EliMeteo
La previsión del tiempo de Mollet del Vallès que aprende de los errores de los demás. Cada día comparo lo que predijeron once modelos meteorológicos con lo que midió de verdad la estación, aprendo dónde y cuándo falla cada uno y los combino en una previsión propia que se verifica sola.
No hace falta otro modelo del tiempo: hace falta saber a cuál creer
Los grandes modelos (ECMWF, Météo-France, el servicio alemán, la NOAA, el Met Office…) simulan la atmósfera en celdas de entre 1 y 25 km. Ninguno conoce Mollet: no sabe que en las noches de calma el aire frío se queda en el fondo del Vallès, ni cuándo entra la marinada. Y cada uno se equivoca a su manera: uno sale siempre caliente por la tarde, otro se pierde con el levante, otro acierta mucho a un día vista y nada a cinco.
EliMeteo no simula la atmósfera. Lleva la cuenta de esos errores, hora a hora, y con ella corrige a cada modelo y decide cuánto creer a cada uno. Luego se pone a prueba igual que los demás, en un ranking público.
Modelos globales y regionales, comparados cada día con lo que mide la estación.
De validación mes a mes, prediciendo cada mes solo con los anteriores.
Error medio en temperatura a un día vista. El mejor modelo suelto, AROME HD: 0,92 °C.
Previsiones archivadas desde 2024, cada una con su hora y su antelación.
Lo que dijeron, lo que pasó y la diferencia
- Recoge la última pasada de 11 modelos a través de Open-Meteo: ECMWF IFS y su versión de inteligencia artificial (AIFS), AROME y AROME HD, ARPEGE, ICON e ICON-EU, GFS, UKMO 10 km y HARMONIE (KNMI y DMI).
- Cada media hora, lo que pasó de verdad: las 7 estaciones oficiales de Meteocat (XEMA) a menos de 15 km. Mollet no tiene estación oficial; la de referencia es Parets del Vallès, a 3,3 km, y la web lo dice.
- Control de calidad de cada medida: rango físico, picos, sensor clavado y coherencia con las estaciones vecinas, corrigiendo por altitud. Nada se borra: se marca y queda fuera del aprendizaje.
- Empareja cada previsión con su observación, hora a hora y por antelación (lo que dijo cada modelo con 1, 2, 3… días de margen). De ahí sale el error de cada uno.
- Recalcula la previsión EliMeteo a 5 días y la publica en la web y en JSON.
Aprender del pasado sin mirar el futuro
- El histórico de cada modelo: qué predijo cada uno para cada hora con 1 a 7 días de antelación, desde principios de 2024, en siete estaciones.
- Regla de oro: para predecir el día D con L días de antelación solo vale lo observado hasta el día D − L − 2. Así no se cuela ni una hora del futuro, y hay una prueba automática que lo comprueba.
- Validación walk-forward: cada mes se predice entrenando solo con los meses anteriores, como si fuera en vivo. Son 29 meses de examen, no una foto bonita.
- Reentreno mensual, el día 2. La versión nueva solo sustituye a la activa si tiene al menos 6 meses de validación y no es peor.
Cada método tiene que ganarse el sitio
Los métodos se apilan de lo simple a lo complejo. Un peldaño solo pasa a activo si mejora al menos un 1 % el error del anterior, en los mismos datos y por variable. Si no lo bate, no entra, por muy sofisticado que sea.
1 · Referencias
La media de todos los modelos y el mejor modelo de los últimos 30 días. Es el listón: si EliMeteo no mejora esto, no sirve para nada.
2 · Corrección de sesgo
Para cada modelo, hora del día y antelación, su error medio de los últimos 30 días. Si un modelo a dos días vista viene saliendo 0,9 °C frío a las tres de la tarde, se le suben 0,9 °C.
3 · Mezcla ponderada
Los modelos corregidos se combinan con pesos 1/MAE²: el que viene acertando en Mollet pesa más, y si empieza a fallar pierde peso en días, sin tocar nada.
4 · Gradient boosting
LightGBM aprende lo que la mezcla aún falla, con la discrepancia entre modelos, nubosidad, humedad, viento, hora, época, antelación y el tipo de tiempo previsto. Hoy está activo en el viento.
5 · Lluvia en probabilidades
Clasificadores para ≥0,2, ≥1 y ≥5 mm en la hora y ≥1 mm en el día, calibrados con regresión isotónica: cuando dice 70 %, llueve unas 7 veces de cada 10.
6 · Ajuste a 0–6 horas
Las primeras horas se corrigen con el error de la última observación, que se desvanece con el horizonte (τ = 4 h). En temperatura baja el error de 0,66 a 0,61 °C.
| Peldaño | Temperatura (1–5 días) | Viento (1–5 días) |
|---|---|---|
| Media de modelos | 1,23 °C | 0,68 m/s |
| + corrección de sesgo | 1,02 °C | 0,62 m/s |
| + mezcla ponderada | 1,01 °C · activo | 0,61 m/s · no pasa (<1 %) |
| + gradient boosting | 1,01 °C · no pasa (<1 %) | 0,56 m/s · activo |
Error absoluto medio en la validación walk-forward de 29 meses en Parets. El aprendizaje automático no mejoraba la temperatura lo suficiente y la escalera lo dejó fuera: eso es la puerta funcionando.
El tiempo de Mollet tiene sus manías
Cada día se clasifica de forma automática, y los modelos no fallan igual en cada tipo. El régimen entra en el aprendizaje y en el ranking, para ver quién acierta con levante o con marinada. Para predecir se usa el régimen previsto por la media de modelos: el observado sería información del futuro.
Inversión
Noche en calma y sin lluvia: viento nocturno de menos de 1,2 m/s y 11 °C o más entre la mínima y la máxima.
Marinada
De abril a septiembre, sin lluvia, al menos 3 horas de brisa del sur o sureste entre las 11 y las 19 h.
Levante
Seis horas o más de viento del este o nordeste, o cuatro con lluvia. En cualquier época.
Convectivo
De mayo a octubre, chubascos: alguna hora de 3 mm o más, o rachas fuertes con lluvia.
Calor
Máxima de 32 °C o más. Si coincide con otro tipo, cuentan antes el convectivo y el levante.
Normal
Todo lo demás. La misma regla se aplica igual en C# (web) y en Python (modelo), con pruebas que lo comprueban.
Una previsión que dice cuánto se fía de sí misma
- Banda del 10 al 90 % en la temperatura, con modelos de cuantiles calibrados por antelación: en la validación, 8 de cada 10 observaciones caen dentro, de hoy a cinco días vista.
- Probabilidad de lluvia calibrada: en «¿lloverá al menos 1 mm mañana?», su error (Brier) es 0,082, frente a 0,102 de contar cuántos modelos dicen lluvia y 0,154 de la media de modelos.
- Consenso: cuando los modelos discrepan mucho para un día, la web lo avisa en vez de esconderlo.
- Lluvias torrenciales (≥20 mm en una hora): hay muy pocos casos para aprender, así que se marcan como poco fiables en lugar de inventar.
Y después, a competir con los demás
- Todos contra lo medido: los 11 modelos, AEMET, Meteocat, Tomorrow.io, WeatherAPI, OpenWeather y EliMeteo, con la misma vara.
- Nota de 0 a 100: temperatura 100·(1 − MAE/4 °C), viento 100·(1 − MAE/3 m/s) y lluvia 100·(1 − Brier/0,25). La global pesa un 50 %, 30 % y 20 %.
- Comparación justa: solo días completos y terminados, con la opción de comparar a todos en los mismos días, y filtros por periodo, antelación, estación y tipo de tiempo.
- A 20 de octubre de 2026, en los últimos 90 días y a un día vista, EliMeteo es primero de 14, con 73,5 puntos (media de modelos: 71,5; AROME: 70,3).
- No gana todos los días, y lo cuenta: del 17 al 19 de octubre, con la llegada del levante, la media simple le ganó por una décima. La revisión está publicada en la propia web.
Comparador, aciertos y el clima de la estación
Una app que se instala desde la web
En el móvil, EliMeteo se instala en la pantalla de inicio como una app, sin tienda. Con navegación inferior, modo claro y oscuro, y todo en vivo.
Cómo está hecho
- .NET 10
- Blazor Server
- MudBlazor
- Apache ECharts
- Quartz.NET
- MariaDB
- Python
- pandas
- scikit-learn
- LightGBM
Un servicio en segundo plano descarga, verifica y lanza el modelo; la web solo lee tablas precalculadas. Las series van en tablas particionadas por mes y todo lo descargado se guarda en bruto, para poder reprocesarlo sin volver a pedirlo. La previsión también está en JSON, para domótica o paneles.
Datos: Open-Meteo.com (CC BY 4.0) y sus centros, Meteocat (XEMA), AEMET, Powered by Tomorrow.io y WeatherAPI.com. Proyecto personal y no comercial.
¿Qué tiempo hará mañana en Mollet?
Mira la previsión EliMeteo, compárala con la de todos los demás y vuelve pasado mañana a ver quién acertó.