3 min de lecturaDatos e IA

Gemelo meteorológico híbrido: combinar modelos físicos con aprendizaje automático

En mayo de 2022, TempoQuest describió un Hybrid Weather Twin (gemelo meteorológico híbrido): modelos meteorológicos basados en la física combinados con aprendizaje automático. En qué destaca cada tipo de modelo y dónde se usa hoy esa combinación.

La Tierra vista desde la órbita, dividida en dos: la mitad izquierda dibujada como datos de modelo en verde y azul brillantes con isolíneas blancas, y la mitad derecha como imágenes de satélite reales de nubes sobre tierra y mar.

Publicado por primera vez el 11 de mayo de 2022 · Actualizado el 16 de noviembre de 2026

Un responsable de ciencia de datos que necesita pronósticos meteorológicos tiene hoy dos tipos de modelo entre los que elegir. Los modelos basados en la física resuelven las ecuaciones de la atmósfera y consumen mucho cómputo. Los modelos de aprendizaje automático producen un pronóstico con rapidez una vez entrenados, pero solo saben lo que les enseñaron sus datos de entrenamiento. La mayoría de los equipos acaba necesitando ambos. En mayo de 2022, TempoQuest describió un concepto al que llamó Hybrid Weather Twin (gemelo meteorológico híbrido), que combina modelos basados en la física con aprendizaje automático. Este artículo retoma la idea: qué se propuso, en qué destaca cada tipo de modelo y dónde se usa realmente hoy esa combinación.

Qué proponía el concepto de 2022

Un gemelo digital es una réplica digital de un sistema físico, que se mantiene al día con mediciones del sistema real. El artículo de 2022 aplicó el término a la meteorología. Su gemelo híbrido emparejaba un modelo de pronóstico basado en la física con modelos basados en datos, entrenados con observaciones.

El concepto situaba el aprendizaje automático en tres puntos de la cadena de pronóstico:

  1. Antes del modelo, para seleccionar y preparar las observaciones.
  2. Dentro del modelo, para sustituir los cálculos de física más costosos.
  3. Después del modelo, para encontrar patrones y valores atípicos en la salida y para corregir el sesgo local.

También usaba la palabra «híbrido» para la infraestructura: CPU y GPU, nube e instalaciones propias, datos públicos y privados. El diagrama siguiente procede de aquel artículo.

Diagrama por capas del concepto Hybrid Weather Twin de 2022. De abajo arriba: infraestructura híbrida (CPU y GPU), despliegue híbrido (nube e instalaciones propias), fuentes de datos, transformación y asimilación de datos, modelos híbridos que emparejan un modelo WRF basado en la física con modelos de aprendizaje automático, posprocesamiento, y salidas en forma de API, visualización e informes.

El Hybrid Weather Twin era un concepto, no un producto.

En qué destaca cada tipo de modelo

Los modelos basados en la física parten de las leyes del movimiento y de la termodinámica. Sus puntos fuertes:

  • Pueden simular una situación que nunca se ha observado, porque no dependen de ejemplos pasados.
  • Su salida es completa y físicamente coherente: todas las variables en todas las celdas de la malla.
  • Su comportamiento puede rastrearse hasta una causa, lo que importa cuando se cuestiona un pronóstico.

Su costo es el cómputo, y las mallas finas necesitan mucho.

Los modelos de aprendizaje automático aprenden patrones a partir de datos históricos. Sus puntos fuertes:

  • Una vez entrenados, producen un pronóstico con rapidez.
  • Pueden aprender las particularidades locales de un emplazamiento que a un modelo físico se le escapan, como un sesgo constante en una torre meteorológica.

Su límite son los datos de entrenamiento. Un modelo entrenado con registros de baja resolución o de corta duración no puede producir un detalle ni unos extremos que nunca ha visto.

Por eso los dos enfoques se complementan. El modelo físico puede generar los datos detallados y coherentes que necesita el modelo de aprendizaje. El modelo de aprendizaje puede corregir el modelo físico frente a las observaciones.

Dónde se usa hoy la combinación

Estos son tres ejemplos actuales.

Salidas de modelos físicos como datos de entrenamiento para IA

El detalle de una malla fina no es prueba de la calidad del pronóstico. Vea cómo evaluar un pronóstico, incluida una comparación histórica acotada con observaciones de lidar.

La lección para cualquier sistema híbrido está en ese par de resultados. La combinación superó a la referencia allí donde la ejecución de malla fina por sí sola no lo hizo, y solo la evaluación frente a observaciones lo puso de manifiesto.

La verificación como árbitro

Toda combinación necesita un árbitro. La verificación estándar evalúa un pronóstico frente a estaciones, lidar o radar, con medidas como el sesgo, el error absoluto medio y la raíz del error cuadrático medio. Por otra parte, TempoQuest está desarrollando una herramienta de verificación de pronósticos, la Forecast Verification Tool, diseñada para mejorar la verificación de los pronósticos meteorológicos.

Preguntas que resolver antes de construir uno

  • ¿Frente a qué va a evaluar? Elija primero las observaciones y la medida de error. Sin ellas no podrá saber si una combinación ayuda.
  • ¿Son los datos de entrenamiento lo bastante finos? La resolución y la cadencia del conjunto de entrenamiento limitan lo que el modelo aprendido puede mostrar.
  • ¿Qué ocurre fuera del rango de entrenamiento? Prepárese para el episodio récord. Mantenga en el proceso un pronóstico basado en la física para las condiciones que el modelo aprendido no ha visto.
  • ¿Quién ejecuta el modelo físico? Puede ejecutar WRF usted mismo en GPU con AceCAST, o recibir los datos según sus especificaciones.

Qué hacer ahora

Solicite datos a medida o vea AceCAST.

Su pronóstico

¿Tiene su propia pregunta sobre pronósticos?

Cuéntenos a qué decisión debe servir. Un formulario breve basta para llegar al equipo, y revisamos todas las solicitudes.