.

La principal advertencia del estudio se refería al realismo físico de los campos de viento simulados: la estructura interna de los vientos dentro de las tormentas generadas por IA. Si bien muchas simulaciones parecían visualmente convincentes, un análisis más detallado reveló que no siempre cumplían con las restricciones físicas establecidas. Las pruebas de equilibrio del viento de gradiente, una relación fundamental que rige los ciclones maduros, mostraron desviaciones notables, particularmente cerca de los centros de las tormentas.

“Estas inconsistencias no siempre son obvias”, dijo Gori. “Los campos de viento pueden parecer realistas sin dejar de violar aspectos clave de la física atmosférica”.

El equipo también descubrió que ambos modelos de IA tendían a sobreestimar el tamaño del núcleo interno, especialmente en tormentas tropicales más intensas. Estos sesgos son importantes porque los impactos de los ciclones dependen no solo de su trayectoria, sino también de la organización de los vientos, factores que influyen en las proyecciones de daños por viento, precipitaciones y marejadas ciclónicas. Por lo tanto, capturar con precisión la estructura de la tormenta es fundamental para la evaluación de riesgos. Cuando los campos de viento no son físicamente consistentes, las predicciones de peligros y daños aguas abajo pueden verse afectadas.

Más allá de los sesgos específicos de los modelos, los investigadores también hicieron hincapié en una lección más amplia: las herramientas de IA todavía dependen de la experiencia en el campo.

Fuente: Universidad de Rice

Referencia

Weng, Y., & Gori, A. (2026). Climatological benchmarking of AI-generated tropical cyclones. Journal of Geophysical Research: Atmospheres, 131, e2025JD044753. https://doi.org/10.1029/2025JD044753