De Bjerknes a Richardson: soñar con predecir la atmósfera
A comienzos del siglo XX, el meteorólogo noruego Vilhelm Bjerknes propuso una idea visionaria: la atmósfera podría describirse mediante las leyes de la física. Si conociéramos con precisión su estado actual —temperatura, presión, humedad y viento en cada punto— podríamos calcular su evolución futura. En teoría, el tiempo era predecible.
Más tarde, en 1917, inspirado por las ideas de Bjerknes, el británico Lewis Fry Richardson intentó llevar a la práctica la primera predicción meteorológica numérica. Dividió Europa en una cuadrícula de celdas y, con lápiz, papel y una calculadora mecánica, resolvió paso a paso las ecuaciones que describen el movimiento del aire. Tardó semanas en obtener un pronóstico de seis horas… y el resultado fue completamente erróneo: la presión calculada variaba de forma absurda. El fallo no estaba en las ecuaciones, sino en los datos iniciales, que no representaban un estado atmosférico real ni equilibrado. Aun así, su intuición fue visionaria: Richardson comprendió que el obstáculo no era teórico, sino tecnológico, e imaginó una “fábrica de pronósticos” llena de calculistas, una metáfora profética de los superordenadores actuales.
De los cálculos a mano a los superordenadores
El intento de Richardson fue un fracaso, pero su idea era brillante. Lo que él hizo a mano en semanas, hoy lo hacen los superordenadores en cuestión de segundos. La predicción del tiempo consiste en resolver varias ecuaciones que describen cómo se comporta el aire en la atmósfera: cómo se mueve, cómo cambia su temperatura y cómo se transforma el vapor en nubes o lluvia. El problema es que actualmente no se conoce una solución exacta de las mismas. De hecho su resolución constituye uno de los problemas del milenio de las matemáticas, todavía sin resolver.
Por ello hay que recurrir a métodos numéricos, lo que implica “trocear” el planeta en una cuadrícula tridimensional, como si se cubriera la Tierra con una red de puntos que se extiende también hacia arriba desde su superficie. En cada punto de esta red los modelos meteorológicos predicen cómo varían las distintas variables del tiempo con el paso de las horas.
Esta simplificación de la atmósfera como una malla de puntos tiene un precio. Si las celdas de esa cuadrícula son grandes, los fenómenos pequeños —una nube convectiva, un chubasco aislado, un remolino— no se pueden representar directamente. En esos casos, los modelos usan fórmulas aproximadas que de manera empírica estiman el efecto medio de esos procesos sobre escalas mayores; a esto se le llama parametrización. Si se quiere ver más detalle, hay que usar una malla más fina, pero eso incrementa los cálculos exponencialmente.
Por ello, aumentar la resolución no es fácil: requiere más potencia de cálculo, más tiempo y mucha más energía. Los modelos globales más avanzados, como el del Centro Europeo de Predicción a Medio Plazo (ECMWF), actualmente dividen el planeta en celdas de unos 9 kilómetros de lado, mientras que los modelos regionales —los que solo simulan una parte más pequeña de la atmósfera— llegan a 1 o 2 kilómetros. Aun así, muchos procesos, como la formación de gotas en las nubes o los fenómenos de turbulencia cerca del suelo, como los tornados, siguen fuera del alcance directo de los cálculos.
Para que los modelos funcionen, necesitan un punto de partida lo más preciso posible. La atmósfera cambia constantemente y las observaciones —de satélites, aviones o estaciones meteorológicas— nunca cubren todo el planeta. Por eso, antes de cada pronóstico, los meteorólogos combinan esas mediciones con el campo previsto por el modelo en un proceso llamado asimilación de datos.
Este paso es fundamental: si el punto de partida no refleja bien la realidad, el error crece rápidamente y el pronóstico se degrada. Es decir, sin observaciones no hay predicción posible. Por eso, invertir en redes de observación, satélites y estaciones es tan importante como mejorar los modelos o los ordenadores que los ejecutan. Cuanto mejor conozcamos cómo está la atmósfera hoy, más fiables serán las previsiones de mañana.
Ahora bien, incluso con observaciones perfectas, existiría un límite. La atmósfera es un sistema caótico y pequeños errores em las condiciones iniciales, imposibles de eliminar por completo, acaban amplificándose con el tiempo —el conocido efecto mariposa. Esto impone un horizonte natural de predictibilidad: más allá de unos 10-14 días, dependiendo de cada situación, el pronóstico meteorológico deja de ser fiable.
Por eso, a diferencia de la predicción meteorológica, la predicción climática no intenta anticipar el tiempo día a día, sino describir tendencias y comportamientos medios a largo plazo. De hecho, el clima se define como el promedio del tiempo atmosférico a lo largo de muchos años. Esto es posible gracias a la información sobre las condiciones de contorno del sistema. Factores como la temperatura del océano, la extensión del hielo, la nieve o el estado del suelo cambian más lentamente que la atmósfera y ayudan a guiar su evolución. Además, incorporando también el efecto del forzamiento de los gases de efecto invernadero y los aerosoles, permite a estos modelos predecir cómo el clima a largo plazo.
Figura 4. Evolución a lo largo de los años de la habilidad de predicción (coeficiente de correlación de anomalías, ACC) del modelo de alta resolución del ECMWF (HRES) para la altura geopotencial a 500 hPa. Se muestra la media móvil de 12 meses del ACC para los días 3 (azul), 5 (rojo), 7 (verde) y 10 (amarillo) de pronóstico. Las líneas gruesas corresponden al hemisferio norte y las finas al hemisferio sur. La diferencia de habilidad entre hemisferios disminuye progresivamente, reflejando la mejora de las observaciones y de la asimilación de datos en el hemisferio sur. Fuente: ECMWF charts
La revolución silenciosa
Durante las últimas décadas, la predicción numérica del tiempo ha avanzado de forma constante gracias al aumento del poder de cálculo, las mejoras en la observación, sobre todo gracias a la mayor cobertura satelital, y la refinada asimilación de datos.
Hoy, un pronóstico de cinco días es tan fiable como uno de tres hace treinta años. Y esto se ha logrado mediante una acumulación continua de mejoras, sin grandes saltos disruptivos: una auténtica revolución silenciosa.
La nueva revolución de la inteligencia artificial
En los últimos años, la meteorología ha vivido un cambio importante. Los modelos basados en inteligencia artificial (IA) aprenden directamente de décadas de datos atmosféricos — bases de datos históricos que combinan observaciones y simulaciones— para hacer sus propias predicciones meteorológicas. A diferencia de los modelos tradicionales, no resuelven las ecuaciones físicas paso a paso, sino que aprenden patrones a partir de millones de ejemplos: cómo se desplazan las borrascas, cómo se forman los frentes o cómo varían la presión y la temperatura con el tiempo.
Podría decirse que la IA “mira” la atmósfera como quien observa miles de películas del tiempo y aprende a reconocer su ritmo. Es una aproximación diferente, pero muy potente, aunque en última instancia basada en datos generados por los modelos numéricos físicos (reanálisis). Modelos como GraphCast (de Google DeepMind) o Pangu-Weather (de Huawei) ya consiguen pronósticos globales tan buenos como los sistemas numéricos tradicionales, y los generan en cuestión de minutos, usando una fracción mínima de energía.
El ECMWF también ha desarrollado su propio sistema, AIFS, que ya se ejecuta en paralelo a su modelo físico principal. En algunos casos incluso logra mejores resultados, por ejemplo en la predicción de trayectorias de ciclones tropicales o en la evolución de ciertos patrones de viento. Además, como una vez entrenados, los cálculos son mucho más rápidos, estos modelos permiten generar miles de pronósticos alternativos para estimar la incertidumbre, algo antes impensable por su coste computacional.
Sin embargo, la IA todavía tiene limitaciones claras. Sus modelos dependen de los datos con los que han sido entrenados: si el clima cambia o aparece una situación atmosférica no registrada durante el periodo de entrenamiento, su fiabilidad puede disminuir. Además, no siempre los modelos basados en IA respetan completamente las leyes físicas, lo que puede llevar a errores en situaciones extremas o muy inusuales. Por eso, los meteorólogos ven la IA como una herramienta complementaria, y no sustitutiva.
A corto plazo, la predicción del tiempo se moverá hacia sistemas híbridos, que combinen la física tradicional con las capacidades de aprendizaje de la inteligencia artificial. La IA puede aportar velocidad, eficiencia y nuevas formas de usar los datos; los modelos físicos aportan coherencia y capacidad de predecir condiciones extremas nunca vistas previamente.
