ECMWF AIFS-COMPO amplía los pronósticos de contaminación, pero aún depende de la física
ECMWF AIFS-COMPO ha ampliado los pronósticos experimentales globales de composición atmosférica a 10 días, el doble del alcance del sistema operativo que busca complementar. Sin embargo, el modelo de IA aún necesita ese sistema basado en física para establecer sus condiciones iniciales.
El Centro Europeo de Previsiones Meteorológicas a Plazo Medio presentó el sistema el 16 de octubre de 2026. Adapta el Artificial Intelligence Forecast System de ECMWF para predecir conjuntamente aerosoles, gases reactivos y variables meteorológicas.
Este cambio importa porque el pronóstico de composición atmosférica respalda las alertas sobre calidad del aire, la planificación sanitaria, el seguimiento del humo de incendios forestales y el análisis de fenómenos como el agujero de ozono antártico. El Copernicus Atmosphere Monitoring Service operativo produce actualmente pronósticos globales a cinco días dos veces al día.
AIFS-COMPO ofrece una vía computacional distinta. Sus desarrolladores informan resultados competitivos para varios contaminantes utilizando muchos menos recursos informáticos. No obstante, sigue siendo experimental, cubre menos variables y todavía no puede asimilar observaciones de forma independiente.
Por tanto, la cuestión central no es la IA frente a la ciencia atmosférica. Es un modelo de pronóstico aprendido más rápido frente al entramado físico que generó sus datos de entrenamiento y continúa preparando cada pronóstico.
ECMWF AIFS-COMPO convierte los pronósticos de cinco días en experimentos de diez días
El cambio inmediato es un pronóstico más largo y rápido, no la sustitución del sistema CAMS operativo.
ECMWF ha publicado gráficos de pronóstico públicos de AIFS-COMPO, un sistema experimental para predecir la composición atmosférica global. Los gráficos se extienden hasta 10 días y cubren los principales contaminantes, gases y categorías de aerosoles.
El modelo produce pronósticos de materia particulada, incluidas PM2.5 y PM10. También predice monóxido de carbono, dióxido de nitrógeno, ozono, dióxido de azufre y varios tipos de aerosoles.
Esos aerosoles incluyen polvo, sal marina, sulfato y material asociado a la quema de biomasa. Las salidas están disponibles en la superficie, en niveles de presión o como columnas atmosféricas totales, según la variable.
El lanzamiento siguió a la décima Asamblea General de CAMS, celebrada en Atenas del 13 al 15 de octubre. ECMWF anunció la disponibilidad de los gráficos durante el encuentro, según el lanzamiento del modelo CAMS.
La comparación operativa es IFS-COMPO, una configuración del Integrated Forecasting System de ECMWF. Representa los procesos atmosféricos mediante ecuaciones físicas y químicas.
IFS-COMPO modela cómo las sustancias se desplazan, reaccionan, entran en la atmósfera y salen de ella. También asimila observaciones satelitales, lo que significa que combina mediciones con estimaciones del modelo para generar mejores condiciones iniciales.
Ese sistema emite pronósticos a cinco días dos veces al día. AIFS-COMPO amplía el alcance a 10 días porque sus pronósticos requieren menos cálculo después del entrenamiento.
Un alcance mayor no implica automáticamente una precisión útil en cada ubicación o hora de pronóstico. Los errores de pronóstico suelen acumularse a medida que un modelo se aleja de su estado inicial.
ECMWF afirma que su evaluación inicial halló una capacidad comparable o mejorada para varias variables atmosféricas importantes. El artículo de respaldo también informa mejores resultados para algunas medidas de aerosoles y materia particulada.
Una comparación examinó la profundidad óptica de los aerosoles, que mide cómo las partículas reducen la luz que atraviesa la atmósfera. AIFS-COMPO registró un menor error durante los cinco días cubiertos por ambos modelos en el período de prueba comunicado.
Otro caso examinó el agujero de ozono antártico de 2024. El sistema de IA siguió representando el fenómeno en su pronóstico del décimo día, más allá del actual alcance de cinco días del producto operativo.
Estos resultados hacen que el experimento sea más que una demostración de visualización. Muestran que un modelo aprendido puede conservar señales atmosféricas útiles a gran escala más allá del horizonte operativo existente.
Sin embargo, ECMWF sigue describiendo IFS-COMPO como su referencia de precisión y fiabilidad. AIFS-COMPO no ha desplazado esa referencia ni ha asumido el mismo papel operativo.
La distinción importa para las agencias de salud, los analistas ambientales y los servicios de datos posteriores. Los productos operativos necesitan calendarios fiables, gestión de fallos documentada y un rendimiento consistente en numerosas condiciones.
Un modelo nuevo puede superar medidas seleccionadas sin cumplir todos esos requisitos. El lanzamiento a 10 días inicia un proceso de validación más amplio, en lugar de concluirlo.
Por qué el pronóstico de composición atmosférica con IA es más difícil que la predicción meteorológica
El pronóstico de contaminación exige que un modelo siga el tiempo atmosférico y, al mismo tiempo, tenga en cuenta las emisiones, la química, el transporte y los procesos de eliminación.
El pronóstico meteorológico basado en datos ya ha producido sistemas que compiten con los modelos numéricos convencionales. La composición atmosférica presenta dificultades adicionales que las variables meteorológicas por sí solas no capturan.
Los contaminantes proceden de fuentes desiguales y cambiantes. Los incendios forestales, la actividad industrial, el tráfico, las tormentas de polvo, la vegetación y el aerosol marino pueden alterar el estado de la atmósfera.
Sus efectos se desarrollan a distintas escalas espaciales y temporales. Un gas puede reaccionar químicamente, mientras que las partículas pueden combinarse, sedimentar o ser eliminadas por la precipitación.
El viento transporta esas sustancias a través de las fronteras nacionales. La temperatura, la luz solar, la humedad, las nubes y la precipitación también pueden modificar sus concentraciones o su comportamiento químico.
Las mediciones siguen siendo desiguales en todo el planeta. Las observaciones meteorológicas son imperfectas, pero los datos sobre composición atmosférica pueden ser especialmente escasos para determinados compuestos y regiones.
El actual sistema de producción CAMS gestiona estas interacciones mediante cálculos físicos y químicos detallados. Representa el transporte, las emisiones, la conversión química, la física de aerosoles, la deposición y la eliminación por precipitación.
También utiliza recuperaciones satelitales de profundidad óptica de aerosoles, ozono, monóxido de carbono, dióxido de nitrógeno y dióxido de azufre. La asimilación de datos incorpora esas observaciones a la estimación del estado atmosférico actual.
AIFS-COMPO aprende relaciones estadísticas dentro de las salidas de ese sistema establecido. Fue preentrenado utilizando el reanálisis CAMS EAC4, que abarca de 2003 a 2023.
Un reanálisis combina observaciones históricas con un modelo consistente para reconstruir condiciones atmosféricas pasadas. Proporciona un registro largo y estructurado cuando las observaciones directas por sí solas serían incompletas.
Posteriormente, los desarrolladores ajustaron AIFS-COMPO con análisis y pronósticos operativos de CAMS de 2019 a 2023. Esta etapa expuso el modelo a una configuración de producción más reciente.
La fase final de entrenamiento utilizó secuencias de predicción progresivamente más largas. Una secuencia autorregresiva introduce repetidamente la predicción anterior de un modelo en su siguiente paso de pronóstico.
Este proceso ayuda a abordar la acumulación de errores. Un modelo entrenado únicamente para predecir un intervalo corto puede volverse inestable cuando se le pide repetir esa operación muchas veces.
Según el artículo de AIFS-COMPO, el sistema avanza en incrementos de tres horas. Predice 187 variables meteorológicas y de composición atmosférica.
El modelo opera sobre una cuadrícula global de aproximadamente 80 kilómetros. Sus salidas capturan patrones de transporte amplios, pero esa resolución no puede representar directamente cada fuente de contaminación a escala de barrio.
Su arquitectura utiliza un codificador, un procesador y un decodificador. Los componentes de redes neuronales de grafos transfieren campos entre la cuadrícula de entrada y una representación interna de menor resolución.
El procesador utiliza un diseño basado en transformadores para aprender relaciones en todo el estado global. El decodificador proyecta después la representación aprendida de vuelta sobre la cuadrícula de pronóstico.
La meteorología y la composición atmosférica se predicen conjuntamente. Este diseño permite que el sistema modele las conexiones entre viento, temperatura, humedad, gases y partículas dentro de un único proceso de pronóstico.
Ese enfoque conjunto es importante. La contaminación no evoluciona de forma independiente del tiempo atmosférico, y el tiempo también puede interactuar con los aerosoles y la química atmosférica.
La amplitud del modelo lo distingue de sistemas más limitados que estiman un contaminante o mejoran la resolución local. Los investigadores de ECMWF lo describen como el primer modelo de IA con pronósticos globales cada tres horas para un amplio conjunto de variables de composición.
Esa descripción corresponde al equipo de investigación y debe interpretarse dentro del alcance que declara. Otros sistemas de aprendizaje automático ya pronostican aerosoles, química regional y variables ambientales globales seleccionadas.
Aurora de Microsoft, por ejemplo, ha demostrado un enfoque de modelo fundacional en varias tareas de pronóstico del sistema terrestre. Los sistemas regionales también han aplicado aprendizaje profundo al transporte de contaminación y a la química atmosférica.
El elemento diferenciador de AIFS-COMPO es su integración con el entorno de pronóstico establecido de ECMWF. Sus datos de entrenamiento, condiciones iniciales, modelo de comparación y gráficos públicos están todos conectados con las operaciones de CAMS.
La ventaja de velocidad cambia la ecuación del pronóstico
AIFS-COMPO demuestra que los pronósticos de composición atmosférica pueden resultar drásticamente más baratos tras el entrenamiento, creando margen para horizontes más largos y conjuntos más amplios.
La diferencia computacional comunicada es sustancial. El equipo de investigación afirma que AIFS-COMPO produce un pronóstico global a cinco días en unos 50 segundos con un procesador gráfico.
La ejecución de comparación de IFS-COMPO tarda aproximadamente 1.000 segundos en 8.000 unidades centrales de procesamiento, según el artículo. Estas cifras describen arquitecturas informáticas distintas, por lo que no constituyen un cálculo directo del coste de hardware.
Incluso con esa salvedad, la oportunidad operativa es clara. La inferencia rápida puede respaldar más ejecuciones de pronóstico sin repetir cada vez el cálculo numérico completo.
Esa capacidad podría permitir conjuntos más amplios. Un conjunto ejecuta múltiples pronósticos con distintas condiciones iniciales o supuestos de modelo para estimar la incertidumbre.
Los servicios de composición atmosférica también podrían probar configuraciones alternativas con mayor rapidez. Los investigadores podrían examinar más casos, horizontes más largos o fenómenos extremos específicos dentro del mismo presupuesto informático.
La eficiencia también explica el paso de cinco a 10 días. Los modelos químicos convencionales resultan costosos porque cada pronóstico debe calcular numerosos procesos que interactúan en todo el planeta.
Un modelo aprendido realiza la mayor parte de su optimización costosa durante el entrenamiento. Una vez entrenado, aplica sus relaciones aprendidas a nuevos estados iniciales mucho más rápido.
El beneficio es especialmente relevante para el humo y el polvo que viajan entre continentes. Un pronóstico más largo puede dar a las agencias más tiempo para examinar la posible trayectoria de una gran pluma.
También podría ayudar a los investigadores a seguir fenómenos estratosféricos de evolución lenta. El caso comunicado del agujero de ozono antártico ilustra ese uso a más largo plazo.
Sin embargo, el modelo de IA no recibe una colección sin procesar de observaciones actuales ni crea un pronóstico de forma independiente. Su estado inicial procede del análisis operativo de CAMS.
Ese análisis ya incorpora datos satelitales mediante el proceso de asimilación del sistema basado en física. Por tanto, AIFS-COMPO hereda una estimación cuidadosamente preparada de la atmósfera actual.
Esta dependencia cambia el significado de la comparación de velocidad. El pronóstico de IA es económico después de la inicialización, pero su entrada requirió un gran sistema operativo para producirse.
La relación se asemeja a la de un corredor rápido que recibe el testigo de un proceso más lento y complejo. Eliminar la primera etapa dejaría al corredor sin una posición inicial fiable.
Por consiguiente, AIFS-COMPO es un modelo de pronóstico, no todavía un sistema completo de predicción. ECMWF señala explícitamente que no realiza asimilación de datos.
El modelo operativo también produce más variables y funciona con mayor resolución espacial. Los datos comparativos para IFS-COMPO utilizan una cuadrícula de aproximadamente 40 kilómetros, frente a unos 80 kilómetros para AIFS-COMPO.
La resolución afecta a la interpretación local. Un campo global amplio puede representar una columna de humo transportada, pero pasar por alto diferencias de concentración más pronunciadas cerca de ciudades, carreteras o incendios.
El sistema de IA también carece de flujos de deposición, que describen el material que se desplaza desde la atmósfera hacia la superficie. Representa menos especies químicas que IFS-COMPO.
Estas omisiones limitan la sustitución directa. Los usuarios que dependen de una variable ausente no pueden recuperarla a partir de pronósticos más rápidos de una cantidad diferente.
Por tanto, el modelo significativo a corto plazo es híbrido. La asimilación basada en la física establece el estado atmosférico, mientras que la IA realiza predicciones futuras rápidas.
Esta división podría preservar las fortalezas de los sistemas establecidos para manejar observaciones, al tiempo que reduce el coste de los pronósticos repetidos. También mantiene disponible una referencia física para la comparación.
Este enfoque presiona a los programas convencionales de predicción para que justifiquen dónde la simulación costosa aporta un valor esencial. No vuelve obsoletas esas simulaciones.
En cambio, desplaza la cuestión del rendimiento de una única puntuación de precisión a una disyuntiva más amplia. Las agencias deben sopesar conjuntamente la velocidad, el alcance del pronóstico, la resolución, la cobertura de variables, la fiabilidad y el comportamiento ante eventos inusuales.
El modelo de IA de CAMS aún conserva las limitaciones de su maestro
AIFS-COMPO aprende de un sistema basado en la física, por lo que igualar ese sistema puede reproducir sus fortalezas y algunos de sus errores.
El entrenamiento con datos de CAMS proporciona a AIFS-COMPO dos décadas de campos globales coherentes. También hace que el modelo dependa de decisiones incorporadas en ese conjunto de datos.
El reanálisis no es una observación directa. Es una reconstrucción guiada por modelos, elaborada al combinar mediciones disponibles con supuestos físicos.
Las observaciones escasas pueden dar al modelo mayor influencia sobre el estado reconstruido. Este problema cobra importancia para contaminantes con cobertura limitada o emisiones mal caracterizadas.
El sistema de IA puede aprender relaciones recurrentes en esa historia reconstruida. No puede determinar automáticamente si cada relación refleja la naturaleza, una aproximación de modelado o un sesgo persistente de los datos.
Las observaciones independientes constituyen la prueba más sólida frente a esa circularidad. El equipo de investigación evaluó los pronósticos de 2024 utilizando múltiples redes de monitoreo de aerosoles, materia particulada, gases reactivos y ozono.
Esta evaluación resulta más informativa que medir simplemente la concordancia con el análisis de CAMS. Plantea si las predicciones coinciden con instrumentos que no estaban sirviendo como objetivo del pronóstico.
Los resultados iniciales fueron mixtos en el sentido científico útil. AIFS-COMPO igualó o superó a IFS-COMPO para algunas variables, mientras se mantuvo competitivo en otras.
La profundidad óptica de aerosoles y la materia particulada estuvieron entre las áreas con resultados más sólidos. El rendimiento en cada ubicación, estación, especie química y evento extremo sigue siendo menos seguro.
El período de evaluación limitado merece atención. Un año puede incluir muchas condiciones, pero los servicios atmosféricos operativos deben rendir ante climas cambiantes y eventos poco frecuentes.
Las emisiones variables en el tiempo presentan otra brecha. La configuración actual de AIFS-COMPO no las acepta explícitamente como entradas de forzamiento.
Una entrada de forzamiento aporta información que impulsa directamente cambios futuros, como emisiones actualizadas de incendios forestales. Sin ella, un modelo debe inferir el comportamiento futuro a partir de su estado inicial y patrones aprendidos.
Este diseño puede funcionar cuando un evento evoluciona como ejemplos conocidos. Se vuelve menos fiable cuando las emisiones cambian de forma repentina después de la inicialización.
Un incendio forestal puede intensificarse, un volcán puede entrar en erupción o un accidente industrial puede liberar material inesperadamente. Los patrones históricos por sí solos no pueden especificar por completo esas nuevas emisiones.
ECMWF trabaja para integrar datos de incendios del Global Fire Assimilation System. La institución también está examinando otros conjuntos de datos de emisiones y observaciones atmosféricas directas.
Estas incorporaciones harían que el modelo responda mejor a los eventos en desarrollo. También complicarían su arquitectura y sus requisitos de validación.
La menor resolución espacial del sistema actual crea otra restricción. Una cuadrícula de 80 kilómetros puede respaldar la predicción global sin resolver cada gradiente urbano de contaminación.
Los sistemas regionales de predicción suelen necesitar cuadrículas más finas e inventarios locales de emisiones. También pueden incorporar estaciones de monitoreo cuya cobertura varía mucho entre ciudades.
Un pronóstico global de IA podría proporcionar condiciones de contorno para esos sistemas. No debe confundirse con una estimación de exposición a nivel de calle.
Los usuarios de pronósticos también necesitan información sobre incertidumbre. Un único campo determinista puede parecer preciso incluso cuando su confianza varía entre regiones y horizontes temporales.
Los gráficos de pronóstico públicos hacen accesibles los resultados experimentales, pero los gráficos por sí solos no establecen confianza operativa.
Las agencias necesitarán una verificación sostenida frente a instrumentos independientes. También necesitarán un comportamiento documentado durante tormentas de polvo, incendios forestales, episodios de ozono y emisiones inesperadas.
Por tanto, el punto escéptico más importante no es que la IA ignore la física. El modelo absorbe la física indirectamente mediante datos de entrenamiento generados por CAMS y análisis inicializados.
La preocupación es si esa representación indirecta sigue siendo fiable fuera de condiciones conocidas. Los eventos poco frecuentes y los cambios rápidos de fuentes constituyen las pruebas más claras.
El propio posicionamiento de ECMWF refleja esa incertidumbre. Laurence Rouil, directora de CAMS, afirmó que el sistema operativo sigue siendo la referencia en precisión y fiabilidad.
Ese reconocimiento evita que el lanzamiento se convierta en una afirmación prematura de sustitución. Sitúa a AIFS-COMPO dentro de un programa de evaluación con brechas específicas ya conocidas.
La física y la IA se están convirtiendo en una única pila de predicción
El resultado probable no es una competencia donde el ganador se lo lleva todo, sino un sistema por capas en el que los modelos físicos, las observaciones y la IA gestionan tareas diferentes.
Los modelos basados en la física conservan varias ventajas estructurales. Sus ecuaciones representan explícitamente mecanismos, aceptan emisiones cambiantes y pueden respaldar variables ausentes en los sistemas aprendidos.
También proporcionan los análisis utilizados para inicializar AIFS-COMPO. Ese papel seguirá siendo central hasta que un sistema de IA pueda asimilar observaciones heterogéneas con una fiabilidad comparable.
Los modelos de IA ofrecen una ventaja diferente. Pueden ejecutar pronósticos con suficiente rapidez para ampliar el alcance, aumentar el tamaño de los conjuntos y acortar los ciclos de experimentación.
Una pila de predicción por capas podría combinar estas propiedades. Un sistema físico asimilaría observaciones y mantendría un estado atmosférico integral.
Uno o más modelos de IA podrían entonces generar pronósticos rápidos a partir de ese estado. Los pronósticos numéricos continuarían como referencias, alternativas de respaldo y fuentes de variables fuera del modelo de IA.
Los modelos regionales especializados podrían añadir detalle local. Los pronosticadores humanos y las agencias ambientales interpretarían la evidencia combinada para las decisiones públicas.
Esta disposición también genera competencia productiva. Si un modelo de IA iguala repetidamente un cálculo costoso, los investigadores pueden examinar qué partes de ese cálculo siguen siendo necesarias.
Si falla durante un evento inusual, el fallo puede revelar entradas ausentes o procesos débilmente representados. Ambos resultados contribuyen al desarrollo de modelos.
AIFS-COMPO entra en un campo creciente de modelos aprendidos del sistema terrestre. Los sistemas centrados en el tiempo meteorológico ya han cambiado las expectativas sobre eficiencia computacional.
La composición atmosférica amplía esa prueba a un ámbito con química compleja y una cobertura de observación menos completa. El éxito aquí respaldaría la predicción con IA más allá de las variables meteorológicas estándar.
Las consecuencias podrían extenderse al monitoreo climático, el análisis de gases de efecto invernadero y la respuesta a emergencias. Cada ámbito seguiría requiriendo su propia validación y diseño de entradas.
El sistema también podría ampliar el acceso a la investigación sobre predicción atmosférica. Un modelo que funciona con una GPU es más fácil de probar que una simulación química global que requiere miles de procesadores.
Sin embargo, el acceso sigue siendo incompleto. ECMWF afirma que los datos subyacentes de AIFS-COMPO estarán disponibles tras una mayor validación y maduración.
Los gráficos públicos permiten a los usuarios examinar los resultados, pero los investigadores necesitan campos descargables para una evaluación independiente. También necesitan documentación que cubra las versiones del modelo, los datos de entrenamiento y las limitaciones conocidas.
El uso de herramientas de predicción Anemoi ofrece una vía hacia la reproducibilidad. Anemoi es un marco de código abierto desarrollado conjuntamente por ECMWF y servicios meteorológicos nacionales.
Las herramientas abiertas no hacen automáticamente disponible un modelo entrenado ni su conjunto de datos completo. Aun así, pueden ayudar a otras instituciones a estudiar la arquitectura más amplia.
Por tanto, la presión competitiva recae en ambos lados. Los modelos convencionales deben demostrar dónde su computación adicional mejora las decisiones.
Los desarrolladores de IA deben demostrar fiabilidad más allá de referencias seleccionadas. También deben explicar dependencias que resulta fácil ocultar tras cifras de inferencia rápida.
Para las agencias públicas, un pronóstico más barato solo es valioso si su calidad se puede medir. Un mayor alcance solo importa cuando los usuarios entienden cómo cambia la confianza con el tiempo.
AIFS-COMPO hace que esas cuestiones sean operativas en lugar de teóricas. Sus gráficos ofrecen ahora a pronosticadores e investigadores un producto experimental en directo que seguir.
Qué observar mientras AIFS-COMPO avanza más allá de la demostración
Tres señales determinarán si AIFS-COMPO se convierte en un componente operativo: validación independiente, emisiones en tiempo real y acceso útil a los datos.
La primera señal es una verificación sostenida en eventos atmosféricos específicos. ECMWF ya ha citado resultados de aerosoles, materia particulada y ozono de su evaluación inicial.
La siguiente evidencia debería abarcar más estaciones y episodios inusuales. Los grandes incendios forestales, las columnas volcánicas, los brotes de polvo, los eventos de contaminación urbana y los rápidos cambios estratosféricos merecen un análisis separado.
Un modelo que rinde bien en condiciones rutinarias todavía puede fallar cuando nuevas emisiones dominan el pronóstico. La verificación a nivel de evento reforzaría el argumento para su uso operativo.
Resultados deficientes o inconsistentes debilitarían las afirmaciones de sustitución sin eliminar el valor de investigación del modelo. Podrían revelar dónde se necesita corrección híbrida o entradas especializadas.
La segunda señal es la integración de emisiones variables en el tiempo procedentes de incendios y otras fuentes. ECMWF afirma que está trabajando para añadir información de su sistema de asimilación de incendios.
Este cambio abordaría una de las limitaciones más claras del modelo actual. Permitiría que las emisiones futuras influyan en los pronósticos, en lugar de dejar que el modelo las infiera de estados previos.
La prueba importante será determinar si las nuevas entradas mejoran los eventos de evolución rápida sin degradar el rendimiento rutinario. Los investigadores también deberían explicar cómo afectan a los pronósticos los datos de emisiones ausentes o retrasados.
La tercera señal es la publicación de los datos subyacentes de pronóstico y herramientas de evaluación más completas. Los resultados descargables permitirían a universidades, agencias y científicos independientes probar el rendimiento regional.
La validación externa puede identificar debilidades que los promedios globales ocultan. También puede mostrar si los pronósticos a 10 días siguen siendo útiles para contaminantes y ubicaciones específicos.
El estado operativo exigiría más que datos públicos. Los usuarios deberían seguir los calendarios de servicio documentados, las versiones estables de los modelos, los productos de incertidumbre y la integración en los flujos de trabajo establecidos de CAMS.
El horizonte de predicción en sí no es la calificación final. Una alerta fiable para el sexto día puede ser muy importante, mientras que un mapa inestable para el décimo día puede generar una falsa sensación de confianza.
La verdadera aportación de AIFS-COMPO es una demostración creíble de que la predicción global de la composición atmosférica puede utilizar una vía computacional mucho más rápida. Sus límites revelan por qué el sistema existente sigue siendo importante.
Los investigadores, las agencias de salud pública y los equipos de datos ambientales deberían comparar los gráficos experimentales con las observaciones locales y las predicciones operativas de CAMS. Conviene centrarse en los eventos difíciles, en lugar de en mapas rutinarios visualmente convincentes.
Esa comparación responderá a la pregunta decisiva: ¿puede ECMWF AIFS-COMPO mantener una capacidad predictiva útil cuando las emisiones cambian con rapidez y la atmósfera se comporta de forma distinta a su historial de entrenamiento?
