Una nueva herramienta de IA mejora el pronóstico meteorológico a un plazo de 2 a 6 semanas
Redacción Ciencia, 14 oct (EFE).- Las previsiones meteorológicas a más de dos semanas son notoriamente poco fiables, lo que reduce el margen de maniobra de operadores energéticos, agricultores y responsables de emergencias. Un equipo científico ha desarrollado ahora una nueva herramienta basada en un modelo de aprendizaje automático que las mejora.
En concreto, la inteligencia artificial (IA) aprende a corregir los errores de los modelos de predicción existentes para mejorar sus resultados en un horizonte temporal de entre dos y seis semanas.
Según sus responsables -entre ellos investigadores de Microsoft Research y del Instituto Tecnológico de Massachusetts (MIT)-, la técnica, al aplicarla a un modelo de predicción de referencia, duplicó la precisión de las predicciones en ese período. Los detalles se publican este miércoles en la revista Nature.
"Estas mejoras en la capacidad predictiva probabilística se traducen en una predicción más precisa de fenómenos extremos y tienen el potencial de mejorar la planificación agrícola, la gestión energética y la preparación ante desastres en comunidades vulnerables", escriben los autores en su artículo.
Hoy en día las mejores previsiones meteorológicas provienen bien de modelos dinámicos, que simulan numéricamente cómo evolucionan la atmósfera y los océanos a lo largo del tiempo, o de modelos de inteligencia artificial que aprenden a hacer predicciones a partir de datos meteorológicos históricos.
Estos últimos han mostrado mejoras en la predicción meteorológica a corto plazo, pero son incluso peores que los modelos dinámicos a plazos más largos, señala el MIT.
En lugar de crear un nuevo modelo para competir en un campo ya saturado, los investigadores optaron por centrarse en corregir los errores predecibles de los sistemas existentes. Denominaron a este enfoque corrección probabilística de sesgos (PBC, por sus siglas en inglés).
Mientras que otros sistemas de predicción realizan una corrección de errores más simplista, la nueva capa de procesamiento utiliza la IA para aprender de los fallos de un sistema de predicción basándose en datos históricos y ajusta sus previsiones.
"A medida que se dispone de más previsiones y datos, nuestro modelo mejora de forma adaptativa su corrección", indica Judah Cohen, del MIT.
El nuevo sistema toma como entrada el modelo que se prefiera y aprende cuáles son sus patrones de error habituales. Posteriormente, los corrige, generando un pronóstico final de mayor calidad para el rango subestacional (predicción meteorológica con dos a seis semanas de antelación), detalla por su parte Lester Mackey, de Microsoft Research.
A prueba con un sistema europeo
Para ponerlo a prueba, el año pasado el equipo presentó tres modelos que incluían su capa de procesamiento al Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF). Cada temporada, este organismo organiza concursos entre distintos sistemas.
La propuesta que obtuvo el primer puesto combinó el modelo de predicción del ECMWF con otro y, a continuación, aplicó la nueva corrección de procesamiento -los investigadores también la llaman posprocesamiento- sobre el resultado.
El PBC mejoró el rendimiento del modelo subestacional operativo del ECMWF en el 98 % de los casos de precipitación, el 92 % de temperatura y el 91 % de presión. Asimismo, duplicó la precisión del sistema de pronóstico por IA del organismo.
Por primera vez, el modelo ofreció una mejora con respecto a basarse en medias climatológicas. "Hasta ahora, nadie había sido capaz de demostrar que un modelo predijera el tiempo mejor que las medias a largo plazo para estas previsiones subestacionales", subraya Cohen.
El enfoque también mostró una mejora estadísticamente significativa en la capacidad de predecir fenómenos meteorológicos extremos. EFE
ngg/acm