En un mundo con un clima cambiante y con fen\u00f3menos extremos cada vez m\u00e1s frecuentes, la predicci\u00f3n meteorol\u00f3gica precisa y fiable se ha vuelto vital. Como hemos visto con la DANA en Espa\u00f1a, es un tipo de informaci\u00f3n que, seg\u00fan como se maneje, puede afectar a nuestro modo de vida y a la seguridad humana.<\/p>\n
<\/p>\n
Hasta ahora, al hablar del tiempo a medio plazo es muy complejo que pueda predecirse a la perfecci\u00f3n, ya que este tipo de previsiones son especialmente inciertas m\u00e1s all\u00e1 de unos pocos d\u00edas previos.<\/p>\n
<\/p>\n
Los cient\u00edficos y las agencias meteorol\u00f3gicas nacionales e internacionales utilizan predicciones probabil\u00edsticas de conjunto, es decir, un modelo establecido que predice una serie de escenarios meteorol\u00f3gicos probables. Estos datos son m\u00e1s \u00fatiles que los que se basan en una sola previsi\u00f3n, ya que proporcionan a los responsables de la toma de decisiones una imagen completa de las posibles condiciones meteorol\u00f3gicas en los pr\u00f3ximos d\u00edas y semanas, y de la probabilidad de cada escenario.<\/p>\n
Con el objetivo de mejorar esta informaci\u00f3n, un equipo cient\u00edfico de la compa\u00f1\u00eda brit\u00e1nica de investigaci\u00f3n 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 resoluci\u00f3n.<\/p>\n
<\/p>\n
\u201cLos modelos de aprendizaje autom\u00e1tico como GenCast funcionan de manera muy distinta a los modelos cl\u00e1sicos. El ENS (un sistema de pron\u00f3stico probabil\u00edstico) del Centro Europeo de Predicci\u00f3n a Medio Plazo (ECMWF) esencialmente simula las leyes de la f\u00edsica con superordenadores. En teor\u00eda, creemos conocer las leyes de los fluidos, pero a la pr\u00e1ctica tenemos errores en los sensores y una capacidad de computaci\u00f3n finita. Existen muchos par\u00e1metros de los modelos que no conocemos\u201d, explica a SINC Ferran Alet Puig, investigador senior de Google DeepMind y coautor del estudio.<\/p>\n
<\/p>\n
\u00bfC\u00f3mo funciona este modelo de IA?<\/p>\n
GenCast y los modelos de aprendizaje autom\u00e1tico aprenden directamente de datos. \u201cReciben muchos ejemplos donde tienen que predecir el tiempo ma\u00f1ana, seg\u00fan el tiempo hoy. De esta manera, aprenden relaciones que tienen en cuenta estas limitaciones de la computaci\u00f3n, los sensores y las parametrizaciones\u201d, a\u00f1ade el cient\u00edfico.<\/p>\n
<\/p>\n
Los investigadores indican que GenCast proporciona \u201cprevisiones m\u00e1s precisas, tanto del tiempo cotidiano como de los fen\u00f3menos extremos, que el mejor sistema operativo, el ENS del ECMWF, -que es el sistema de previsi\u00f3n por conjuntos m\u00e1s operativo del que dependen a diario muchas decisiones nacionales y locales-, con hasta 15 d\u00edas de antelaci\u00f3n\u201d.<\/p>\n
De esta forma, supera a la previsi\u00f3n meteorol\u00f3gica tradicional de medio alcance m\u00e1s eficaz y tambi\u00e9n es capaz de predecir mejor el tiempo extremo, la trayectoria de los ciclones tropicales y la producci\u00f3n de energ\u00eda e\u00f3lica.<\/p>\n
<\/p>\n
\u201cGenCast genera 50 predicciones. Son como 50 posibles escenarios que podr\u00edan suceder. Con estos 50 futuros, podemos estimar todo tipo de probabilidades, tanto \u201cmarginales\u201d (\u00bfhabr\u00e1 una ola de calor en Sevilla?), como probabilidades conjuntas (\u00bfcu\u00e1nta energ\u00eda e\u00f3lica se conseguir\u00e1 en Espa\u00f1a dentro de 3 d\u00edas?)\u201d, detalla Alet Puig.<\/p>\n
<\/p>\n
Alvaro Sanchez Gonzalez, otro de los coautores del estudio, argumenta: \u201cPara el sistema tradicional ENS, las 50 predicciones tardan en diseminarse unas 2 horas a partir de cuando el an\u00e1lisis atmosf\u00e9rico est\u00e1 disponible, y eso con un ordenador con miles de procesadores al l\u00edmite de lo que es posible tecnol\u00f3gicamente\u201d.<\/p>\n
<\/p>\n
Por su parte, GenCast puede generar una predicci\u00f3n en 8 minutos usando un solo dispositivo de hardware no mucho m\u00e1s grande que un ordenador normal. \u201cEsto quiere decir que si usamos 50 de esos dispositivos (en vez de miles), se podr\u00edan 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 podr\u00edan generar muchas m\u00e1s de 50 predicciones lo que har\u00eda que se pudieran computar probabilidades m\u00e1s precisas\u201d, contin\u00faa Sanchez Gonzalez.<\/p>\n
Mayor capacidad de previsi\u00f3n<\/strong><\/p>\n Para evaluar el rendimiento de GenCast, los cient\u00edficos lo entrenaron con datos meteorol\u00f3gicos hist\u00f3ricos hasta 2018 y lo probaron con datos de 2019. Este nuevo modelo demostr\u00f3 una capacidad de previsi\u00f3n superior a la del ENS.<\/p>\n <\/p>\n <\/p>\n \u201cProbamos ambos sistemas de forma exhaustiva, analizando previsiones de distintas variables en distintos plazos: 1.320 combinaciones en total. GenCast fue m\u00e1s preciso que ENS en el 97,2 % de estos objetivos, y en el 99,8 % en plazos superiores a 36 horas\u201d, enfatizan<\/p>\n <\/p>\n Previsiones para fen\u00f3menos extremos<\/strong><\/p>\n En el caso de tiempo extremo, como olas de calor o fuertes vientos la nueva herramienta tambi\u00e9n parece ofrece m\u00e1s valor que el ENS, lo que para los autores supone salvaguardar m\u00e1s vidas, evitar da\u00f1os y ahorro en costes. \u201cCuando probamos la capacidad de GenCast para predecir el calor y el fr\u00edo extremos, y las altas velocidades del viento, nuestro modelo super\u00f3 sistem\u00e1ticamente a ENS\u201d, subrayan.<\/p>\n Otro de los usos que plantean los expertos para estas predicciones es la planificaci\u00f3n de las energ\u00edas renovables. Por ejemplo, las mejoras en la previsi\u00f3n de la energ\u00eda e\u00f3lica aumentan directamente su fiabilidad como fuente de energ\u00eda sostenible y podr\u00edan acelerar su adopci\u00f3n\u201d, indican.<\/p>\n <\/p>\n \u201cEn un experimento de prueba de principio que analiz\u00f3 las predicciones de la potencia e\u00f3lica total generada por agrupaciones de parques e\u00f3licos de todo el mundo y GenCast fue m\u00e1s preciso que ENS\u201d.<\/p>\n <\/p>\n Los autores han convertido GenCast en un modelo abierto y han publicado su c\u00f3digo y sus ponderaciones.<\/p>\n Para fomentar una colaboraci\u00f3n m\u00e1s amplia y ayudar a acelerar la investigaci\u00f3n y el desarrollo en la comunidad meteorol\u00f3gica y clim\u00e1tica, los autores han convertido GenCast en un modelo abierto, ya que han publicado su c\u00f3digo y sus ponderaciones, \u201cal igual que hicimos con nuestro sistema determinista de predicci\u00f3n meteorol\u00f3gica mundial de medio alcance\u201d, enfatizan.<\/p>\n <\/p>\n C\u00f3mo transmitir esta informaci\u00f3n a la poblaci\u00f3n<\/strong><\/p>\n Uno de los mayores desaf\u00edos de la predicci\u00f3n meteorol\u00f3gica est\u00e1 relacionado con que la atm\u00f3sfera es un sistema ca\u00f3tico en el que una peque\u00f1a diferencia en el estado actual puede determinar un efecto a gran escala varios d\u00edas m\u00e1s tarde. \u201cPara las predicciones a uno o dos d\u00edas 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 t\u00e9rminos de probabilidades\u201d, dice Sanchez Gonzalez.<\/p>\n <\/p>\n Los sistemas probabil\u00edsticos como GenCast, permiten calcular probabilidades de pr\u00e1cticamente cualquier evento, pero no solo de probabilidades simples. \u201cPor ejemplo, podemos determinar qu\u00e9 probabilidad hay de que el martes la temperatura m\u00e1xima sea de m\u00e1s de 30 grados, pero tambi\u00e9n probabilidades m\u00e1s avanzadas como qu\u00e9 probabilidad hay de que a lo largo de la pr\u00f3xima semana haya m\u00e1s de 3 d\u00edas seguidos en los que la temperatura m\u00e1xima sea m\u00e1s de 30 grados y la m\u00ednima no baje de 25 grados\u201d, a\u00f1ade el cient\u00edfico.<\/p>\n El problema de esto es que, aunque la informaci\u00f3n probabil\u00edstica de la predicci\u00f3n meteorol\u00f3gica sea muy precisa, las probabilidades no son siempre f\u00e1ciles de interpretar intuitivamente.<\/p>\n <\/p>\n \u201cA la hora de transmitir una predicci\u00f3n al p\u00fablico es necesario eliminar las probabilidades para resumir un poco la informaci\u00f3n, y esa simplificaci\u00f3n es lo que hacer que la predicci\u00f3n pueda parecer m\u00e1s cambiante. Adem\u00e1s de conseguir modelos m\u00e1s precisos como GenCast, habr\u00eda que reinventar un poco la forma en la que se presentan esas previsiones para que no se pierda tanta informaci\u00f3n a la hora de resumir una predicci\u00f3n probabilista\u201d, indica.<\/p>\n <\/p>\n El equipo asegura que pronto publicar\u00e1 previsiones hist\u00f3ricas y en tiempo real de GenCast y modelos anteriores, lo que permitir\u00e1 a cualquiera integrar estos datos meteorol\u00f3gicos en sus propios modelos y trabajos de investigaci\u00f3n.<\/p>\n <\/p>\n \u201cEstamos deseosos de colaborar con la comunidad meteorol\u00f3gica en general, incluidos investigadores acad\u00e9micos, meteor\u00f3logos, cient\u00edficos de datos, empresas de energ\u00edas renovables y organizaciones dedicadas a la seguridad alimentaria y la respuesta a cat\u00e1strofes. Este tipo de colaboraciones aportan conocimientos profundos y comentarios constructivos, as\u00ed como oportunidades inestimables de impacto comercial y no comercial, todo lo cual es fundamental para nuestra misi\u00f3n de aplicar nuestros modelos en beneficio de la humanidad\u201d, concluyen desde Google DeepMind.<\/p>\n Fecha de publicaci\u00f3n s\u00e1bado 7\u00a0 de diciembre de 2024 \/Agencia Sinc<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":" En un mundo con un clima cambiante y con fen\u00f3menos extremos cada vez m\u00e1s frecuentes,…<\/p>\n","protected":false},"author":1,"featured_media":205834,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[2216],"tags":[10597,1618],"class_list":["post"],"yoast_head":" \n