¿Puede la inteligencia artificial reducir la huella de carbono de los modelos de predicción meteorológica?

Los pronósticos del tiempo dependen de enormes cálculos realizados por supercomputadores que necesitan mucha energía y, por lo tanto, emiten mucho CO2. La IA aparece como una alternativa prometedora, pero aún enfrenta desafíos importantes.

Los modelos numéricos son la principal herramienta para realizar pronósticos del tiempo.

Hacer el pronóstico del tiempo requiere analizar información sobre la temperatura, la presión, la humedad y los vientos, entre otros factores, de cada zona en un momento determinado. Son miles los datos que hay que calcular, por lo que desde hace décadas la meteorología depende de modelos computacionales basados en la física, que usan observaciones del estado actual de la atmósfera para estimar cómo evolucionará en las horas y días siguientes.

Estos modelos, que se ejecutan en supercomputadores, resuelven ecuaciones termodinámicas y de dinámica de fluidos para simular el comportamiento de la atmósfera.

Esta capacidad para hacer pronósticos diarios y proyecciones a futuro requiere un alto consumo de energía, y a medida que buscamos predicciones más precisas para enfrentar el cambio climático, nos topamos con una paradoja incómoda: el esfuerzo computacional para monitorizar el planeta también está contribuyendo, a través de sus emisiones, al calentamiento global.

La huella de carbono de la predicción meteorológica

Conocer cómo estará el tiempo es fundamental para múltiples actividades. En la agricultura, los pronósticos meteorológicos ayudan a los agricultores a planificar cuándo sembrar, cosechar y proteger sus cultivos de condiciones climáticas adversas.

En la minería, para evitar retrasos por lluvias o tormentas. En la aviación, los pilotos y controladores aéreos dependen de la información meteorológica para planificar vuelos seguros y evitar turbulencias o condiciones peligrosas.

Para el ciudadano en general, para saber si saca el paraguas o se viene otra ola de calor. No es un servicio prescindible y, por eso, predecir el tiempo se hace desde hace siglos.

Pero hoy somos más conscientes de la huella de carbono que la predicción meteorológica tiene y, por ello, también se buscan alternativas para disminuir el consumo de electricidad necesario para realizar los complejos cálculos informáticos. Por contradictorio que parezca, una de ellas podría ser el uso de la inteligencia artificial.

¿Los modelos meteorológicos basados en IA tienen una menor huella?

La huella de carbono de los modelos tradicionales de predicción meteorológica basados en la física –como el sistema IFS europeo, uno de los más precisos del mundo– varía según el lugar donde operan.

Un reciente estudio determinó que realizar dos pronósticos diarios a 10 días de plazo (con un conjunto de 51 miembros) operando desde Noruega generaría 14,2 toneladas de CO₂ equivalente (tCO₂e), pero hacerlo en Estados Unidos, China o Polonia, cuyas matrices energéticas son más contaminantes, podría elevar la huella hasta 396.4 tCO₂e, haciendo el mismo trabajo.

Actualmente, la inteligencia artificial en la predicción meteorológica está principalmente en fase de entrenamiento, pero ya existen modelos basados en datos que generan pronósticos mediante algoritmos de aprendizaje profundo entrenados con enormes conjuntos de datos meteorológicos históricos.

Esta fase de entrenamiento es la más costosa a nivel computacional y energético, pero la de inferencia o predicción, que es la que genera el pronóstico real, es sumamente rápida, por lo que utiliza menos energía.

Este punto es lo que podría hacerla menos contaminante, ya que, dependiendo del modelo y el lugar donde opere, considerando un año de uso, podría consumir al menos 21 veces y hasta 1.200 veces menos energía que los modelos tradicionales. Además, podría permitir que la fase más demandante (entrenamiento) se realizara en países con energías renovables, mientras los pronósticos se corrieran en el país de destino.

Los límites actuales de la IA y la imposibilidad de hacerlo “a mano”

Aunque la inteligencia artificial promete mayor eficiencia energética, aún presenta limitaciones en la predicción meteorológica. Estos modelos suelen operar con resoluciones más bajas que sistemas como el IFS, lo que dificulta detectar fenómenos locales como tormentas intensas, lluvias convectivas o cambios de viento.

Además, procesan menos variables atmosféricas que los modelos numéricos tradicionales, por lo que todavía no son equivalentes operativamente. Si su complejidad aumenta para mejorar resultados, también podría crecer su consumo energético, obligando a reevaluar su verdadera huella de carbono.

En los centros de pronóstico es común usar distintos modelos globales provenientes de distintos centros internacionales de pronóstico.

Pensar en el costo energético de la predicción meteorológica moderna invita también a imaginar el escenario contrario: ¿qué pasaría si intentáramos calcular el tiempo sin supercomputadores?

A comienzos del siglo XX, el matemático y meteorólogo británico Lewis Fry Richardson intentó calcular a mano el estado futuro de la atmósfera resolviendo manualmente las ecuaciones físicas que describen su comportamiento. Tardó semanas en calcular apenas unas horas de evolución atmosférica.

Hoy, para un pronóstico global a 10 días con métodos manuales, probablemente necesitaríamos decenas de miles de personas trabajando durante meses para obtener un resultado que, además, llegaría demasiado tarde para ser útil. La atmósfera habría cambiado mucho antes de terminar las cuentas.

Referencias de la noticia

Rieutord, T., Mignon, C., McAufield, E. and Gleeson, E. (2026), Energy and carbon footprint considerations for data-driven weather forecasting models. Weather.

Viñas, José Miguel (2017). El sueño de Richardson. Meteored.