evidoria

← Back to browse

Good practice

El primer sistema de previsión meteorológica con IA en vivo del Sudeste Asiático — DOST-PAGASA y ASTI (Filipinas)

Philippines · Quezon City · See the Philippines profile

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)
El primer sistema de previsión meteorológica con IA en vivo del Sudeste Asiático — DOST-PAGASA y ASTI (Filipinas)

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.

Attachments

Similar practices you may find useful