Una Visión de Ciencia y Tecnología para la OMM: Promoción del Tiempo, el Clima con la Ciencia de Datos

Implementar hoy un modelo de gobernanza centrado en los datos para el análisis del tiempo y el clima. Esta misión se centra en metadatos estandarizados, controles sólidos de la calidad de los datos y el intercambio de datos abierto y seguro entre organismos y fronteras. Objetivo: incorporar 2 petabytes de nuevas observaciones cada día desde satélites, aeronaves, estaciones terrestres, sensores oceánicos y redes de radar, con una latencia de extremo a extremo inferior a 5 minutos para conjuntos de datos críticos. Establecer un intermediario de datos centralizado, un catálogo común y un marco de acceso transparente que sirva a investigadores, operadores y responsables de la toma de decisiones.

Crear una pila modular de fusión de datos que combine observaciones en directo con salidas de modelos. Utilizar un modelo de datos compartido y principios FAIR para garantizar que los datos sean Localizables (Findable), Accesibles, Interoperables y Reutilizables (Reusable). Implementar un registro de metadatos con descriptores automatizables y seguimiento del linaje de los datos. Desplegar microservicios escalables que ingieran, validen y publiquen datos en una red informática 24 horas al día, 7 días a la semana.

Invertir en el desarrollo de capacidades y la retención del talento: capacitar a 250 científicos de datos y 180 meteorólogos por año; financiar 5 proyectos conjuntos de ciencia de datos entre los miembros de la OMM anualmente; garantizar al menos el 30% de participación de las regiones en desarrollo dentro de los programas asociados.

Las herramientas de código abierto y los flujos de trabajo reproducibles se convierten en la línea de base: adoptar xarray, Dask, Apache Arrow y paneles basados en Jupyter; proporcionar plantillas para cuadernos reproducibles; mantener un repositorio Git compartido con canalizaciones de CI. Establecer 3 paquetes de software prioritarios por año para acelerar la verificación de pronósticos, la detección de anomalías y el análisis de escenarios climáticos.

Las métricas operativas definen el éxito: latencia para las observaciones de superficie en tiempo real inferior a 3 minutos; objetivos de calidad de los datos con una precisión del 95% para los pronósticos inmediatos críticos; el 90% de los conjuntos de datos básicos publicados con metadatos legibles por máquina; y un aumento anual del 20% en el uso del apoyo a las decisiones impulsado por los datos por parte de los países miembros.

¿Qué prioridades de investigación fomentan la mejora de los pronósticos meteorológicos con datos climáticos?

Esta misión se centra en fortalecer la integración de datos y modelos para aumentar la precisión de los pronósticos meteorológicos y climáticos. Al combinar observaciones de radar, satélite, superficie e in situ con modelos acoplados, podemos acortar los ciclos de actualización y reducir los sesgos en todas las escalas.

Avanzar en los métodos de asimilación de datos y las corrientes de conjunto para ofrecer pronósticos probabilísticos que respalden las decisiones basadas en el riesgo. Construir canalizaciones optimizadas que ingieran observaciones en horas y propaguen las incertidumbres a través de los pronósticos durante días o estaciones.

Invertir en redes de observación sólidas, capacidad informática y enlaces entre dominios para garantizar condiciones iniciales consistentes. Aprovechar el aprendizaje automático para el post-procesamiento, la corrección de sesgos y la detección rápida de anomalías, preservando al mismo tiempo las restricciones físicas.

Esta misión requiere una sólida colaboración entre organismos, regiones y comunidades de investigación para compartir datos, puntos de referencia y programas informáticos, acelerando su adopción en los centros de previsión.

Áreas clave de investigación

Prioridad	Justificación	Acciones	KPI
Asimilación integrada de datos en toda la atmósfera-océano-tierra-criósfera	Alinea las condiciones iniciales entre dominios para reducir los sesgos entre dominios.	Implementar EnKF/4D-Var acoplado, unificar el control de calidad, compartir conjuntos de datos piloto entre centros.	Reducción del RMSE del 15-25% para pronósticos de 3 a 7 días; latencia de actualización < 3 horas para productos básicos.
Optimización de la red de observación e ingesta en tiempo real	Maximiza las observaciones impactantes dentro de las ventanas de asimilación.	Priorizar los satélites de alto impacto, ampliar las redes de radiosondas y de superficie en las regiones desatendidas, automatizar el control de calidad.	Mejora de la cobertura del 20-40% en las regiones objetivo; latencia de ingesta inferior a 1 hora.
Acoplamiento clima-tiempo para pronósticos estacionales	Mejora la inicialización para los pronósticos a escala climática y las condiciones de contorno.	Desarrollar un acoplamiento perfecto entre modelos climáticos estacionales y modelos meteorológicos a escala diaria; validar cruzados los sesgos.	Ganancia de habilidad en pronósticos de 2 a 6 meses; métricas de calibración probabilística mejoradas en un 10-20%.
Cuantificación de la incertidumbre y post-procesamiento mejorado por ML	Ofrece pronósticos de probabilidad fiables y métricas de riesgo procesables.	Utilizar ML para aprender sesgos residuales, calibrar conjuntos, cuantificar la incertidumbre; garantizar las restricciones físicas.	Métricas de fiabilidad mejoradas; reducción de la infradispersion; indicadores de confianza del usuario.

Vía de implementación y colaboración

Establecer una agenda conjunta de I+D con hitos claros durante ciclos plurianuales y una estructura de gobernanza para coordinar el intercambio de datos y la gestión del software. Desarrollar capacidades a través de programas de capacitación, conjuntos de datos compartidos y herramientas de código abierto accesibles a los servicios meteorológicos nacionales.

¿Cómo se pueden actualizar las redes de observación mundiales para obtener datos en tiempo real?

Desplegar redes de sensores modulares e interoperables con procesamiento perimetral para ofrecer flujos de datos casi en tiempo real. Cada nodo fusiona las mediciones localmente para realizar comprobaciones rápidas de calidad y reenvía los datos examinados a los centros centrales, reduciendo la carga de retorno y permitiendo alertas más rápidas.

Aumentar la cobertura con una mezcla de sensores de superficie de bajo costo y estaciones fijas mejoradas para cerrar las brechas de observación. Establecer un objetivo de que el 90% de las observaciones críticas lleguen al centro de datos en los cinco minutos siguientes a la recogida, y planificar la adición de 100 nuevos microsensores por cada 1000 km² en las regiones de alta prioridad durante cinco años. Incluir perfiladores portátiles para campañas estacionales rápidas.

Establecer un enlace descendente multicapa utilizando estaciones terrestres regionales, enlaces por satélite y nodos de retransmisión densos para reducir la latencia en todas las regiones. Dar prioridad a las zonas propensas a las tormentas y a las zonas costeras, donde las actualizaciones rápidas salvan vidas y bienes.

Adoptar estándares abiertos y formatos de datos compartidos como NetCDF, convenciones CF, SensorML y el Sistema de Información de la OMM. Crear una API común para la ingesta de datos e introducir los datos en cubos de datos regionales con una procedencia clara y marcas de tiempo precisas para garantizar la trazabilidad.

Automatizar el control de calidad en el extremo con comprobaciones ligeras y detección de anomalías asistida por aprendizaje automático. Utilizar indicadores de control de calidad automatizados, validación de metadatos y verificación cruzada con sensores vecinos para reducir las falsas alarmas y mejorar la confianza en las alertas.

La gobernanza debe estar alineada con la misión: asegurar acuerdos transfronterizos de intercambio de datos, financiación estable para el mantenimiento y una ciberseguridad sólida con controles de acceso y pistas de auditoría. Establecer un modelo de dos niveles en el que los nodos regionales gestionen la fusión local y un centro mundial coordine las normas, los puntos de referencia y las métricas de progreso.

Los pasos de implementación incluyen el análisis de brechas, las redes piloto en diversos climas, la ampliación gradual y la supervisión continua de la latencia, el tiempo de actividad y la calidad de los datos. Publicar paneles de control para las partes interesadas y desarrollar capacidades mediante programas de capacitación vinculados a la canalización de datos.

¿Qué estándares de datos con interoperabilidad sustentan la visión global?

Adoptar una pila central: NetCDF-4 compatible con CF para campos enrejados, BUFR y GRIB para observaciones y pronósticos, y metadatos expresados en perfiles ISO 19115/19139. Publicar los datos con identificadores persistentes y licencias claras, y exponer el acceso a través de los estándares de la API de OGC para permitir un uso perfecto entre sistemas.

Esta misión se basa en estándares abiertos y bien documentados que los equipos pueden adoptar de forma incremental. Construir un modelo de metadatos compartido anclado en el Perfil de Metadatos Básicos de la OMM e ISO 19115, con un vocabulario controlado para variables, unidades y procedencia. Adjuntar indicadores de calidad de los datos y detalles de linaje en forma legible por máquina para apoyar el descubrimiento, la citación y la reproducibilidad automatizados.

Las interfaces abiertas demuestran la interoperabilidad: implementar la API de OGC - Características y la API de OGC - Coberturas, además de WMS/WMTS para el acceso visual cuando sea necesario. Proporcionar los datos en múltiples codificaciones (NetCDF/CF, JSON-LD para los metadatos) y garantizar sistemas de referencia espacial consistentes y ejes temporales en todos los conjuntos de datos.

La gobernanza y la administración impulsan la coherencia: definir las licencias, las normas de acceso y el control de versiones; rastrear el linaje de los datos; exigir la integridad de los metadatos en la ingesta; mantener el historial y los registros de cambios. Utilizar DOI para la publicación de conjuntos de datos y asignar identificadores estables a los productos de previsión y a los flujos de observación.

El plan de implementación incluye pilotos multiinstitucionales, con objetivos: el 80% de los nuevos flujos de datos compatibles con CF en dos años; el 90% de las fuentes de previsión y observación accesibles a través de la API en los 15 minutos siguientes a la generación; el objetivo de tiempo de actividad de la API es del 99,5%, y la documentación se publica en un repositorio central con ejemplos de consultas.

¿Cómo pueden la IA, la asimilación de datos y la HPC transformar la capacidad predictiva?

Adoptar ahora una pila de tres capas: sustitutos de IA para la física subcuadrícula rápida, asimilación de datos informada por IA para ajustar los análisis y flujos de trabajo habilitados para HPC para escalar los conjuntos. Esta misión alinea la ciencia con las operaciones y produce una respuesta más rápida y una mayor confianza en las previsiones.

Esquema de implementación

• Sustitutos de la IA: sustituir los costosos componentes subcuadrícula, como la transferencia radiativa y la microfísica de las nubes, por redes informadas por la física que produzcan resultados a entre 1/2 y 1/5 del costo computacional. Validar con respecto a las ejecuciones de física completa en 5 casos representativos y mantener los límites de error dentro de 0,5-1,0 K para la temperatura cerca de la superficie y dentro de 0,5-1,0 m/s para las bandas de viento clave.
• Mejoras en la asimilación de datos: fusionar las covarianzas predichas por la IA con un marco variacional de conjunto; permitir la inflación adaptativa ajustada por el rendimiento en línea; mantener alto el impacto de la observación mientras se controlan las señales espurias. Objetivo: reducción del RMSE del 10-15% para las previsiones de 24-72 horas en las regiones piloto.
• Flujos de trabajo de HPC: contenerizar los componentes, paralelizar los bucles de asimilación con MPI y multi-hilo, y minimizar los bloqueos de E/S mediante el movimiento de datos por etapas. Ejecutar conjuntos de 32-64 miembros en clústeres con decenas de miles de núcleos; aspirar a tiempos de generación de previsión de 48 horas de extremo a extremo inferiores a 2-3 horas en las ejecuciones de pico.

Resultados concretos a esperar

• Entorno de producción: los sustitutos de la IA reducen el tiempo por kernel en un 40-60%; el tiempo total del bucle de conjunto disminuye un 20-35%; los ciclos de asimilación de datos se completan dentro de la ventana de previsión.
• Fiabilidad: las covarianzas guiadas por la IA reducen el desajuste de la dispersión del conjunto en un 15-25%, mejorando las métricas de calibración para los campos clave.
• Preparación para la implementación: desplegar la integración continua para el código del modelo, garantizar experimentos reproducibles a través de conjuntos de datos versionados y mantener un rastro auditable para las previsiones y el post-procesamiento.

Los próximos pasos incluyen un piloto de 6 meses en una región, expandiéndose a las áreas adyacentes a medida que los resultados demuestren ser sólidos, y el establecimiento de la gobernanza con el acceso claro a los datos, la reproducibilidad y las pistas de auditoría para las previsiones y el post-procesamiento.

¿Qué modelos de gobernanza, acceso y colaboración guían los datos abiertos?

Adoptar un modelo de gobernanza de tres capas alineado con la misión: un Consejo de Dirección, una Red de Administradores de Datos y una Oficina de Acceso y Cumplimiento. El Consejo de Dirección establece la política, prioriza los conjuntos de datos y aprueba las licencias. La Red de Administradores de Datos se encarga de los metadatos, las comprobaciones de calidad y el ciclo de vida de cada elemento del conjunto de datos. La Oficina de Acceso y Cumplimiento gestiona las licencias, la autenticación de los usuarios y las pistas de auditoría.

Las licencias deben ser CC0 por defecto para los datos públicos y CC BY 4.0 para los datos que requieran atribución, con términos explícitos para los trabajos derivados. Cada conjunto de datos lleva una licencia legible por máquina en los metadatos. Implementar un catálogo de datos con DCAT-AP o DOI de DataCite. Mantener una pasarela API central para servir los datos a través de puntos finales REST con límites de tasa y registros de uso. Incluir las restricciones de privacidad y seguridad, garantizando la protección de la información sensible.

Niveles de acceso: Público para los productos de previsión y los datos históricos; Investigación para los investigadores verificados a través de la autenticación de dos factores; Restringido para los conjuntos de datos sensibles en virtud de los acuerdos de intercambio de datos. Todos los eventos de acceso se registran para la rendición de cuentas. Tarifas: eximir para la investigación y la educación sin fines de lucro; cobrar tarifas modestas para las grandes solicitudes comerciales con límites anuales.

Modelos de colaboración: Crear una carta común de gobernanza de datos, metadatos estándar y especificaciones de la API; adoptar estándares de intercambio de datos como DCAT-AP, OpenAPI y SensorThings API para los datos de los sensores; utilizar los DOI de DataCite. Utilizar grupos de trabajo interinstitucionales con sprints trimestrales; publicar informes de transparencia trimestrales sobre el recuento de conjuntos de datos, las licencias, el recuento de accesos y los registros de incidentes.

Plan de implementación

Poner en marcha un despliegue de 90 días: publicar la carta de gobernanza, nombrar a los administradores de datos, desplegar plantillas de licencias y conectar el catálogo a la pasarela API. Establecer objetivos medibles: decisiones de acceso en un plazo de 2 días hábiles, puntuación de calidad de los datos de al menos el 92% a partir de las comprobaciones automatizadas y una integridad del catálogo de al menos el 85% en los 200 principales conjuntos de datos.

Recopilar comentarios a través de sprints regulares: recopilar casos de uso de pronosticadores e investigadores, ajustar los niveles y las licencias y perfeccionar el catálogo. Publicar un informe de transparencia trimestral en el que se detallen el número de conjuntos de datos, las licencias, el número de accesos y los registros de incidentes para mantener la confianza.

¿Cómo pueden operar el desarrollo de capacidades y la transferencia de conocimientos para los países miembros?

Poner en marcha tres centros regionales de CBKT anclados a una misión compartida, que proporcionen tres flujos: capacitación estructurada en ciencia de datos, trabajo aplicado de previsión y proyectos climáticos, y entrenamiento basado en mentores. Objetivo: 150 profesionales capacitados por centro al año, más 25 mentores regionales que apoyen a cohortes, compañeros y equipos nacionales. Cada centro se conecta a un centro de conocimiento central que alberga cursos modulares, ejercicios prácticos, código reutilizable y materiales multilingües que se alinean con las normas de datos de la OMM y los sistemas interoperables.

Diseñar flujos de transferencia de conocimientos con retroalimentación rápida. Ofrecer módulos mensuales de microaprendizaje de 8 a 12 minutos, talleres prácticos trimestrales en centros regionales y campamentos virtuales anuales que reúnan a participantes de varias naciones. Emparejar a los aprendices con mentores de los servicios meteorológicos nacionales y expertos internacionales. Ofrecer oportunidades de adscripción de 3 a 6 meses para trabajar en proyectos nacionales y compartir el aprendizaje con el programa. Los materiales se ajustan a la interoperabilidad de WIS 2.0 y las políticas de datos abiertos cuando estén autorizados. Crear un libro de jugadas vivo que capture los pilotos exitosos y apoye la ampliación.

Asegurar un modelo de recursos sostenible dedicando fondos para la ejecución, el desarrollo de repositorios y la evaluación. Asignar aproximadamente el 60% a la ejecución de la capacitación, el 25% al centro de conocimiento y las herramientas, y el 15% al seguimiento y la evaluación. Establecer asociaciones con las universidades para la acreditación de profesionales y con la industria para acceder a conjuntos de datos del mundo real. Traducir los materiales a las principales lenguas nacionales. Proporcionar laboratorios de práctica basados en la nube con acceso seguro a los datos para permitir el aprendizaje a distancia, protegiendo al mismo tiempo la información confidencial.

Definir métricas prácticas para seguir el progreso: número de personal capacitado, mejoras en la eficiencia del flujo de trabajo, indicadores de calidad de los datos y satisfacción del usuario final. Publicar un panel trimestral para los países miembros y realizar revisiones anuales con una representación diversa de los grupos regionales. Utilizar la retroalimentación para adaptar los planes de estudio, actualizar los conjuntos de datos y renovar los conjuntos de herramientas, garantizando la alineación con los planes de capacidad nacionales y las necesidades de respuesta a emergencias.

Pasos de implementación: establecer un organismo de gobernanza de CBKT dentro de la estructura de la OMM; poner en marcha 3 centros regionales en un plazo de 12 meses; construir un repositorio central de cursos, conjuntos de datos y código; ejecutar dos pilotos por región en el primer año; escalar a todos los países miembros en un plazo de tres años. Supervisar los hitos trimestralmente y ajustar la asignación de recursos para satisfacer la demanda a nivel nacional. El resultado es una fuerza de trabajo capacitada en datos, lista para producir servicios climáticos y meteorológicos oportunos que apoyen la resiliencia.

¿Qué métricas, validación y métodos de evaluación rastrean el progreso de manera efectiva?

Adoptar un conjunto de métricas alineadas con la misión, con 8 a 12 indicadores, y publicar un panel dinámico en las cuatro semanas siguientes a cada publicación de datos para mantener a los equipos centrados y responsables.

Métricas a seguir

Centrarse en tres niveles: precisión de la previsión, habilidad probabilística y calidad de los datos. Para las previsiones puntuales, seguir el MAE y el RMSE en las variables clave (temperatura, precipitación, viento) con estratificación regional. Para las previsiones probabilísticas, informar de las puntuaciones CRPS y Brier, además de las curvas de fiabilidad para revelar la descalibración. Supervisar la latencia de los datos (tiempo entre la observación y la ingestión), la integridad de los datos (porcentaje de observaciones esperadas) y la tasa de anomalías. Añadir métricas de gobernanza: recuento de versiones del modelo, cobertura de la documentación e indicadores de reproducibilidad (disponibilidad del código, contenerización y etiquetado de versiones). Establecer objetivos como MAE < 1,5°C para la temperatura diaria en las regiones de latitud media, CRPS inferior a 0,25 para la probabilidad de precipitación, latencia inferior a 15 minutos para las fuentes de transmisión continua e integridad de los datos superior al 98% en las estaciones críticas. Revisar las métricas mensualmente y compararlas con una línea de base climatológica para mantener la misión transparente.

Métodos de validación y evaluación

Utilizar la validación del origen rodante con un horizonte de previsión de 12 meses y una ventana de datos de 5 años para reflejar los ciclos estacionales y las tendencias climáticas. Aplicar la validación cruzada espacio-temporal para evitar el sobreajuste dividiendo las regiones y las estaciones. Realizar previsiones retrospectivas de los últimos cinco a diez años y comparar las previsiones con los resultados observados. Llevar a cabo estudios de ablación para medir el impacto de las fuentes de datos, el suavizado y los componentes del modelo. Realizar comprobaciones de calibración con diagramas de fiabilidad y pruebas PIT para garantizar que los resultados probabilísticos se ajusten a las frecuencias observadas. Cuantificar la incertidumbre con intervalos de predicción y coberturas (por ejemplo, los intervalos del 90% capturan los resultados observados aproximadamente el 90% de las veces). Rastrear la deriva del modelo mediante el control de los cambios en las distribuciones de entrada y salida, actualizando el plan de validación al menos dos veces al año. Documentar el plan de evaluación, publicar el código y la procedencia de los datos en la medida de lo posible y automatizar la generación de informes para mantener a las partes interesadas informadas sobre el progreso hacia los objetivos de la misión.