La Inteligencia Artificial revoluciona el pronóstico del tiempo

Los pronósticos del tiempo que se realizan mediante algoritmos de IA se ejecutan en cuestión de minutos y superan a las supercomputadoras en velocidad y precisión. Podrían permitir pronósticos más frecuentes y liberar recursos informáticos para otros problemas espinosos.

La Inteligencia Artificial está llevando a cabo una “revolución silenciosa” en el pronóstico del tiempo, revela la revista Science.

¿De qué hablan las personas con la inteligencia artificial?

La revelación es importante porque la predicción del tiempo es una tarea crucial para la sociedad, la economía y el medio ambiente, pero también es muy compleja y desafiante.

Los modelos actuales de predicción del tiempo se basan en ecuaciones físicas que describen el comportamiento de la atmósfera, pero tienen limitaciones en cuanto a la resolución, la precisión y el horizonte temporal.

Además, estos modelos no pueden captar las variaciones locales del clima causadas por el efecto de la isla de calor urbana, que es el aumento de la temperatura en las zonas urbanas debido a la absorción y emisión de calor por las superficies artificiales.

Otro problema de estos modelos actuales es que consumen mucha energía y que deben funcionar las 24 horas del día, los 7 días de la semana, sólo para producir algunos pronósticos al día.

En esto llegó la IA

La cuestión es que la IA revoluciona la predicción del tiempo porque en apenas unos minutos, y usando solo ordenadores corrientes, es capaz de hacer pronósticos del tiempo tan buenos como los de los mejores modelos tradicionales. Incluso puede superarlos no solo en escalas de tiempo, sino también en precisión.

Y este momento tecnológico lo están protagonizando varios agentes, empezando por Google con su herramienta meteorológica GraphCast, seguido de Huawei con su modelo Pangu-Weather, entre otros.

Modelo GraphCast

GraphCast es un modelo basado en redes neuronales profundas que opera sobre grafos, es decir, estructuras de datos que representan las relaciones entre entidades.

El modelo usa dos tipos de grafos: uno regular que representa la superficie de la Tierra dividida en celdas cuadradas (grid), y otro irregular que representa una malla triangular (mesh) que se adapta mejor a la forma esférica del planeta.

El modelo procesa los datos meteorológicos de entrada, como la temperatura, la presión, la humedad, el viento, etc., y genera predicciones de salida para varios pasos de tiempo de hasta 10 días. El modelo aprende de forma autónoma a partir de los datos históricos, y es capaz de capturar las complejas dinámicas atmosféricas y los patrones climáticos.

Según informa Nature, GraphCast supera a los modelos tradicionales porque es más preciso y hábil que los modelos basados en ecuaciones físicas, especialmente para el medio y largo plazo.

Además, GraphCast puede identificar las zonas más vulnerables al efecto de la isla de calor urbana, y sugerir medidas de adaptación, como el uso de materiales reflectantes, el aumento de la vegetación, la creación de espacios verdes, etc. Los investigadores también han puesto a disposición el código fuente de GraphCast en GitHub, para que otros científicos y desarrolladores puedan usarlo y mejorarlo.

Modelo Pangu-Weather

Pangu-Weather, basado en 39 años de datos globales, obtiene resultados de pronóstico deterministas más sólidos en datos de reanálisis en todas las variables probadas en comparación con el mejor sistema de PNT del mundo, el sistema operativo integrado de pronóstico del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (CEPMPM), aseguran sus desarrolladores.

El modelo funciona bien con pronósticos meteorológicos extremos y pronósticos por conjuntos y, a partir de datos de reanálisis, la precisión del seguimiento de ciclones tropicales también es mayor que la del (CEPMPM), aunque sus predicciones de lluvia y otras características a escala fina son ligeramente más confusas, advierte Science.

Primeras aplicaciones

CEPMPM ya ha comenzado a aplicar esta tecnología en sus pronósticos del tiempo valiéndose de algoritmos experimentales de IA. Estos algoritmos podrían permitir pronósticos más frecuentes y liberar recursos informáticos para otros problemas espinosos.

El salto tecnológico es considerable: los modelos meteorológicos tradicionales comienzan alimentando una instantánea de las condiciones actuales, basada en observaciones de satélites, estaciones meteorológicas y boyas, en un modelo informático en forma de cuadrícula que divide la atmósfera en millones de cajas.

La instantánea avanza en el tiempo aplicando las leyes físicas de la dinámica de fluidos a cada caja, con un gran gasto computacional. Los modelos pueden tardar varias horas en ejecutarse en supercomputadoras con 1 millón de procesadores, y las agencias meteorológicas suelen producir actualizaciones sólo cuatro veces al día.

Aprendizaje profundo

Los nuevos modelos de IA evitan el gasto de resolver ecuaciones en favor del "aprendizaje profundo". Identifican patrones en la forma en que la atmósfera evoluciona naturalmente, después de entrenar con 40 años de datos de “reanálisis” del CEPMPM, una combinación de observaciones y pronósticos de modelos a corto plazo que representa la mejor y más completa imagen de los modeladores del clima pasado.

Cuando se le proporciona una instantánea inicial de la atmósfera basada en la misma combinación de observaciones y modelos, GraphCast, por ejemplo, puede superar el pronóstico del CEPMPM en 10 días en el 90% de sus objetivos de verificación, incluidas las trayectorias de los huracanes y las temperaturas extremas.

Siguientes pasos

El siguiente paso de esta llegada de la IA a la predicción del tiempo será producir resultados conjuntos, una innovación de pronóstico que ayuda a capturar la incertidumbre al ejecutar un modelo varias veces para crear una variedad de resultados posibles, concluye Science.

Estos pronósticos conjuntos podrían ayudar a los modelos de IA a predecir mejor eventos extremos, como huracanes fuertes, cuya intensidad actualmente subestiman.

Para mejorar aún más, incluso podrían eliminarse los datos de reanálisis, que conllevan los sesgos de los modelos tradicionales. Estos modelos inteligentes podrían aprender directamente de los petabytes de datos de observación sin procesar que están en poder de las agencias meteorológicas.

Y algo más

Pero hay más: el potencial de estos modelos no se limita a la predicción del tiempo: podrían ayudar a una nueva generación de modelos climáticos de alta resolución que se están desarrollando para ejecutarse en computadoras a exaescala, las últimas máquinas ultrarrápidas.

Una vez que esos modelos produzcan suficiente rendimiento para entrenar a las IA, estos algoritmos podrían tomar el control de la predicción del tiempo, sin que eso suponga la desaparición de los modelos tradicionales.