Cuando una persona escucha el habla de otro, distingue tanto las palabras como la entonación. Si se elimina una de las dos, el sentido se distorsiona. Algo similar ocurre con el pronóstico del tiempo: en una imagen satelital hay detalles finos, como nubes individuales, y también ondas grandes que abarcan medio continente. Antes, las redes neuronales eran buenas viendo una cosa u otra, pero no ambas a la vez.

SFANet funciona como un intérprete atento. Primero examina la imagen por partes, promediando los fragmentos vecinos para no perderse en los detalles. Luego transforma la imagen en otra representación donde se ven ondas grandes y pequeñas, como en una partitura musical. Después, un módulo especial compara ambas 'traducciones' y decide a cuál creer en cada punto.

Gracias a este enfoque, el modelo con 16,4 millones de parámetros predice las precipitaciones con más precisión que competidores más pesados. Para El Niño, la corriente cálida del Pacífico que afecta el clima en todo el mundo, la mejora es del 4,7%. Esto significa que los pronósticos serán más fiables y no harán falta más recursos computacionales que antes.