Predecir el tiempo es notoriamente difícil. No sólo hay un millón de parámetros a considerar sino que también hay un buen grado de comportamiento caótico en la atmósfera. Pero los científicos de DeepMind (el mismo grupo que nos trajo AlphaGo y AlphaFold) han desarrollado un sistema que puede revolucionar el pronóstico del tiempo. Este modelo avanzado de IA aprovecha grandes cantidades de datos para generar predicciones muy precisas.
Las predicciones meteorológicas ya estaban mejorando
La previsión meteorológica, una herramienta indispensable en nuestra vida diaria, ha experimentado enormes avances a lo largo de los años. El pronóstico de seis días actual es tan bueno (si no mejor) que el pronóstico de tres días de hace 30 años. Las tormentas y los fenómenos meteorológicos extremos rara vez toman a la gente con la guardia baja. Quizás no lo notes porque la mejora es paulatina, pero la previsión meteorológica ha progresado mucho.
Esto es más que una simple conveniencia; es un salvavidas. Los pronósticos meteorológicos ayudan a las personas a prepararse para eventos extremos, salvando vidas y dinero. Son indispensables para que los agricultores protejan sus cultivos y tienen un impacto significativo en la economía global. Aquí es exactamente donde la IA entra en escena.
Los científicos de DeepMind ahora afirman que han dado un salto notable en el pronóstico del tiempo con su modelo GraphCast. GraphCast es un sofisticado algoritmo de aprendizaje automático que supera el pronóstico meteorológico convencional alrededor del 90% de las veces.
“Creemos que esto marca un punto de inflexión en el pronóstico del tiempo”, escribieron los investigadores de Google en un estudio publicado el martes.
Fundamentalmente, GraphCast ofrece advertencias mucho más rápido que los modelos estándar. Por ejemplo, en septiembre, GraphCast predijo con precisión que el huracán Lee tocaría tierra en Nueva Escocia con nueve días de anticipación. Los modelos utilizados actualmente lo predijeron con sólo seis días de antelación.
Datos meteorológicos históricos
El método que utiliza GraphCast es significativamente diferente. Los pronósticos actuales suelen utilizar muchas ecuaciones físicas cuidadosamente definidas. Luego estos se transforman en algoritmos y se ejecutan en supercomputadoras, donde se simulan los modelos. Como se mencionó, los científicos han utilizado este enfoque con excelentes resultados hasta el momento.
Sin embargo, este enfoque requiere mucha experiencia y poder de cálculo. El aprendizaje automático ofrece un enfoque diferente. En lugar de ejecutar ecuaciones sobre las condiciones climáticas actuales, se observan los datos históricos. Ves qué tipo de condiciones llevaron a qué tipo de clima. Se pone aún mejor: puede combinar métodos convencionales con este nuevo enfoque de IA y obtener lecturas rápidas y precisas.
“Lo más importante es que GraphCast y los enfoques tradicionales van de la mano: entrenamos a GraphCast con cuatro décadas de datos de reanálisis meteorológico, del conjunto de datos ERA5 del ECMWF. Este tesoro se basa en observaciones meteorológicas históricas, como imágenes de satélite, radares y estaciones meteorológicas, que utilizan una predicción meteorológica numérica (NWP) tradicional para ‘completar los espacios en blanco’ donde las observaciones están incompletas, para reconstruir un rico registro del tiempo histórico global”, escribe el autor principal Remi Lam, de DeepMind.
“Si bien la capacitación de GraphCast fue computacionalmente intensiva, el modelo de pronóstico resultante es altamente eficiente. Hacer pronósticos a 10 días con GraphCast lleva menos de un minuto en una sola máquina Google TPU v4. En comparación, un pronóstico de 10 días utilizando un enfoque convencional puede requerir horas de cálculo en una supercomputadora con cientos de máquinas”.
El algoritmo no es perfecto y todavía está por detrás de los modelos convencionales en algunos aspectos (especialmente en el pronóstico de precipitaciones). Pero considerando lo fácil que es de usar, es al menos un complemento excelente para las herramientas de pronóstico existentes. Hay otra cosa interesante: es de código abierto. Esto significa que las empresas y los investigadores pueden utilizarlo y modificarlo para adaptarlo mejor a sus necesidades.
“Al abrir el código modelo para GraphCast, estamos permitiendo que científicos y pronosticadores de todo el mundo beneficien a miles de millones de personas en su vida cotidiana. GraphCast ya lo utilizan las agencias meteorológicas”, añade Lam.
Pronósticos en la era del cambio climático
No se puede subestimar la importancia de este desarrollo. A medida que nuestro planeta enfrenta patrones climáticos cada vez más impredecibles debido al cambio climático, la capacidad de predecir eventos climáticos con precisión y rapidez se convierte en una herramienta fundamental para mitigar los riesgos. Las implicaciones son de gran alcance, desde la planificación urbana y la gestión de desastres hasta la agricultura y los viajes aéreos.
Además, la naturaleza de código abierto de GraphCast democratiza el acceso a tecnología de previsión de vanguardia. Al poner esta poderosa herramienta a disposición de una amplia gama de usuarios, desde pequeños agricultores en áreas remotas hasta grandes organizaciones meteorológicas, el potencial de innovación y soluciones climáticas localizadas aumenta exponencialmente.
Sin duda, somos testigos de otro campo en el que el aprendizaje automático está marcando la diferencia. La unión de la IA y la previsión meteorológica no es sólo una tendencia fugaz sino un cambio fundamental en la forma en que entendemos y anticipamos los caprichos de la naturaleza.
Fuente: ZME Science.
