Los nuevos sistemas de inteligencia artificial podrían acelerar nuestra capacidad para crear pronósticos meteorológicos

La Inteligencia Artificial y el cambio clima

Dos artículos publicados en Nature sugieren que a medida que el cambio climático aumenta la imprevisibilidad y la intensidad del clima, se necesitan pronósticos más fiables para prevenir desastres y estar preparados. Actualmente, los meteorólogos emplean simulaciones informáticas masivas que pueden tardar horas en completarse debido al análisis manual de diversas variables climáticas como temperatura, precipitación, presión, viento, humedad y nubosidad.

No obstante, la implementación de nuevos sistemas de inteligencia artificial podría acelerar significativamente este proceso, mejorando la precisión de los pronósticos y las advertencias sobre eventos climáticos extremos. Estos avances en inteligencia artificial podrían contribuir a una mayor efectividad en la preparación y prevención de posibles desastres relacionados con el clima.

IA de Huawei

El primer desarrollo presentado por Huawei, denominado Pangu-Weather, destaca la capacidad de su nuevo modelo de IA para proporcionar predicciones de patrones climáticos semanales a nivel mundial de manera significativamente más rápida que los métodos tradicionales de pronóstico, manteniendo una precisión comparable en los resultados.

En el segundo estudio, se ha demostrado que un algoritmo de aprendizaje profundo ha logrado predecir con mayor precisión y anticipación las precipitaciones extremas en comparación con otros métodos líderes. En pruebas realizadas con sistemas similares ya existentes, este algoritmo ha alcanzado consistentemente el primer lugar en aproximadamente el 70% de las ocasiones, destacando su eficacia y potencial para mejorar la predicción de eventos climáticos extremos.

Lingxi Xie, investigador principal de Huawei, señala que si se implementan estos modelos, podrían utilizarse en conjunto con los métodos convencionales de predicción meteorológica para fortalecer la capacidad de las autoridades para prepararse ante condiciones climáticas adversas.

Para desarrollar Pangu-Weather, los investigadores de Huawei crearon una red neuronal profunda que fue entrenada utilizando 39 años de datos de reanálisis, combinando observaciones meteorológicas históricas con modelos modernos. A diferencia de los métodos convencionales que requieren un análisis individual de las variables climáticas, lo que puede llevar horas, Pangu-Weather tiene la capacidad de analizar todas las variables de manera simultánea en cuestión de segundos.

Centro Europeo de Previsiones Meteorológicas de Medio Plazo

Los investigadores llevaron a cabo pruebas comparativas entre Pangu-Weather y uno de los principales sistemas convencionales de predicción meteorológica del mundo: el sistema de predicción integrado operativo del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF). Los resultados revelaron que Pangu-Weather logró obtener una precisión similar a la del sistema ECMWF.

Además, Pangu-Weather demostró su habilidad para rastrear con precisión la trayectoria de un ciclón tropical, a pesar de no haber sido previamente entrenado con datos específicos sobre este tipo de fenómenos climáticos. Este descubrimiento destaca que los modelos de aprendizaje automático tienen la capacidad de captar los procesos físicos del clima y aplicarlos en situaciones que no habían sido incluidas en sus datos de entrenamiento originalmente, según menciona Oliver Fuhrer, jefe del departamento de predicción numérica de MeteoSwiss, la Oficina Federal Suiza de Meteorología y Climatología, quien no estuvo involucrado en la investigación.

La velocidad y precisión con la que Pangu-Weather puede pronosticar el clima resulta emocionante, ya que puede anticipar eventos mucho más rápido que los enfoques tradicionales y pronosticar situaciones que no estaban contempladas en sus datos iniciales de entrenamiento, añade Fuhrer.

En el último año, diversas compañías tecnológicas han presentado modelos de inteligencia artificial con el objetivo de mejorar el pronóstico del tiempo. Ejemplos como Pangu-Weather, así como modelos similares como FourcastNet de Nvidia y GraphCast de Google-DeepMind, están provocando que los meteorólogos replanteen la forma en que utilizamos el aprendizaje automático en los pronósticos meteorológicos, según menciona Peter Dueben, jefe de modelado del sistema terrestre en ECMWF, quien ha probado Pangu-Weather aunque no participó en la investigación. Antes, el aprendizaje automático era visto más como un proyecto de «juguete», dice Dueben. Pero ahora parece probable que los meteorólogos puedan usarlo junto con los métodos convencionales para hacer sus pronósticos.

Comprobar si funcionan con el tiempo

Solo el tiempo revelará la eficacia real de estos sistemas en la práctica. Mientras los sistemas convencionales de predicción meteorológica se basan en datos de observación, Pangu-Weather se fundamenta en datos de reanálisis. Sin embargo, los desarrolladores esperan poder entrenar su modelo con datos observacionales en el futuro.

Aunque la inteligencia artificial es útil para prever la trayectoria de ciclones tropicales, su capacidad para determinar su intensidad es limitada. Según Xie, la IA tiende a subestimar el clima extremo. No obstante, hay otros modelos de IA que pueden contribuir en este aspecto. Por ejemplo, NowcastNet, un modelo de IA generativa basado en la física, ha demostrado la capacidad de predecir la lluvia extrema con un tiempo de anticipación más prolongado que los métodos convencionales actuales.

Herramientas de aprendizaje profundo existentes, como DGMR de DeepMind, pueden prever la probabilidad de lluvia en los próximos 90 minutos en general. En cambio, NowcastNet se enfoca en la tarea más desafiante de predecir lluvias extremas, brindando hasta tres horas de anticipación. Un grupo de 62 meteorólogos chinos evaluaron este sistema en comparación con otros similares y concluyeron que era el método más efectivo en la predicción de lluvias en aproximadamente el 70% de los casos.

Modelo generativo profundo

El equipo de investigación desarrolló un modelo generativo profundo que se entrenó utilizando datos obtenidos de diversos radares meteorológicos y otras tecnologías, como sensores y satélites, según explicó Jordan. Además, el modelo se nutre de los principios de la física atmosférica, incluyendo la gravedad, y se alimenta con datos de radares que proporcionan instantáneas de los patrones climáticos. De esta manera, el modelo es capaz de generar escenarios probables para el próximo patrón climático.

En contraste con otros modelos, como DGMR, que solo se entrenan con datos de radar, lo que les proporciona solo una vista parcial de la atmósfera, NowcastNet, al estar anclado en la física atmosférica, logra obtener una visión más completa de la lluvia y su posible comportamiento, lo que conduce a predicciones más precisas, especialmente para eventos climáticos raros como lluvias extremas.

La aplicación de la inteligencia artificial en el pronóstico del tiempo puede ofrecer un valioso margen de tiempo en predicciones a corto plazo, especialmente en eventos climáticos como lluvias intensas que pueden causar pérdidas humanas y devastación. Michael I. Jordan, científico informático de la Universidad de California, Berkeley, quien participó en el estudio, resalta la importancia de poder anticipar estos eventos en un marco de tiempo que permita a las personas prepararse adecuadamente.

A pesar de los avances en el pronóstico del tiempo basado en IA, aún es pronto para evaluar completamente la utilidad práctica de estos sistemas. Además, el panorama podría complicarse debido al cambio climático, lo que implica desafíos adicionales en la predicción meteorológica, como menciona Dueben. «El sistema climático está cambiando drásticamente. Así que de repente todo el hielo en el Ártico desaparece, nadie sabe lo que hará un modelo como Pangu-Weather», dice.