La inteligencia artificial, aliada para mejorar la predicción del tiempo

A medida que el cambio climático avanza, las previsiones meteorológicas desempeñan un papel cada vez más importante para salvar vidas y minimizar los daños materiales, especialmente con fenómenos climáticos extremos cada vez más frecuentes e intensos. En los últimos años, algunos métodos basados en la inteligencia artificial (IA) han demostrado su potencial para mejorar la calidad de las previsiones y esta semana dos artículos publicados en Nature exploran las posibilidades de la IA para ayudar a predecir el tiempo.

En la actualidad, el sistema de previsión más preciso es el llamado método numérico, basado en datos meteorológicos actualizados que alimentan complejos modelos de ecuaciones físico-matemáticas. Pero los especialistas explican que requiere mucha potencia de cálculo y que la creación de modelización con este método exige varias horas de trabajo. A diferencia de estos modelos convencionales, los basados en IA generativa tienen la capacidad de realizar predicciones a partir de datos anteriores mucho más rápido.

Así, el primer método descrito en Nature predice patrones meteorológicos globales con hasta una semana de antelación. Desarrollado por investigadores en Shenzhen (China) ha sido entrenado con 39 años de datos meteorológicos mundiales. Sus creadores subrayan que los resultados obtenidos por el modelo tienen una precisión comparable al sistema integrado de predicción operativa del Centro Europeo de Predicción Meteorológica (considerado como el mejor sistema numérico del mundo) y 10.000 veces más rápido.

Además de prever la temperatura, la velocidad y la presión del viento, el modelo aplica modelización adicional en 3D para elaborar un pronóstico a varios niveles de altura, proporcionando resultados más completos y detallados que sus predecesores.

No obstante, este primer enfoque se centra en previsiones globales a medio plazo, pero no intenta predecir la precipitación, que es la variable meteorológica más difícil de anticipar.

Una colaboración de la Universidad de Tsinghua y la de Berkeley ha creado otro modelo de previsión a corto plazo para predecir la lluvia que caerá en unas horas. Este segundo combina reglas físicas y aprendizaje profundo para predecir las precipitaciones hasta con seis horas de antelación. Una predicción a corto plazo que es crucial para la prevención de riesgos y la gestión de crisis en caso de precipitaciones extremas, además de ser aplicable para otros fenómenos climáticos extremos.

“El método que proponemos elabora predicciones a partir de los datos existentes y respeta los procesos físicos subyacentes, de manera que esperamos que pueda aplicarse a otros fenómenos extremos, como huracanes o tsunamis, a condición de que existan observaciones suficientes”, explica Mingsheng Long, investigador en la Universidad de Tsinghua y coautor del estudio. “De hecho, en el artículo de Nature hemos presentado algunos procesos relacionados con la aparición de tornados”.

Basándose en observaciones de radar en EEUU y China los autores fueron capaces de predecir precipitaciones con alta resolución en regiones de hasta 2.048 km2. Después 62 meteorólogos compararon la calidad de la previsión con distintos modelos para las precipitaciones extremas; el resultado es que el nuevo método fue mejor que los modelos clásicos en el 70% de los casos.

“En el futuro incluiremos más observaciones meteorológicas, como las procedentes de satélites y estaciones automáticas y otra información útil, como el tipo de paisaje geográfico”, señala Mingsheng Long. “Nuestro próximo paso es predecir más tipos de eventos con información de incertidumbre calibrada; también estamos implantando este modelo en las agencias meteorológicas chinas y lo vamos a mejorar analizando casos operativos difíciles”.

Ese aumento en la velocidad de cálculo gracias a la IA puede resultar en grandes beneficios para este campo porque los organismos responsables de las predicciones meteorológicas numéricas disponen de presupuestos limitados para sus recursos computacionales. Conseguir más con menos permitirá a estas entidades dedicar nuevos esfuerzos a capacidades de previsión que actualmente están fuera de su alcance, como la propagación de incendios, la química atmosférica y los patrones de humo, o los cambios en la vegetación.

El aumento de la velocidad también podría conducir a modelos de mayor resolución y a una expansión en el uso de modelos globales, en lugar de regionales, para reducir el impacto de errores numéricos que actualmente surgen en los límites entre regiones. No obstante, la IA también presenta riesgos potenciales tanto para la predicción meteorológica actual como para la mundial. En un comentario en el mismo número, Imme Ebert-Uphoff y Kyle Hilburn, del Instituto Atmosférico de la Universidad Estatal de Colorado, señalan la necesidad “de que la comunidad tradicional de predicción meteorológica siga evaluando y colaborando antes de plantearse si los nuevos enfoques pueden complementar o sustituir a los actuales sistemas de predicción”.