Lluvia en Fondo de Bikini
https://juanidlc.github.io/fondo-de-bikini/
Página pública que estima la probabilidad de lluvia en Guayaquil cada hora, muestra hacia dónde va la tendencia y deja que cualquier visitante la actualice al momento, sin cuenta ni permisos.
- GitHub Actions consulta cada hora Open-Meteo, el reporte del aeropuerto (METAR de SEGU) y el índice de El Niño, calcula la probabilidad y guarda los JSON de
data/ en el repositorio.
- GitHub Pages publica
index.html, que lee esos JSON y dibuja la pantalla.
- «Actualizar ahora» consulta Open-Meteo desde el navegador y recalcula con el mismo modelo, reutilizando el reporte del aeropuerto que guardó el workflow si es de la misma hora. No escribe en el repositorio ni usa tokens.
Estructura
index.html
assets/mos.js modelo corregido (compartido por Node y el navegador)
assets/mos-coeficientes.js coeficientes del modelo corregido (generado por analisis/entrenar.py)
assets/openmeteo.js consulta a Open-Meteo y cálculo por hora (compartido)
assets/modelo.js heurística original, solo como referencia
assets/app.js pantalla, gráfica y botón
assets/estilos.css
data/actual.json última lectura, probabilidades y proyección de 12 h
data/historial.json una fila por hora, últimos 7 días
data/nino.json últimas 12 semanas del índice de El Niño
scripts/actualizar.mjs lo que corre el workflow
scripts/fuentes.mjs aeropuerto y El Niño (solo desde el workflow)
analisis/ descarga de datos, evaluación y entrenamiento (Python)
tests/ pruebas (node:test)
.github/workflows/actualizar.yml
Datos y publicación
Los datos están en la rama datos, no en main, para que main solo tenga cambios de código. Los workflows la bajan en data/ y guardan ahí. La página lee los datos directo de esa rama en raw.githubusercontent.com. «Publicar página» junta index.html y assets/ de main con una copia de los datos, cada hora y al cambiar el código; esa copia es el respaldo. En tu computadora, con git worktree add data datos, data/ queda igual; git -C data pull la actualiza.
Si cambia el código, «Publicar página» corre antes node --test y tests/navegador.mjs, que abre la página en Chrome. «Vigía de datos» revisa cada hora que los datos de esa rama y la copia publicada estén al día; si no, falla y GitHub avisa por correo.
Tarjetas de rayos
La página muestra los rayos de los últimos 10 minutos en dos radares, hasta 60 km y hasta 25 km (assets/radar.js, con los datos de data/rayos.json). Se miden desde el centro de Guayaquil, con los mismos niveles que los avisos. Los puntos son celdas de unos 2 km y las poblaciones son solo referencias públicas, nunca los lugares del secreto LUGARES.
Publicar en GitHub
- Crea un repositorio público en GitHub (por ejemplo
fondo-de-bikini) y sube este código a la rama main.
- En Settings → Actions → General → Workflow permissions, elige Read and write permissions y guarda.
- En Settings → Pages, en Build and deployment elige Deploy from a branch, rama
main, carpeta / (root).
- En la pestaña Actions, abre «Actualizar lectura» y pulsa Run workflow una vez.
- Abre
https://<tu-usuario>.github.io/fondo-de-bikini/.
A partir de ahí el workflow corre solo cada hora (minuto 7, en UTC).
Límites de GitHub: las ejecuciones programadas pueden atrasarse varios minutos en horas de mucha carga, y GitHub pausa los workflows programados de un repo público tras unos 60 días sin actividad. Si pasa, entra a Actions y pulsa Enable workflow. La página avisa «la lectura automática está atrasada» cuando los datos tienen más de 2 horas.
Avisos por WhatsApp
Dos avisos, publicados en un canal de Telegram y, si está configurado, enviados por WhatsApp con CallMeBot:
- Lluvia (workflow «Actualizar lectura», cada hora): cuando alguna de las próximas 6 horas de la tabla de la página llega a 70 %, y dice cuál. Cuando todas bajan de 50 %, avisa que bajó el riesgo; solo entonces puede volver a avisar. Si falta el dato del aeropuerto o falló Open-Meteo, espera a la siguiente lectura completa.
- Rayos (workflow «Rayos», cada 10 minutos): cuando el satélite GOES-19 ve al menos 3 rayos a menos de 60 km de Guayaquil en los últimos 10 minutos (
scripts/rayos.py). Avisa otra vez si la tormenta se acerca a menos de 25 km; si no, como mucho uno por hora. Si avisó, avisa también cuando lleva 30 minutos sin rayos cerca.
La lógica está en scripts/alertas.mjs y el estado (qué avisos están activos) en data/alertas.json.
Los secretos se guardan en Settings → Secrets and variables → Actions → New repository secret. Nunca pongas tokens, números ni claves en el código. Para probar: Actions → Probar avisos → Run workflow.
Telegram (scripts/telegram.mjs):
- En Telegram, crea un canal público (por ejemplo
@fondodebikini).
- Habla con @BotFather, envía
/newbot y guarda el token que te da.
- Agrega el bot al canal como administrador con permiso para publicar.
- Secretos:
TELEGRAM_TOKEN (el token) y TELEGRAM_CHAT (el canal, con @).
WhatsApp (scripts/whatsapp.mjs, opcional):
- Cada persona activa CallMeBot desde su WhatsApp siguiendo las instrucciones de su página y recibe una clave (apikey).
- Secreto
CALLMEBOT_DESTINOS con el formato +593XXXXXXXXX:clave (varios separados por ;).
Pronóstico por lugar
Además del aeropuerto, la página puede mostrar la tabla «Por lugar» para otros puntos de la ciudad, con los rayos contados desde cada uno (scripts/rayos.py y scripts/lugares.mjs, en el workflow «Rayos»). Las coordenadas van solo en el secreto LUGARES, con el formato Lugar A:<latitud>,<longitud>;Lugar B:<latitud>,<longitud>. El repositorio y la página son públicos, así que nunca se escriben coordenadas ni distancias de los lugares: data/lugares.json solo lleva nombres y porcentajes, y los registros del workflow solo los nombres.
Cuando el aeropuerto ya reporta lluvia en la hora en curso, solo el aeropuerto la muestra como observada (100 %). En los demás lugares esa lluvia entra al modelo como lluvia de la hora anterior, y la probabilidad la deciden los rayos y el infrarrojo medidos desde cada lugar: que llueva en el aeropuerto no quiere decir que ya llueva a unos kilómetros.
En local
Necesitas Node 20 o superior.
node --test
node scripts/actualizar.mjs
Para ver la página, sírvela con cualquier servidor estático desde la raíz del proyecto (abrir index.html con doble clic no funciona porque los módulos ES necesitan HTTP), por ejemplo:
npx serve .
Modelo
Probabilidad principal: modelo corregido (MOS) en assets/mos.js. Es una regresión logística entrenada con la lluvia que de verdad reportó el aeropuerto de Guayaquil (2023 a 2026). Usa como entrada los pronósticos de lluvia de seis modelos del clima (GFS, ECMWF de 25 y de 9 km, ICON, UKMO de 10 km y JMA), la energía para tormentas, la humedad y la nubosidad de GFS, la hora, la época del año, el índice de El Niño y, si es de la hora actual, si está lloviendo en el aeropuerto. Responde dos preguntas: «¿llueve en esta hora?» (la hora en curso) y «¿llueve en algún momento de las próximas 6 horas?». Ambas usan si llovió en el aeropuerto en la última hora y en las últimas 3, y los rayos que vio el satélite GOES en la última hora (cuántos por anillo de distancia, el más cercano y si se acercan); para las horas siguientes hay un modelo por anticipación (1 a 6 h), porque ese efecto se va perdiendo. Los rayos los calcula scripts/rayos.py cada 10 minutos en data/rayos.json (modelo), con todos los archivos del satélite (uno cada 20 s), igual que para entrenar; el historial lo arma el workflow manual «Historial de rayos» (analisis/rayos_historial.py). El reporte del aeropuerto se revisa cada 10 minutos (scripts/aeropuerto.mjs → data/aeropuerto.json, en el workflow «Rayos»): si de una hora a otra todavía no llegó el reporte nuevo, se usa el anterior con el modelo de una hora más de anticipación; si un reporte de la hora en curso (un especial) ya trae lluvia, esa hora se muestra como lluvia observada (100 %) y las siguientes se calculan desde ella. Para las horas 1 a 4 se usa además la imagen infrarroja de GOES (scripts/infrarrojo.py → data/infrarrojo.json, en el workflow «Rayos»): qué tan frías y extensas son las nubes de tormenta alrededor y si están creciendo; a 5 y 6 horas no ayuda. El historial lo arma el workflow manual «Historial infrarrojo» (analisis/infrarrojo_historial.py). Con el infrarrojo se lee también el vapor de agua (canales 8 y 10, temperatura media a menos de 60 km), que usan las horas 1 a 4 y las «próximas 6 h»; si no se pudo leer, se usan los modelos sin él. Su historial lo arma el workflow manual «Historial de nubes» (analisis/nubes_historial.py), que también guarda el movimiento de las nubes y la inestabilidad del aire, que se probaron y no mejoran el modelo (analisis/satelite.md). La hora en curso usa además lo que dice el reporte del aeropuerto (chubascos o tormenta cerca, nubes de tormenta, altura de las nubes, visibilidad, presión, viento y tendencia; scripts/fuentes.mjs → data/aeropuerto.json, senales) y la temperatura de las nubes tibias; las horas 2 y 3 usan también las nubes bajas (canales 3, 7 y 15 de GOES, una imagen por hora; scripts/infrarrojo.py, historial en el workflow manual «Historial de nubes bajas»). Son los pronósticos donde mejoraron de forma estable (, ). Solo se usan en el aeropuerto: los demás lugares no las usan, y si falta alguno de estos datos se usa el modelo anterior. Si los rayos, el infrarrojo o el aeropuerto son más viejos, se usa el modelo sin ellos. compara lo que dijo la página con lo que de verdad llovió, y prueba variantes del modelo. La página muestra en grande la hora en curso y, en la tabla «Próximas horas», la probabilidad de cada una de las 6 horas siguientes. El modelo de 6 h solo se usa para los avisos. La evaluación completa está en .
Respaldo: si no se puede calcular el modelo corregido, se usan los ensambles de ECMWF (51 simulaciones) y GFS (31) sin corregir, que exageran mucho la lluvia en Guayaquil. Si tampoco hay ensambles, se usa la heurística original (assets/modelo.js), que asume meses secos y subestima la lluvia en años de El Niño. Los tres valores se guardan en cada fila (corregido, ensamble, heuristica) para compararlos después.
Reentrenar el modelo corregido
Conviene hacerlo cada pocos meses, para que aprenda de la lluvia más reciente:
python -m venv .venv
.venv/Scripts/python -m pip install -r analisis/requirements.txt
.venv/Scripts/python analisis/descargar.py --forzar
Para los rayos, corre en GitHub Actions → Historial de rayos → Run workflow y baja los resultados a analisis/datos/rayos/:
gh run download <id de la corrida> -D analisis/datos/rayos
.venv/Scripts/python analisis/entrenar.py
node --test
entrenar.py reescribe analisis/resultados.md, assets/mos-coeficientes.js y los casos de tests/fixtures/mos-casos.json. Cada regresión da más peso a lo reciente (cada hora vale la mitad por cada dos años de antigüedad) y las de 6 horas se recalibran (Platt) con predicciones fuera de muestra desde 2024, entrenando cada trimestre solo con lo anterior; la recalibración va ya aplicada en los coeficientes. Los modelos de rayos e infrarrojo se entrenan con los datos de cada minuto de la hora (0, 10 … 50 minutos después del reporte horario del aeropuerto), igual que llegan en vivo cada 10 minutos; la página sigue mostrando la probabilidad por hora.
Para comparar formas de entrenar (una vez o cada mes, peso a lo reciente, gradient boosting monótono, recalibración, modelo por minuto) con predicciones mes a mes:
.venv/Scripts/python analisis/validacion.py
Escribe analisis/validacion.md. Las pruebas comprueban que JavaScript calcula exactamente lo mismo que Python.
No es un pronóstico oficial. Datos del clima: Open-Meteo.com (CC BY 4.0).
