Así es la carrera por conseguir predicciones meteorológicas fiables a largo plazo | Ciencia

Efecto de una reciente inundación registrada en Budapest, en una imagen tomada este 28 de diciembre.
Efecto de una reciente inundación registrada en Budapest, en una imagen tomada este 28 de diciembre.Zoltan Balogh (EFE)

Las consecuencias de una predicción meteorológica eficiente van mucho más allá de la planificación de unas vacaciones. Disponer de datos precisos sobre un periodo de tiempo prolongado, más allá de los tres días que actualmente suponen las estimaciones más fiables, permitiría salvar vidas y evitar pérdidas económicas que un estudio publicado en Nature communications cifra en 143.000 millones de dólares anuales (131.565 millones de euros). Gigantes tecnológicos como Google o IBM, en colaboración con la NASA, e instituciones de la UE y de otros continentes, se han sumado a los objetivos del plan de Naciones Unidas para mejorar los sistemas de alerta temprana y desarrollan herramientas para aprovechar los avances de la inteligencia artificial con el fin de alcanzar una predicción fiable a medio y largo plazo. Entender el cielo es uno de los retos científicos y tecnológicos de nuestro tiempo.

Tormentas, inundaciones, sequías, olas de calor, huracanes y otros fenómenos meteorológicos extremos suponen cada año miles de millones en costes que, en su mayoría (63%), se corresponden con la evaluación de pérdidas humanas, según el estudio de Nature liderado por investigadores de Nueva Zelanda. Entender estos eventos adversos y anticiparlos es fundamental y se ha convertido en un objetivo clave de la agenda tecnológica.

Google DeepMind, la compañía de inteligencia artificial del gigante tecnológico norteamericano, ha publicado en Science un modelo de pronóstico del tiempo basado en aprendizaje automático para aportar predicciones a 10 días “mejores, más rápidas y más accesibles que los enfoques existentes”, según el estudio. El modelo, denominado GraphCast, superó a los sistemas tradicionales en el 90% de los casos probados.

Frente a los actuales modelos de análisis numéricos de datos a base de emplear recursos computacionales costosos y complejos, GraphCast recurre al aprendizaje automático entrenado a partir de datos históricos para arrojar un pronóstico preciso de 10 días en menos de un minuto. “Creemos que esto marca un punto de inflexión en la predicción meteorológica”, afirman los autores, dirigidos por Remi Lam, científico de DeepMind.

Una imagen de una aplicación de IBM para predicción meteorológica.
Una imagen de una aplicación de IBM para predicción meteorológica.IBM

En esta carrera también está IBM, en colaboración con la NASA, con una propuesta, también de aprendizaje automático a partir del modelo fundacional (entrenado con un amplio espectro de datos sin etiquetar) geoespacial de la compañía tecnológica. Este enfoque permite analizar millones de datos generales para realizar distintas tareas.

“Los modelos fundacionales de inteligencia artificial que utilizan datos geoespaciales [meteorológicos, de sensores y de satélite] pueden cambiar las reglas del juego porque nos permiten comprender mejor, preparar y abordar los numerosos fenómenos relacionados con el clima que afectan a la salud de nuestro planeta de una manera y a una velocidad nunca vistas”, explica Alessandro Curioni, vicepresidente de IBM para Europa y África y director del centro de investigación de la compañía en Zúrich (Suiza).

El programa ya se ha utilizado para analizar islas de calor urbanas para reducir el estrés térmico en hasta tres grados centígrados y para planificar una campaña de reforestación con 15.000 millones de árboles en Kenia en la próxima década. También se estudia, con el Consejo de Instalaciones Científicas y Tecnológicas (STFC) de Reino Unido, el impacto del clima extremo en operaciones e infraestructuras de aviación y un proyecto de restauración natural de masas forestales que eviten inundaciones. Este ya cuenta con una experiencia piloto en Glasgow.

Para Kate Royse, directora del centro Hartree del STFC, estos modelos “permiten tomar decisiones más inteligentes fundamentadas en la predicción y gestión precisas del riesgo de inundaciones, que es fundamental para la planificación futura de las ciudades”.

Mapa del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo.
Mapa del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo.ECMWF

“Nos enfrentamos dramáticamente a los efectos acelerados del cambio climático. Necesitamos mitigar mejor y prepararnos para estos eventos. La IA podría ayudar con eso”, advierte en la publicación de investigación europea Horizon el profesor de la Universidad Politécnica de Milán Andrea Castelletti, experto en gestión de recursos naturales

Catelletti coincide con el enfoque de los gigantes informáticos en que los modelos actuales de predicción se fundamentan en algoritmos para analizar grandes cantidades de datos sin alcanzar una precisión óptima. “Todavía tienen debilidades”, admite Castelletti para afirmar: “La inteligencia artificial podría resolverlas”.

“Los modelos climáticos existentes no son muy buenos para ciertos fenómenos meteorológicos extremos. Las olas de calor en Europa, por ejemplo, están aumentando mucho más rápido en el mundo real en comparación con lo que los modelos nos dicen que debería suceder. Es importante pronosticar los extremos para que podamos tener alertas tempranas”, coincide Dim Coumou, experto en climatología de la Universidad de Ámsterdam (Países Bajos).

CLINT, un proyecto de investigación financiado por la UE en el que participa España, combina la inteligencia artificial con los datos de la red europea de satélites Copernicus para mejorar la predicción climática. El Centro Europeo de Pronósticos Meteorológicos a Medio Plazo, al igual que IBM y Google, también está aplicando aprendizaje automático en sus programas.

Otro proyecto europeo denominado XAIDA, y en el que también participa España, intenta comprender las causas subyacentes de los fenómenos meteorológicos extremos. “Se trata de comprender el papel del cambio climático en fenómenos que van desde las olas de calor hasta las sequías y las lluvias extremas. Queremos conocer los factores determinantes”, explica Coumou.

Fenómenos adversos y raros

Uno de los obstáculos para alcanzar esta precisión es la información disponible para entrenar la inteligencia artificial. Aunque parezca que existe información de décadas, esta puede no ser relevante para entender los eventos más adversos. “Los eventos extremos son, por definición, raros. Así que no siempre tienes muchas observaciones. Ese es un gran obstáculo si se quieren utilizar métodos de inteligencia artificial”, detalla Coumou.

En este sentido, el proyecto CLINT pretende que los sistemas de IA sean los que generen esos datos a partir de la información histórica y que estos permitan entrenar el aprendizaje automático para mejorar las predicciones.

Algunas iniciativas se fijan en fenómenos concretos para avanzar en pronósticos precisos. Es el caso del laboratorio CRUCIAL de las universidades de Lancaster y Exeter, en Reino Unido, que intenta determinar el número de huracanes en el Atlántico en 2024.

“Los cambios en las temperaturas de los océanos, impulsados por el cambio climático, significan que el registro histórico de huracanes ya no es una buena guía para predecir futuros huracanes”, comenta Kim Kaivanto, profesor de Economía y miembro de la iniciativa CRUCIAL.

Del mismo modo, investigadores del Instituto Coreano de Ingeniería Civil y Tecnología de la Construcción (KICT) han desarrollado un sistema para pronosticar inundaciones repentinas con una hora de anticipación. Geon-Wook Hwang investigador de este instituto, explica: “Un pronóstico, aunque sea preciso, no tiene ningún valor como información si no llega lo suficientemente pronto para reducir significativamente las víctimas y los daños a la propiedad causados por las inundaciones repentinas”.

Puedes seguir a MATERIA en Facebook, X e Instagram, o apuntarte aquí para recibir nuestra newsletter semanal.

Suscríbete para seguir leyendo

Lee sin límites

_