Las previsiones meteorológicas se han vuelto más precisas

Percepción general de la precisión de las previsiones

• Muchos comentaristas coinciden en que las previsiones a largo plazo (3–14 días) han mejorado frente a las de hace décadas, citando un mejor seguimiento de tormentas y de las tendencias de temperatura.
• Otros informan de previsiones peores o poco fiables en lugares concretos (p. ej., Boston, la zona de la Bahía, el sur de California), especialmente para la intensidad de la lluvia, la dirección del viento o los microclimas costeros/de montaña.
• Varios señalan que las previsiones de 1–2 días suelen ser sólidas, pero las predicciones hora a hora o minuto a minuto parecen malas.

Lluvia hiperlokal y “nowcasting”

• Los antiguos usuarios de Dark Sky elogian ampliamente sus alertas de lluvia con precisión al minuto; muchos sienten que la integración de Apple degradó la precisión.
• Son frecuentes las quejas de aplicaciones que dicen “no hay lluvia” mientras está lloviendo (o viceversa); las explicaciones ofrecidas incluyen cuadrículas espaciales gruesas, salidas de modelos obsoletas, huecos en el radar y microburst.
• Algunas regiones (p. ej., los Países Bajos, partes de Europa) dependen mucho del radar de lluvia en vivo más que de previsiones textuales para decisiones a corto plazo como ir en bicicleta.

Modelos, IA y aspectos técnicos

• Se discute la predicción meteorológica numérica basada en la física frente a modelos de IA más nuevos (GraphCast, Pangu, AIFS de ECMWF).
• El consenso en el hilo: los modelos de IA están aproximadamente a la par o algo por encima de los modelos tradicionales de última generación, pero no suponen un salto dramático para los usuarios finales.
• Los productos de corto alcance de “lluvia en X minutos” a menudo usan radar + flujo óptico sencillo, no física profunda.
• La resolución de la cuadrícula y la complejidad del terreno (montañas, islas de calor urbanas) limitan la precisión local.

Cambio climático y fiabilidad de los modelos

• Algunos sospechan que el cambio climático empeora las previsiones al volver el tiempo más volátil o por invalidar datos históricos.
• Otros responden que los modelos centrales basados en la física siguen siendo válidos; los cambios climáticos afectan sobre todo al posprocesamiento estadístico y a las correcciones de sesgo, no a la habilidad básica de la previsión.

Percepción humana, probabilidad y medios

• Los comentaristas destacan el sesgo de confirmación: la gente recuerda los fallos, no los muchos aciertos silenciosos.
• La mala comprensión de la “probabilidad de lluvia” lleva a juzgar como “erróneas” previsiones probabilísticas que en realidad son buenas.
• Los proveedores orientados al consumidor pueden inflar las probabilidades de lluvia o dramatizar las tormentas por el clickbait y las expectativas de los usuarios.

Herramientas, estrategias y equidad

• Muchos recomiendan fuentes brutas o gubernamentales (p. ej., gráficos horarios, radar, discusiones de previsión) en lugar de aplicaciones simplificadas.
• Los meteorólogos expertos locales son valorados por interpretar los modelos en contexto.
• La idea del artículo de que los países más pobres pagan más (como proporción del PIB) por previsiones peores se repite como un serio problema de equidad.