Mejores predicciones meteorológicas con una inteligencia artificial de Google

La inteligencia artificial está comenzando a revolucionar el sector de los pronósticos meteorológicos.

Según un nuevo estudio, realizado por un equipo encabezado por Remi Lam de Google DeepMind en la ciudad británica de Londres, un modelo de predicción meteorológica basado en aprendizaje automático (una modalidad de inteligencia artificial) de Google DeepMind conduce a pronósticos meteorológicos a 10 días que son mejores, más rápidos de obtener y más accesibles que los preparados mediante las estrategias existentes.

El modelo, bautizado como "GraphCast", superó a los sistemas tradicionales en el 90% de los casos probados. También obtuvo buenos resultados en predicciones relacionadas con sucesos extremos, para los que no estaba directamente entrenado.

"Creemos que esto marca un punto de inflexión en la previsión meteorológica", opinan los autores del estudio.

En la actualidad, el método de referencia para la predicción meteorológica es la "predicción numérica del tiempo" (PNT). Si bien la precisión de los modelos PNT ha mejorado drásticamente a lo largo de varios decenios, resultan costosos, complejos y exigentes desde el punto de vista computacional, por lo que requieren mayores recursos informáticos para mejorar la precisión de las previsiones.

La predicción meteorológica basada en el aprendizaje automático, que puede entrenarse a partir de datos históricos, ofrece una alternativa. Además, el aprendizaje automático puede aprovechar el hardware moderno de aprendizaje profundo para aumentar la eficiencia.

GraphCast, implementado como una red neuronal, puede generar una previsión precisa a 10 días en menos de un minuto en un solo chip TPU.

Como entrada, GraphCast toma los dos estados más recientes del tiempo en la Tierra (el actual y el de 6 horas antes) y predice el próximo estado del tiempo con 6 horas de antelación, proporcionando una cobertura de predicción meteorológica global con una resolución aproximada de 0,25 grados de latitud/longitud. Estas predicciones pueden volver a introducirse en el modelo como entradas para generar una trayectoria más larga de estados meteorológicos.

Predecir la meteorología no es tarea fácil. (Foto: Jacques Descloitres, MODIS Land Rapid Response Team, NASA GSFC)

A fin de evaluar la capacidad de previsión de GraphCast, Lam y sus colegas compararon la precisión de GraphCast con la de HRES (el modelo determinista de previsión meteorológica a medio plazo más preciso utilizado en la actualidad) en un gran número de variables meteorológicas y plazos de entrega.

Los investigadores descubrieron que GraphCast era capaz de superar significativamente a HRES en el 90% de 1 380 objetivos de verificación. Además, la plataforma tuvo un mejor rendimiento en la predicción de eventos de gravedad, incluidos ciclones tropicales, ríos atmosféricos (estrechas regiones de la atmósfera responsables del transporte de vapor de agua hacia los polos) y anomalías de temperatura extremas, pese a no haber sido específicamente entrenada para ello.

"Nuestro planteamiento no debe considerarse un sustituto de los métodos tradicionales de previsión meteorológica", matizan los autores del estudio. "Más bien, nuestro trabajo debe interpretarse como una prueba de que predecir el tiempo mediante aprendizaje automático es una estrategia capaz de afrontar los retos de la previsión meteorológica  y tiene potencial para complementar y mejorar los mejores métodos actuales".

El estudio se titula “Learning skillful medium-range global weather forecasting”. Y se ha publicado en la revista académica Science. (Fuente: AAAS)