Google DeepMind liberó dos conjuntos de datos usados en el modelo de pronóstico WeatherNext 3: SatWeave, un mosaico global de imágenes de satélites geoestacionarios actualizado cada hora, y PARDIG, un mapa global de precipitación generado por IA con resolución de 15 minutos y cerca de 10 kilómetros. Según la empresa, PARDIG supera al IMERG-Final de la NASA en más de 30% en la detección de lluvia ligera a moderada. Los archivos históricos y los feeds en vivo están disponibles en Google Cloud Storage, y los catálogos históricos de PARDIG también en Google Earth Engine.
Google DeepMind anunció la liberación de dos conjuntos de datos que sustentan WeatherNext 3, su modelo de pronóstico del tiempo basado en inteligencia artificial. Llamados SatWeave y PARDIG, cubren, respectivamente, imágenes globales de satélites geoestacionarios y estimaciones de precipitación generadas por IA. La información proviene del propio blog de la empresa, publicado el 10 de noviembre de 2026.
Según DeepMind, observar la Tierra con precisión es el punto de partida para pronosticar el tiempo y el ciclo del agua. Los satélites y los instrumentos de superficie monitorean el planeta continuamente, pero transformar mediciones brutas en un panorama global coherente y ponerlo a disposición rápidamente es un desafío científico y de ingeniería considerable. Los dos datasets fueron creados para atacar esa etapa.
SatWeave reúne cinco satélites en un mosaico horario
SatWeave combina imágenes de cinco satélites que cubren diferentes regiones del globo: GOES-East y GOES-West, Meteosat 0 y Meteosat Indian Ocean, y Himawari. De acuerdo con el texto, cada uno usa proyecciones de mapa, formatos de archivo, sensores y cronogramas de barrido distintos, con intervalos que varían de 10 a 30 minutos, lo que dificulta la formación de un mapa global coherente.
DeepMind afirma que la mayoría de los compuestos globales existentes descarta aspectos incompatibles, ofreciendo solo cuatro canales o menos, o actualizando cada pocas horas. SatWeave, por su parte, combina observaciones de seis satélites geoestacionarios en un mosaico global con 17 canales visibles, de vapor de agua e infrarrojo, con actualización cada hora.
Esa cadencia horaria permite que WeatherNext 3 produzca nuevos pronósticos globales, en contraste con modelos inicializados a partir de datos de análisis actualizados cada seis horas. La empresa está liberando el feed en vivo y un archivo histórico que abarca más de una década.
El texto menciona cinco satélites en un pasaje y seis satélites geoestacionarios en otro. La discrepancia consta en el propio material divulgado y no fue aclarada en la publicación.
PARDIG apuesta por lluvia estimada por IA
La precipitación afecta desde el abastecimiento de alimentos y agua hasta el riesgo de inundaciones y sequías, pero monitorearla con precisión en todo el planeta sigue siendo un desafío. Los radares de superficie y las redes densas de pluviómetros proporcionan datos de alta calidad, pero no siempre están disponibles ni tienen buena cobertura en todas las regiones.
PARDIG, sigla de Precipitation AI Reanalysis: Densely Inferred GPM, fue construido sobre una arquitectura de IA similar a la de WeatherNext 3. Se entrena directamente en observaciones dispersas de radar espacial del GPM Core Observatory, de la NASA, usando imágenes de SatWeave y campos atmosféricos del ECMWF como entradas. El resultado, según DeepMind, es un mapa global de precipitación con resolución temporal de 15 minutos, resolución espacial de cerca de 10 kilómetros y latencia promedio de aproximadamente cinco horas.
La empresa dice haber evaluado PARDIG contra tres redes continentales de radar en Estados Unidos, Europa y Japón, además de más de 36 mil estaciones meteorológicas en el mundo. El conjunto habría superado las principales bases globales en todas las tasas de lluvia analizadas, incluido el IMERG-Final de la NASA, descrito como un dataset de calidad de investigación importante para numerosas aplicaciones.
Según el texto, PARDIG mejora en más de 30% la habilidad de detección de precipitación horaria respecto del IMERG-Final para lluvia ligera a moderada. La evaluación usó el Critical Success Index, con datos de 2016 a 2023, en umbrales de intensidad que van de 0,2 a 25 milímetros por hora. DeepMind afirma además que el conjunto se mostró especialmente eficaz en capturar precipitación extrema.
Como aprende directamente de satélites, en lugar de depender solo de mediciones de superficie, PARDIG debería mantener una precisión confiable en cualquier lugar de la Tierra, incluso donde esas mediciones no existen. Esa es una expectativa declarada por la empresa, no un resultado verificado de forma independiente en la publicación.
Acceso abierto y aplicaciones más allá del pronóstico del tiempo
Además del feed en vivo, DeepMind está liberando archivos históricos de PARDIG de 1999 a 2026. WeatherNext 3 usó el conjunto para pronóstico de mediano plazo, pero la empresa dice querer apoyar a la comunidad en la exploración de modelos mejores para inundaciones, deslizamientos y sequía, sobre todo en regiones sin redes densas de radar de superficie.
Los datos en vivo e históricos de SatWeave y PARDIG están disponibles abiertamente en Google Cloud Storage, y los catálogos históricos de PARDIG también en Google Earth Engine. El trabajo fue desarrollado por equipos de Google DeepMind y Google Research, en colaboración con Google Cloud y Google Geo.
La empresa agradece a organizaciones cuyos programas de satélite y datasets abiertos hicieron posible el trabajo, entre ellas ECMWF, NASA, JAXA, NOAA, EUMETSAT, KMA, JMA, KNMI y Synoptic Data. DeepMind también sugiere usos futuros de SatWeave en áreas como energía solar y monitoreo de incendios, pero no presenta resultados en esos frentes.
No hay, en el material divulgado, información sobre licencias específicas de uso, límites de volumen de descarga o costos de almacenamiento y transferencia en Google Cloud. Tampoco se divulgaron detalles sobre la arquitectura interna de PARDIG ni sobre posibles sesgos regionales del modelo. Esos puntos permanecen abiertos para quienes pretendan usar los datos en producción.
Fuente original: Google DeepMind — Opening the datasets behind our AI weather models.
Recibe Radar de IA todos los días
Las noticias de inteligencia artificial que importan — con nuestro prisma y siempre con las fuentes. Gratis.






