En octubre de 2024, PAGASA y ASTI (Filipinas), con la firma Atmo, desplegaron el primer sistema meteorológico con IA en vivo del Sudeste Asiático: cálculo de 3h a 15min, previsión de 2 a 14 días, resolución de 3km a 2km.
3 km to 2 km km
Mejora de la resolución horizontal de las previsiones (as of October 2024 deployment)
2 to 14 days
Ampliación del plazo de previsión (as of October 2024 deployment)
~3 hours to ~15 minutes time per forecast
Reducción del tiempo de cálculo (ejecución) de las previsiones (as of October 2024 deployment)
Details
Maturity
Scaling
Promoter
DOST-PAGASA (Philippine Atmospheric, Geophysical and Astronomical Services Administration) and DOST-ASTI, with Atmo Inc.
Period
October 2024–present
Keywords
weather forecasting, disaster risk reduction, machine learning, meteorology, early warning systems
Context
La Administración de Servicios Atmosféricos, Geofísicos y Astronómicos de Filipinas (PAGASA) y el Instituto de Ciencia y Tecnología Avanzada del Departamento de Ciencia y Tecnología (DOST-ASTI) firmaron un acuerdo comercial con la empresa estadounidense de meteorología con IA Atmo Inc. en octubre de 2024, describiendo el resultado como el primer sistema de previsión meteorológica con IA operativo en el Sudeste Asiático, en un país que enfrenta unos 20 ciclones tropicales al año.
Objectives
El sistema pretendía mejorar la resolución de las previsiones, ampliar el plazo de previsión y reducir el tiempo de cálculo, alimentando los sistemas más amplios de alerta de riesgos e impacto de Filipinas, incluidas las alertas tempranas de inundaciones y ciclones tropicales.
Activities
Los modelos de aprendizaje automático se entrenaron con datos de imágenes satelitales, radar, estaciones terrestres y sensores ambientales para generar previsiones de alta resolución, integradas en las herramientas nacionales de alerta temprana. En 2026 se informó de una segunda fase de la asociación, lo que indica un uso operativo continuado.
Results
Según los socios, la resolución horizontal mejoró de 3 km a 2 km, el plazo de previsión se amplió de 2 a 14 días, y el tiempo de cálculo necesario para producir una previsión se redujo de aproximadamente 3 horas a unos 15 minutos.
Conclusions
Se trata de parámetros técnicos reportados por el proveedor y las agencias, no de una evaluación de impacto auditada de forma independiente sobre la precisión de las previsiones frente a los resultados meteorológicos observados.
Implementation
Indicative cost
Medium (€50k–€500k) — Commercial agreement with a private US AI-meteorology vendor (Atmo Inc.); no public cost figures found in source.
Time to results
Medium (1–3 years) — Deployed operationally from October 2024, with a second partnership iteration reported in 2026.
Staffing & skills
DOST-PAGASA (national weather agency) and DOST-ASTI (science/technology institute) as government partners, Atmo Inc. (US AI-meteorology firm) as commercial technology vendor
Conditions for success
Integration with existing satellite, radar, ground-station and environmental-sensor data feeds
Feeding AI forecasts into established national hazard and early-warning systems (flood, tropical cyclone)
Sustained multi-year commercial partnership, with a second iteration reported in 2026
Common failure modes
Reported performance figures originate from the vendor and implementing agencies rather than independent third-party verification against observed outcomes
Underlying proprietary ML model and validation methodology are not publicly disclosed
Where it fits
Governance type
national government science agencies with private vendor partnership
Scale
national
Income level
lower-middle-income (Philippines)
Data sources
Where this practice's information was retrieved from, and when.
Mozambique's INGD and INAM are piloting machine-learning forecasts atop a multi-hazard early-warning system that helped cut Cyclone Freddy's 2023 death …
USTDA funds Vanuatu's Meteorology Dept to pilot Tomorrow.io's AI/ML weather platform for cyclone forecasting, announced September 2024 under Weather Ready …