Saber cuánta lluvia cae ahora mismo, en todas partes, es más difícil de lo que parece. Los países ricos tienen redes densas de radares y pluviómetros; buena parte del mundo no, y es allí donde las inundaciones suelen hacer más daño. Google DeepMind ha publicado dos conjuntos de datos que están detrás de su modelo de previsión WeatherNext 3, un mosaico mundial de satélites llamado SatWeave y un registro de lluvia creado con IA llamado PARDIG, con archivos históricos y datos en directo que cualquiera puede usar.
SatWeave resuelve un problema de fontanería. Los satélites meteorológicos geoestacionarios, como GOES-East y GOES-West, dos satélites Meteosat y Himawari, usan cada uno proyecciones, formatos de archivo, sensores y ciclos de barrido distintos, de 10 a 30 minutos. La mayoría de los compuestos mundiales lo resuelven renunciando a detalle, con cuatro canales o menos o actualizaciones cada pocas horas. SatWeave los combina en un único mosaico mundial con 17 canales visibles, de vapor de agua e infrarrojos, actualizado cada hora, con un archivo histórico de más de una década. Esa actualización horaria permite a WeatherNext 3 iniciar previsiones nuevas con más frecuencia que los modelos que dependen de análisis renovados cada seis horas.
PARDIG es la pieza más ambiciosa. Se entrena con las lecturas dispersas del radar espacial del Global Precipitation Measurement Core Observatory de la NASA, usando imágenes de SatWeave y campos atmosféricos del ECMWF como entrada, y completa un mapa mundial de precipitación con resolución de 15 minutos y unos 10 kilómetros, con un retraso medio de unas cinco horas. Google lo evaluó frente a redes de radar de EE. UU., Europa y Japón y más de 36.000 estaciones meteorológicas, e informa de que supera a IMERG-Final, el producto de investigación de la NASA, en todas las intensidades de lluvia analizadas, mejora en más de un 30% la detección horaria de lluvia ligera a moderada y rinde especialmente bien en los extremos. El archivo va de 1999 a 2026.
El valor práctico está en que son abiertos. Ambos conjuntos están en Google Cloud Storage, y el histórico de PARDIG también en Google Earth Engine. Hidrólogos, aseguradoras y agencias de emergencias que trabajan donde no hay radar podrían usarlos en modelos de inundaciones, deslizamientos y sequías, y Google sugiere SatWeave para la energía solar y la vigilancia de incendios. Continúa una tendencia del trabajo meteorológico con IA, de DeepMind y de otros, que ya trata tanto de datos como de modelos.
Las salvedades importan. La comparación con IMERG-Final es de la propia Google, y hidrólogos independientes tendrán que confirmarla. Una resolución de diez kilómetros es gruesa frente al radar terrestre, de alrededor de un kilómetro, así que no sustituirá a los sistemas locales. La afirmación de Google de una precisión fiable en todas partes es una expectativa basada en aprender de satélites, y las regiones evaluadas son justo las que ya tienen buen radar.