Tu teléfono móvil, tu carro (en los países desarrollados, nuestros viejos LADAs no tienen ese problema) y tu estación meteorológica doméstica del patio (cosa también muy poco común en Cuba): ¿fuentes de verdad o de posverdad meteorológica? El IoT no es tan inocente como parece.
Durante décadas, el principal problema de la meteorología fue la escasez de datos. Había inmensos océanos sin boyas, extensas regiones sin una sola estación meteorológica, y los radares se contaban con los dedos de una mano. Cada dato nuevo era un tesoro. Cada observación, una batalla ganada a la incertidumbre.
Ese tiempo ha quedado atrás. Hoy, el planeta se está llenando de sensores ambientales. Millones de ellos. Estaciones meteorológicas domésticas en jardines y azoteas, sensores agrícolas en campos de cultivo, automóviles conectados que miden temperatura y lluvia, teléfonos móviles que llevan barómetros diminutos, boyas oceánicas que transmiten en tiempo real. La Tierra se ha convertido en una red meteorológica distribuida, un macro-sensor vivo, es la Internet de las Cosas (IoT por sus siglas en inglés, Internet of Things) y la Inteligencia Artificial en su aplicación a la Meteorología.
Y sin embargo, más datos parece como que no están dando automáticamente más «verdad». Al contrario: empieza a aparecer un nuevo dilema. El exceso de información, mal gestionado, puede ser tan dañino como la escasez. Incluso más, porque crea una ilusión de conocimiento que a menudo es falsa. Y lo que es peor: abre la puerta a la posverdad meteorológica, ese fenómeno del que vengo alertando desde 2019.
Las fuentes de la «sensorización»
Repasemos rápidamente de qué hablamos cuando hablamos de IoT meteorológico:
- Estaciones domésticas: Netatmo, WeatherFlow, Davis, y otras decenas de miles de unidades operadas por aficionados. Muchas suben sus datos a plataformas como Weather Underground. Son baratas, fáciles de instalar… y muy fáciles de instalar mal.
- Sensores agrícolas: Redes de campo para medir humedad de suelo, temperatura, heladas. Son más profesionales, pero también heterogéneas.
- Autos conectados: Limpiaparabrisas que detectan lluvia, termómetros exteriores, frenados que indican aquaplaning. Tesla, BMW, Ford… millones de vehículos actuando como estaciones móviles.
- Teléfonos móviles: Muchos flagships incluyen barómetros. Apps anónimas recogen presión atmosférica y temperatura (sí, lo hacen sin tu permiso). La densidad es enorme… en ciudades de países desarrollados.
- Boyas oceánicas: La red más antigua y fiable, pero aún con grandes vacíos en el hemisferio sur y el Índico.
Juntos, estos sensores superan con creces en número a las estaciones meteorológicas de superficie «oficiales».
En teoría, deberíamos tener la mejor «foto» del tiempo jamás vista. En la práctica, tenemos una «foto» llena de ruido, borrones y colores falsos.
El gran cambio: ya no faltan datos, ahora sobran
Los modelos meteorológicos numéricos están diseñados para asimilar observaciones, pero no todas las observaciones son iguales. La asimilación de datos —el arte de combinar millones de mediciones con la física de la atmósfera— es un campo delicadísimo. Meter un dato erróneo puede degradar un pronóstico entero.
Históricamente, el cuello de botella era la falta de insumos. Hoy, el cuello de botella es la calidad, la representatividad y el filtrado. Y eso genera tres problemas nuevos, que conviene mirar de frente.
1. Calidad de los datos
Una estación meteorológica doméstica cuesta desde 10 a 100+ euros. Se instala en un minuto. Muchos usuarios lo colocan junto a una pared que recibe el sol, o sobre un tejado que irradia calor. El resultado: temperaturas que pueden diferir en 2‑3 grados de la estación oficial.
Ejemplo con los automóviles conectados a Internet: el sensor de temperatura del auto está diseñado para medir mientras circula. Cuando parqueas en algún lugar al sol, ocurre el “heat soak”: lecturas de 50 °C en un día de 32 °C. Algunos autos filtran estos picos; otros no, pero esos datos (filtrados o no) se suben a la nube.
Y no, estos sensores no se calibran. Los sensores de bajo coste que pueblan el IoT llegan con una calibración de fábrica que, a menudo, es insuficiente. Un estudio de la Universidad Técnica de Dresde evaluó 20 sensores de lluvia de bajo coste durante 8 meses y concluyó que la precisión de fábrica se quedaba corta para un uso directo; solo tras una calibración adicional mejoraba significativamente. Pero en el mundo real, ¿quién calibra su estación doméstica? Nadie. Y eso es un problema. Lea mi post sobre la calibración de los radares. Sí, todo sistema de medición tiene que ser calibrado, de lo contario su valor es nulo.
No es culpa del usuario. Es culpa de la falsa idea de que cualquier sensor vale para todo. En meteorología, la ubicación y la calibración son sagradas. Un termómetro mal resguardado no mide el tiempo: mide el microclima de su mala instalación.
¿Y qué hacemos cuando esos datos erróneos se suben automáticamente a una red global? Pues que alguien, en algún centro de pronóstico, tiene que decidir si los ignora, los corrige o los usa. No es trivial. Y muchos sistemas, por ahora, simplemente los descartan. Es decir, hemos puesto millones de sensores para que al final no sirvan. Algo falla.
2. Sesgo geográfico
Europa y Estados Unidos están saturados de sensores (igual que de radares). La selva amazónica, el Sahel, la Patagonia y la mayor parte del océano Pacífico son desiertos de datos. Los sensores baratos se instalan donde hay poder adquisitivo, no donde hay necesidad climática. En Cuba prácticamente solo tenemos las 68 estaciones meteorológicas (convencionales, de lectura manual) del Instituto de Meteorología, todas muy bien mantenidas y calibradas. Sin embargo, los fenómenos severos, nacen a menudo en regiones poco medidas. Sabemos que los futuros huracanes «nacen» como perturbaciones en las costas africanas.
Esto no es trivial ni neutral. Introduce un sesgo peligroso: tendemos a conocer muy bien el tiempo en las zonas ricas y urbanas, y muy mal en las zonas rurales y pobres. Pero los fenómenos severos —huracanes, tormentas convectivas, ondas de calor extremo— no respetan fronteras políticas o económicas. Nacen a menudo en regiones poco medidas, y solo cuando se acercan a las ciudades los vemos con claridad.
La paradoja: los sensores baratos podrían ayudar a cerrar esa brecha, pero se instalan donde hay poder adquisitivo, no donde hay necesidad climática o meteorológica.
3. Ruido informativo y violación de la privacidad
El ruido no es solo mala calidad o desbalance geográfico. Es también volumen sin estructura. Los datos del IoT llegan en formatos diferentes, con frecuencias dispares, sin metadatos claros. Una estación doméstica puede reportar cada minuto; un coche conectado, cada 10 segundos; un teléfono, solo cuando tiene cobertura.
Pero además de ruido técnico, hay un problema ético y de privacidad que pocos conocen.
Ejemplo con teléfonos móviles: el barómetro de tu smartphone está midiendo presión atmosférica constantemente. ¿Y quién tiene acceso a esos datos? Resulta que, en muchos sistemas operativos, acceder al barómetro no requiere ningún permiso. Se considera un sensor «inocuo». Apps instaladas en tu teléfono pueden leer la presión atmosférica sin que lo sepas, sin que lo autorices, y transmitir esos datos a sus servidores.
Una investigación de la Universidad de Alberta demostró que, usando solo el barómetro a baja frecuencia (25 Hz), se puede detectar con precisión casi del 100 % si estás tocando la pantalla y hasta aproximar dónde lo haces. Otra investigación de la Northeastern University mostró que apps de Android con cero permisos pueden acceder a sensores que permiten inferir tu ubicación pasada y presente. El barómetro, al fin y al cabo, es un altímetro en miniatura: con suficientes lecturas, se puede deducir en qué piso de un edificio te encuentras.
Así que, cuando una app meteorológica te pide acceso a tu ubicación «para mejorar el pronóstico», puede que también esté leyendo tu barómetro. Y transmitiendo esos datos. Sin que tú lo sepas. Y sin que puedas impedirlo fácilmente. La próxima vez que tu teléfono te diga la presión atmosférica, pregúntate: ¿quién más la está viendo?
Ejemplo de manipulación artificial: ¿se puede engañar a un barómetro de teléfono? La respuesta es sí. Basta con meter el teléfono en una bolsa de plástico hermética y apretar. La presión dentro de la bolsa aumenta y el barómetro lo registra. Es un experimento casero bien conocido: se usa precisamente para demostrar el principio de Pascal. También se ha documentado el uso de una bolsa sellada para dar una falsa lectura de altitud, engañando así a los sistemas que confían en ese dato. Esto quiere decir que, en principio, un usuario malintencionado —o un simple descuido— podría generar datos de presión completamente ficticios que una app meteorológica transmitiría como reales. Y no hay forma de distinguirlos desde el servidor.
Integrar todo esto en tiempo real es un desafío computacional, estadístico y ético enorme. La mayoría de los servicios meteorológicos aún no están preparados. Usan los datos IoT como complemento, no como columna vertebral. Y mientras tanto, el ciudadano medio abre su app favorita y ve cinco temperaturas distintas para su calle. ¿Cuál es la verdad? No lo sabe.
Hasta aquí, los problemas técnicos: mala calidad, sesgo geográfico, ruido y violación de la privacidad. Parecen cuestiones de ingeniería. Pero no lo son. Porque estos problemas no se quedan en los servidores de los centros meteorológicos. Se cuelan en la calle, en las conversaciones, en las redes sociales. Y allí se transforman. El dato erróneo deja de ser un error técnico y se convierte en una ‘prueba’ de que la meteorología oficial no sirve. Ese salto —del ruido a la desconfianza— es el terreno abonado para la posverdad.
La posverdad como problema añadido
Y aquí llegamos al punto más delicado. El IoT meteorológico no solo plantea problemas técnicos y éticos. También alimenta la posverdad (si lo desea lea mi post sobre el tema de la Posverdad en la Meteorología.
¿Por qué? Porque cuando la estación doméstica de tu vecino marca 2 grados más que la estación oficial, mucha gente concluye que «los meteorólogos mienten» o que «el cambio climático es un invento». No entienden de calibración, de ubicación representativa, de microclimas. Entienden de datos concretos, cercanos, emocionales. Y esos datos, aunque erróneos, tienen más credibilidad para ellos que un modelo regional o una estación de referencia.
He visto este fenómeno repetidamente. Un sensor mal puesto se convierte en un argumento de autoridad falsa. Y en un mundo donde cualquiera puede publicar su temperatura en redes sociales, la autoridad científica se erosiona. La posverdad no es solo política: también es meteorológica.
Las apps meteorológicas agravan el problema. Muchas muestran «la temperatura de tu calle» basada en el sensor IoT más cercano, sin ningún filtro de calidad. El usuario cree que es más precisa que la estación oficial porque está más cerca. Y en realidad, puede ser mucho peor. Pero la percepción manda sobre los hechos.
¿Qué hacer? No es un problema menor
El IoT meteorológico es una oportunidad enorme. Puede llenar vacíos, mejorar el nowcasting, democratizar la observación. Pero no es un cuento de hadas. Para que funcione, necesitamos:
- Estándares de calidad y certificación para sensores domésticos (algo que la Organización Meteorológica Mundial está empezando a discutir).
- Algoritmos de control de calidad que automaticen el filtrado de datos espurios.
- Campañas de educación para que los usuarios instalen sus sensores correctamente.
- Transparencia y regulación sobre qué datos recogen los teléfonos y cómo se usan.
- Conciencia ética: que el usuario sepa que su barómetro puede estar siendo leído sin permiso.
Y sobre todo, necesitamos dejar de vender la idea de que más sensores equivalen automáticamente a más verdad científica. No es así. Más sensores mal ubicados equivalen a más ruido. Y en un mundo ya saturado de información, el ruido es un lujo que no podemos permitirnos.
Cuando empecé a trabajar en meteorología, soñábamos con tener más datos. Ahora los tenemos. Pero el sueño se ha tornado incómodo. Porque los datos no son verdad por sí mismos. La verdad se construye con calidad, representatividad, integración y criterio.
El IoT meteorológico nos ha dado millones de ojos. Pero muchos de esos ojos están borrosos, mal enfocados, invaden nuestra privacidad o miran en la dirección equivocada. El desafío de la próxima década no será poner más sensores. Será enseñar a los sensores existentes a decir la verdad, y a nosotros a no creer cualquier cosa que parpadee en una pantalla.
Como siempre les digo: documéntense, prepárense y saquen sus propias conclusiones. Pero no se fíen de cualquier sensor. Ni siquiera del que tienen en su patio, si no saben dónde lo pusieron y de qué forma hace las mediciones. Y mucho menos del que llevan en el bolsillo sin saber quién lo está mirando (sí, tu teléfono te ve, te oye y chismosea sabrá Dios con quien).
Deja una respuesta