As¨ª es la carrera por conseguir predicciones meteorol¨®gicas fiables a largo plazo

Las consecuencias de una predicci¨®n meteorol¨®gica eficiente van mucho m¨¢s all¨¢ de la planificaci¨®n de unas vacaciones. Disponer de datos precisos sobre un periodo de tiempo prolongado, m¨¢s all¨¢ de los tres d¨ªas que actualmente suponen las estimaciones m¨¢s fiables, permitir¨ªa salvar vidas y evitar p¨¦rdidas econ¨®micas que un estudio publicado en Nature communications cifra en 143.000 millones de d¨®lares anuales (131.565 millones de euros). Gigantes tecnol¨®gicos como Google o IBM, en colaboraci¨®n 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 predicci¨®n fiable a medio y largo plazo. Entender el cielo es uno de los retos cient¨ªficos y tecnol¨®gicos de nuestro tiempo.

Tormentas, inundaciones, sequ¨ªas, olas de calor, huracanes y otros fen¨®menos meteorol¨®gicos extremos suponen cada a?o miles de millones en costes que, en su mayor¨ªa (63%), se corresponden con la evaluaci¨®n de p¨¦rdidas humanas, seg¨²n 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 tecnol¨®gica.

Google DeepMind, la compa?¨ªa de inteligencia artificial del gigante tecnol¨®gico norteamericano, ha publicado en Science un modelo de pron¨®stico del tiempo basado en aprendizaje autom¨¢tico para aportar predicciones a 10 d¨ªas ¡°mejores, m¨¢s r¨¢pidas y m¨¢s accesibles que los enfoques existentes¡±, seg¨²n el estudio. El modelo, denominado GraphCast, super¨® a los sistemas tradicionales en el 90% de los casos probados.

Frente a los actuales modelos de an¨¢lisis num¨¦ricos de datos a base de emplear recursos computacionales costosos y complejos, GraphCast recurre al aprendizaje autom¨¢tico entrenado a partir de datos hist¨®ricos para arrojar un pron¨®stico preciso de 10 d¨ªas en menos de un minuto. ¡°Creemos que esto marca un punto de inflexi¨®n en la predicci¨®n meteorol¨®gica¡±, afirman los autores, dirigidos por Remi Lam, cient¨ªfico de DeepMind.

En esta carrera tambi¨¦n est¨¢ IBM, en colaboraci¨®n con la NASA, con una propuesta, tambi¨¦n de aprendizaje autom¨¢tico a partir del modelo fundacional (entrenado con un amplio espectro de datos sin etiquetar) geoespacial de la compa?¨ªa tecnol¨®gica. Este enfoque permite analizar millones de datos generales para realizar distintas tareas.

¡°Los modelos fundacionales de inteligencia artificial que utilizan datos geoespaciales [meteorol¨®gicos, de sensores y de sat¨¦lite] pueden cambiar las reglas del juego porque nos permiten comprender mejor, preparar y abordar los numerosos fen¨®menos 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 ?frica y director del centro de investigaci¨®n de la compa?¨ªa en Z¨²rich (Suiza).

El programa ya se ha utilizado para analizar islas de calor urbanas para reducir el estr¨¦s t¨¦rmico en hasta tres grados cent¨ªgrados y para planificar una campa?a de reforestaci¨®n con 15.000 millones de ¨¢rboles en Kenia en la pr¨®xima d¨¦cada. Tambi¨¦n se estudia, con el Consejo de Instalaciones Cient¨ªficas y Tecnol¨®gicas (STFC) de Reino Unido, el impacto del clima extremo en operaciones e infraestructuras de aviaci¨®n y un proyecto de restauraci¨®n 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 m¨¢s inteligentes fundamentadas en la predicci¨®n y gesti¨®n precisas del riesgo de inundaciones, que es fundamental para la planificaci¨®n futura de las ciudades¡±.

¡°Nos enfrentamos dram¨¢ticamente a los efectos acelerados del cambio clim¨¢tico. Necesitamos mitigar mejor y prepararnos para estos eventos. La IA podr¨ªa ayudar con eso¡±, advierte en la publicaci¨®n de investigaci¨®n europea Horizon el profesor de la Universidad Polit¨¦cnica de Mil¨¢n Andrea Castelletti, experto en gesti¨®n de recursos naturales

Catelletti coincide con el enfoque de los gigantes inform¨¢ticos en que los modelos actuales de predicci¨®n se fundamentan en algoritmos para analizar grandes cantidades de datos sin alcanzar una precisi¨®n ¨®ptima. ¡°Todav¨ªa tienen debilidades¡±, admite Castelletti para afirmar: ¡°La inteligencia artificial podr¨ªa resolverlas¡±.

¡°Los modelos clim¨¢ticos existentes no son muy buenos para ciertos fen¨®menos meteorol¨®gicos extremos. Las olas de calor en Europa, por ejemplo, est¨¢n aumentando mucho m¨¢s r¨¢pido en el mundo real en comparaci¨®n con lo que los modelos nos dicen que deber¨ªa suceder. Es importante pronosticar los extremos para que podamos tener alertas tempranas¡±, coincide Dim Coumou, experto en climatolog¨ªa de la Universidad de ?msterdam (Pa¨ªses Bajos).

CLINT, un proyecto de investigaci¨®n financiado por la UE en el que participa Espa?a, combina la inteligencia artificial con los datos de la red europea de sat¨¦lites Copernicus para mejorar la predicci¨®n clim¨¢tica. El Centro Europeo de Pron¨®sticos Meteorol¨®gicos a Medio Plazo, al igual que IBM y Google, tambi¨¦n est¨¢ aplicando aprendizaje autom¨¢tico en sus programas.

Otro proyecto europeo denominado XAIDA, y en el que tambi¨¦n participa Espa?a, intenta comprender las causas subyacentes de los fen¨®menos meteorol¨®gicos extremos. ¡°Se trata de comprender el papel del cambio clim¨¢tico en fen¨®menos que van desde las olas de calor hasta las sequ¨ªas y las lluvias extremas. Queremos conocer los factores determinantes¡±, explica Coumou.

Fen¨®menos adversos y raros

Uno de los obst¨¢culos para alcanzar esta precisi¨®n es la informaci¨®n disponible para entrenar la inteligencia artificial. Aunque parezca que existe informaci¨®n de d¨¦cadas, esta puede no ser relevante para entender los eventos m¨¢s adversos. ¡°Los eventos extremos son, por definici¨®n, raros. As¨ª que no siempre tienes muchas observaciones. Ese es un gran obst¨¢culo si se quieren utilizar m¨¦todos 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 informaci¨®n hist¨®rica y que estos permitan entrenar el aprendizaje autom¨¢tico para mejorar las predicciones.

Algunas iniciativas se fijan en fen¨®menos concretos para avanzar en pron¨®sticos precisos. Es el caso del laboratorio CRUCIAL de las universidades de Lancaster y Exeter, en Reino Unido, que intenta determinar el n¨²mero de huracanes en el Atl¨¢ntico en 2024.

¡°Los cambios en las temperaturas de los oc¨¦anos, impulsados por el cambio clim¨¢tico, significan que el registro hist¨®rico de huracanes ya no es una buena gu¨ªa para predecir futuros huracanes¡±, comenta Kim Kaivanto, profesor de Econom¨ªa y miembro de la iniciativa CRUCIAL.

Del mismo modo, investigadores del Instituto Coreano de Ingenier¨ªa Civil y Tecnolog¨ªa de la Construcci¨®n (KICT) han desarrollado un sistema para pronosticar inundaciones repentinas con una hora de anticipaci¨®n. Geon-Wook Hwang investigador de este instituto, explica: ¡°Un pron¨®stico, aunque sea preciso, no tiene ning¨²n valor como informaci¨®n si no llega lo suficientemente pronto para reducir significativamente las v¨ªctimas y los da?os a la propiedad causados por las inundaciones repentinas¡±.

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