Eva Rodríguez.

 

 

Los científicos y las agencias meteorológicas nacionales e internacionales utilizan predicciones probabilísticas de conjunto, es decir, un modelo establecido que predice una serie de escenarios meteorológicos probables. Estos datos son más útiles que los que se basan en una sola previsión, ya que proporcionan a los responsables de la toma de decisiones una imagen completa de las posibles condiciones meteorológicas en los próximos días y semanas, y de la probabilidad de cada escenario. Con el objetivo de mejorar esta información, un equipo científico de la compañía británica de investigación y desarrollo de inteligencia artificial Google DeepMind publica hoy un estudio en la revista Nature para presentar GenCast, un nuevo modelo de tipo conjunto basado en IA de alta resolución.

“Los modelos de aprendizaje automático como GenCast funcionan de manera muy distinta a los modelos clásicos. El ENS (un sistema de pronóstico probabilístico) del Centro Europeo de Predicción a Medio Plazo (ECMWF) esencialmente simula las leyes de la física con superordenadores. En teoría, creemos conocer las leyes de los fluidos, pero a la práctica tenemos errores en los sensores y una capacidad de computación finita. Existen muchos parámetros de los modelos que no conocemos”, explica Ferran Alet Puig, investigador senior de Google DeepMind y coautor del estudio.

¿Cómo funciona este modelo de IA?

 

GenCast y los modelos de aprendizaje automático aprenden directamente de datos. “Reciben muchos ejemplos donde tienen que predecir el tiempo mañana, según el tiempo hoy. De esta manera, aprenden relaciones que tienen en cuenta estas limitaciones de la computación, los sensores y las parametrizaciones”, añade el científico.

Los investigadores indican que GenCast proporciona “previsiones más precisas, tanto del tiempo cotidiano como de los fenómenos extremos, que el mejor sistema operativo, el ENS del ECMWF, -que es el sistema de previsión por conjuntos más operativo del que dependen a diario muchas decisiones nacionales y locales-, con hasta 15 días de antelación”.

De esta forma, supera a la previsión meteorológica tradicional de medio alcance más eficaz y también es capaz de predecir mejor el tiempo extremo, la trayectoria de los ciclones tropicales y la producción de energía eólica.

GenCast genera 50 predicciones. Son como 50 posibles escenarios que podrían suceder. Con estos 50 futuros, podemos estimar todo tipo de probabilidades, tanto “marginales” (¿habrá una ola de calor en Sevilla?), como probabilidades conjuntas (¿cuánta energía eólica se conseguirá en España dentro de 3 días?)”, detalla Alet Puig.

Alvaro Sanchez Gonzalez, otro de los coautores del estudio, argumenta: “Para el sistema tradicional ENS, las 50 predicciones tardan en diseminarse unas 2 horas a partir de cuando el análisis atmosférico está disponible, y eso con un ordenador con miles de procesadores al límite de lo que es posible tecnológicamente”.

Por su parte, GenCast puede generar una predicción en 8 minutos usando un solo dispositivo de hardware no mucho más grande que un ordenador normal. “Esto quiere decir que si usamos 50 de esos dispositivos (en vez de miles), se podrían tener las 50 predicciones en tan solo 8 minutos. Esto es importante no solo porque se pueden tener las predicciones casi dos horas antes, sino porque se podrían generar muchas más de 50 predicciones lo que haría que se pudieran computar probabilidades más precisas”, continúa Sanchez Gonzalez.

Mayor capacidad de previsión

 

Para evaluar el rendimiento de GenCast, los científicos lo entrenaron con datos meteorológicos históricos hasta 2018 y lo probaron con datos de 2019. Este nuevo modelo demostró una capacidad de previsión superior a la del ENS.

“Probamos ambos sistemas de forma exhaustiva, analizando previsiones de distintas variables en distintos plazos: 1.320 combinaciones en total. GenCast fue más preciso que ENS en el 97,2 % de estos objetivos, y en el 99,8 % en plazos superiores a 36 horas”, enfatizan

Previsiones para fenómenos extremos

 

En el caso de tiempo extremo, como olas de calor o fuertes vientos la nueva herramienta también parece ofrece más valor que el ENS, lo que para los autores supone salvaguardar más vidas, evitar daños y ahorro en costes. “Cuando probamos la capacidad de GenCast para predecir el calor y el frío extremos, y las altas velocidades del viento, nuestro modelo superó sistemáticamente a ENS”, subrayan.

“Es curioso que entrenamos a GenCast a predecir el tiempo en general, pero lo hace muy bien en fenómenos extremos, como olas de calor o el trazado de los huracanes. Además, nuestro modelo da estimaciones de las probabilidades de estos eventos, y esto podría proveer a un país con la información necesaria para poder tomar decisiones para prepararse para el caso de que ocurran”,  dice Alet Puig.

En el caso de los ciclones tropicales, también conocidos como huracanes y tifones, los investigadores de este trabajo recalcan que anticiparse a dónde tocarán tierra tendría “un valor incalculable. tiene un valor incalculable”, ya que la nueva herramienta proporciona predicciones superiores de las trayectorias de estas tormentas muchas veces con consecuencias mortales.

Planificación de energías renovables

 

Otro de los usos que plantean los expertos para estas predicciones es la planificación de las energías renovables. Por ejemplo, las mejoras en la previsión de la energía eólica aumentan directamente su fiabilidad como fuente de energía sostenible y podrían acelerar su adopción”, indican.

En un experimento de prueba de principio que analizó las predicciones de la potencia eólica total generada por agrupaciones de parques eólicos de todo el mundo y GenCast fue más preciso que ENS.

Para fomentar una colaboración más amplia y ayudar a acelerar la investigación y el desarrollo en la comunidad meteorológica y climática, los autores han convertido GenCast en un modelo abierto, ya que han publicado su código y sus ponderaciones, “al igual que hicimos con nuestro sistema determinista de predicción meteorológica mundial de medio alcance”, enfatizan.

Cómo transmitir esta información a la población

 

Uno de los mayores desafíos de la predicción meteorológica está relacionado con que la atmósfera es un sistema caótico en el que una pequeña diferencia en el estado actual puede determinar un efecto a gran escala varios días más tarde. “Para las predicciones a uno o dos días esto no supone tanto problema, sin embargo, cuando empezamos a entrar en previsiones a medio plazo hace que sea imposible predecir algo con certeza absoluta, y hay que entrar necesariamente a hablar en términos de probabilidades”, dice Sanchez Gonzalez.

Los sistemas probabilísticos como GenCast, permiten calcular probabilidades de prácticamente cualquier evento, pero no solo de probabilidades simples. “Por ejemplo, podemos determinar qué probabilidad hay de que el martes la temperatura máxima sea de más de 30 grados, pero también probabilidades más avanzadas como qué probabilidad hay de que a lo largo de la próxima semana haya más de 3 días seguidos en los que la temperatura máxima sea más de 30 grados y la mínima no baje de 25 grados”, añade el científico.

El problema de esto es que, aunque la información probabilística de la predicción meteorológica sea muy precisa, las probabilidades no son siempre fáciles de interpretar intuitivamente.

“A la hora de transmitir una predicción al público es necesario eliminar las probabilidades para resumir un poco la información, y esa simplificación es lo que hace que la predicción pueda parecer más cambiante. Además de conseguir modelos más precisos como GenCast, habría que reinventar un poco la forma en la que se presentan esas previsiones para que no se pierda tanta información a la hora de resumir una predicción probabilista”, indica.

El equipo asegura que pronto publicará previsiones históricas y en tiempo real de GenCast y modelos anteriores, lo que permitirá a cualquiera integrar estos datos meteorológicos en sus propios modelos y trabajos de investigación.

“Estamos deseosos de colaborar con la comunidad meteorológica en general, incluidos investigadores académicos, meteorólogos, científicos de datos, empresas de energías renovables y organizaciones dedicadas a la seguridad alimentaria y la respuesta a catástrofes. Este tipo de colaboraciones aportan conocimientos profundos y comentarios constructivos, así como oportunidades inestimables de impacto comercial y no comercial, todo lo cual es fundamental para nuestra misión de aplicar nuestros modelos en beneficio de la humanidad”, concluyen desde Google DeepMind.