La inteligencia artificial podría analizar patrones meteorológicos pasados para predecir eventos futuros, de forma más eficiente y potencialmente más precisa que los métodos actuales.
El modelo meteorológico global recientemente desarrollado basa sus predicciones en los últimos 40 años de datos meteorológicos, en lugar de en cálculos físicos detallados.
Las previsiones meteorológicas actuales proceden de algunas de las computadoras más potentes de la Tierra. Las enormes máquinas realizan millones de cálculos para resolver ecuaciones que predicen la temperatura, el viento, las precipitaciones y otros fenómenos meteorológicos fenómenos. La combinación de velocidad y precisión que requiere una previsión pone a prueba incluso a los ordenadores más modernos.
El modelo meteorológico global recientemente desarrollado basa sus predicciones en los últimos 40 años de datos meteorológicos, en lugar de en cálculos físicos detallados.
Según un artículo publicado en la revista Journal of Advances in Modeling Earth Systems.
«El aprendizaje automático es, en esencia, una versión sofisticada del reconocimiento de patrones», afirma el autor principal Jonathan Weyn, quien realizó la investigación como parte de su doctorado en Ciencias Atmosféricas en la Universidad de Washington. «Identifica un patrón típico, reconoce cómo suele evolucionar y decide qué hacer a partir de los ejemplos que ha visto en los últimos 40 años de datos.»
Aunque el nuevo modelo es, como era de esperar, menos preciso que los principales modelos tradicionales de previsión actuales, el diseño de IA actual utiliza unas 7.000 veces menos potencia de cálculo para generar previsiones para el mismo número de puntos del globo. Menos trabajo computacional significa resultados más rápidos.
Esa aceleración permitiría a los centros de previsión ejecutar rápidamente muchos modelos con condiciones iniciales ligeramente diferentes, una técnica llamada «previsión por conjuntos» que permite que las predicciones cubran el abanico de resultados esperados posibles para un fenómeno meteorológico, por ejemplo, dónde podría azotar un huracán.
«Este enfoque es mucho más eficiente; eso es lo realmente importante», afirma la autora Dale Durran, catedrática de Ciencias Atmosféricas. «La promesa es que podría permitirnos abordar los problemas de previsibilidad disponiendo de un modelo lo bastante rápido como para ejecutar conjuntos muy grandes.»
La coautora Rich Caruana, de Microsoft Research, se había puesto inicialmente en contacto con los investigadores para proponer un proyecto que utilizara inteligencia artificial para hacer predicciones meteorológicas basadas en datos históricos, sin depender de leyes físicas. Weyn cursaba un curso de aprendizaje automático de ciencias de la computación y decidió abordar el proyecto.
«Tras entrenarse con datos meteorológicos pasados, el algoritmo de IA es capaz de establecer relaciones entre distintas variables que las ecuaciones físicas simplemente no pueden lograr», afirma Weyn. «Podemos permitirnos usar muchas menos variables y, por tanto, crear un modelo mucho más rápido.»
Para combinar las exitosas técnicas de IA con la previsión meteorológica, el equipo proyectó seis caras de un cubo sobre el planeta Tierra y luego desplegó las seis caras del cubo, como en un modelo arquitectónico de papel. Los autores trataron las caras polares de forma diferente debido a su papel singular en el tiempo atmosférico, como una forma de mejorar la precisión de la previsión.
Los autores probaron después su modelo prediciendo la altura global de la presión de 500 hectopascales, una variable estándar en la previsión meteorológica, cada 12 horas durante un año completo. Un artículo reciente, en el que Weyn figuraba como coautor, presentó WeatherBench como prueba de referencia para las previsiones meteorológicas basadas en datos. En esa prueba de previsión, diseñada para previsiones a tres días, este nuevo modelo es uno de los que mejores resultados obtienen.
Según los autores, el modelo basado en datos necesitaría más detalle antes de poder competir con las previsiones operativas existentes, pero la idea resulta prometedora como enfoque alternativo para generar previsiones meteorológicas, especialmente con una cantidad creciente de previsiones anteriores y observaciones meteorológicas.
Weyn es ahora científico de datos en la división de meteorología y finanzas de Microsoft. Esta investigación fue financiada por la Oficina de Investigación Naval de Estados Unidos y por una beca de posgrado del Departamento de Defensa.
Fuente: Universidad de Washington
