Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarDeepMind Blog→ original

DeepMind abre los datos de su IA meteorológica: detecta la lluvia un 30% mejor que la referencia de NASA

DeepMind ha abierto los datos con los que entrenó su modelo meteorológico WeatherNext 3: el mosaico satelital horario SatWeave y el mapa de precipitaciones PARDIG. En las lluvias débiles y moderadas, PARDIG detecta más de un 30% más de lluvia que IMERG-Final, el conjunto de estimaciones de precipitaciones de NASA. El mapa tiene una resolución temporal de 15 minutos y una resolución espacial de unos 10 km, incluso donde no hay radares. Para los desarrolladores, es una base lista para modelos de inundaciones y sequías.

Procesado por IA desde DeepMind Blog; editado por Hamidun News
DeepMind abre los datos de su IA meteorológica: detecta la lluvia un 30% mejor que la referencia de NASA
Fuente: DeepMind Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalDeepMind Blog ↗
Editor jefe
Dato clave #1SatWeave se actualiza cada hora y su archivo supera los diez años
PARDIGarchivo de 1999 a 2026, con datos recientes que llegan con un retraso de unas 5 horas
Dato clave #3Los datos están en Google Cloud Storage; PARDIG, además, en Earth Engine

Para predecir el tiempo no basta con una buena red neuronal: hay que saber qué ocurre en este momento sobre el planeta y cuánta lluvia ha caído realmente. Eso es complicado: no hay radares ni pluviómetros en todas partes, y los satélites captan la información cada uno a su manera. Google DeepMind ha decidido abrir justamente esa parte de la cocina.

El equipo de WeatherNext ha publicado dos conjuntos de datos en los que se basa su nuevo modelo meteorológico con IA, WeatherNext 3: SatWeave (una imagen satelital horaria de todo el mundo) y PARDIG (un mapa de precipitaciones de todo el planeta). La cifra principal de la publicación se refiere a PARDIG. Detecta las lluvias débiles y moderadas más de un 30% mejor que IMERG-Final, es decir, el conjunto de estimaciones de precipitaciones de NASA en el que se apoyan muchas aplicaciones.

Imaginemos una aplicación de seguros agrícolas: si el conjunto de datos antiguo se pierde una de cada tres lluvias o dibuja chubascos donde no llovió, los pagos se calculan mal. El nuevo mapa reduce esos fallos. Ambas colecciones están disponibles tanto como archivo histórico como en forma de flujo de datos en tiempo real.

SatWeave: una única imagen de la Tierra a partir de distintos satélites

El problema es conocido por cualquiera que haya unido datos de varias fuentes. El planeta lo fotografían distintos satélites geoestacionarios: los estadounidenses GOES-East y GOES-West, los europeos Meteosat y el japonés Himawari. Cada uno tiene sus propias proyecciones cartográficas, formatos de archivo, sensores y calendario de captura: una imagen llega cada 10 a 30 minutos. Por eso hay pocos mosaicos globales listos para usar, y los que existen suelen estar recortados: cuatro canales o menos, o actualizaciones cada varias horas.

SatWeave unifica todo en un único mapa mundial con 17 canales: luz visible, vapor de agua e infrarrojos. Se actualiza cada hora. Para WeatherNext 3 esto es importante: el modelo obtiene una visión reciente de las nubes y tormentas en formación, en lugar de depender de datos de análisis que muchos modelos actualizan solo cada seis horas. Se han abierto tanto el flujo horario como un archivo de más de diez años. DeepMind también menciona usos concretos: la previsión de la producción de plantas solares y la monitorización de incendios forestales.

PARDIG: un mapa de precipitaciones allí donde no hay radares

El segundo conjunto de datos aborda otro problema. La precipitación se puede medir con precisión mediante radares terrestres y una red densa de pluviómetros, pero estos no existen en todas partes. Sobre los océanos, en las montañas y en muchos países en desarrollo la cobertura es escasa.

PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) sortea esa limitación. Un modelo de arquitectura similar a la de WeatherNext 3 aprende directamente a partir de las escasas mediciones del radar espacial GPM Core Observatory de NASA. Como entrada recibe las imágenes de SatWeave y los campos atmosféricos del centro ECMWF. Como salida genera un mapa de precipitaciones de todo el planeta con una resolución temporal de 15 minutos y una espacial de unos 10 km. Los datos recientes llegan con un retraso medio de unas cinco horas.

La validación se realizó con tres redes de radares continentales (Estados Unidos, Europa y Japón) y con más de 36.000 estaciones meteorológicas. Según DeepMind, PARDIG supera a los principales análogos globales en todos los niveles de intensidad de lluvia, incluido IMERG-Final.

El 30% se mide con la métrica Critical Success Index, que indica con qué frecuencia la predicción horaria coincide con el radar y penaliza tanto las lluvias no detectadas como las falsas alarmas. Además, se señala que el modelo se comporta mejor con los chubascos extremos, que los productos globales suelen pasar por alto. Un ejemplo ilustrativo son las inundaciones de julio de 2025 en Texas, donde PARDIG se comparó con el radar terrestre de la NOAA y con IMERG-Final.

El archivo histórico de PARDIG abarca el periodo de 1999 a 2026.

Qué hacer con esto y qué matices hay

Para desarrolladores e investigadores, es un caso poco habitual: los datos de entrenamiento de un laboratorio de primer nivel están disponibles en abierto. Los datos se alojan en Google Cloud Storage, y el catálogo histórico de PARDIG también está disponible en Google Earth Engine. Sirven para entrenar modelos propios de inundaciones, deslizamientos de tierra y sequías, sobre todo en regiones sin redes densas de radares. También son útiles para servicios aplicados, desde la energía hasta los seguros agrícolas.

Hay matices. Una resolución de unos 10 km es bastante más gruesa que la de un radar terrestre: en el ejemplo de las inundaciones de Texas, el radar de la NOAA ofrece aproximadamente 1 km. Para tareas urbanas locales, PARDIG no sustituye al radar, sino que sirve para cubrir los vacíos. La afirmación de fiabilidad «en cualquier punto de la Tierra» sigue siendo una expectativa de los autores: en regiones sin mediciones terrestres no hay forma directa de comprobarla. Todas las cifras comparativas proceden, por ahora, de la propia DeepMind; el texto no incluye pruebas independientes. Por último, se trata de datos para especialistas en información geoespacial: para trabajar con ellos hacen falta conocimientos de procesamiento de rásteres satelitales.

Aun así, el paso es notable. Un mosaico satelital con actualización horaria y un mapa global de precipitaciones de muchos años se convierten en infraestructura de acceso público, y no en un recurso interno de Google.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre SatWeave: una única imagen de la Tierra a partir de distintos satélites?

El problema es conocido por cualquiera que haya unido datos de varias fuentes. El planeta lo fotografían distintos satélites geoestacionarios: los estadounidenses GOES-East y GOES-West, los europeos Meteosat y el japonés Himawari. Cada uno tiene sus propias proyecciones cartográficas, formatos de archivo, sensores y calendario de captura: una imagen llega cada 10 a 30 minutos.

¿Qué se sabe sobre PARDIG: un mapa de precipitaciones allí donde no hay radares?

El segundo conjunto de datos aborda otro problema. La precipitación se puede medir con precisión mediante radares terrestres y una red densa de pluviómetros, pero estos no existen en todas partes. Sobre los océanos, en las montañas y en muchos países en desarrollo la cobertura es escasa. PARDIG (Precipitation AI Reanalysis: Densely Inferred GPM) sortea esa limitación.

¿Qué se sabe sobre Qué hacer con esto y qué matices hay?

Para desarrolladores e investigadores, es un caso poco habitual: los datos de entrenamiento de un laboratorio de primer nivel están disponibles en abierto. Los datos se alojan en Google Cloud Storage, y el catálogo histórico de PARDIG también está disponible en Google Earth Engine. Sirven para entrenar modelos propios de inundaciones, deslizamientos de tierra y sequías, sobre todo en regiones sin redes densas de radares. También son útiles para servicios aplicados, desde la energía hasta los seguros agrícolas.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…