¿Reemplazará la inteligencia artificial al sistema de pronóstico meteorológico convencional?

Jun 22, 2020 General
blog-inteligenciaartificial

Hace unos días se cumplían 76 años del desembarco de Normandía, hecho histórico relevante para el fin de la Segunda Guerra Mundial y donde la meteorología desempeñó un papel crucial. El desembarco se produjo el día 6 de junio de 1944, y no otro, debido a las exitosas previsiones meteorológicas realizadas. Asimismo, es también durante la Segunda Guerra Mundial, cuando aparecen las primeras boyas meteorológicas.

blog-metoffice

Desde sus inicios, la meteorología ha ido avanzando a medida que evolucionaban también otras disciplinas y, sobre todo, acompañada del progreso tecnológico del siglo XX, que permitió el desarrollo de modelos matemáticos (gracias al avance en computación) y la aparición o perfeccionamiento de instrumentos y aparatos de teledetección como los satélites. Por ello, es indiscutible que, en esta nueva era, la de la cuarta revolución industrial o revolución digital, la meteorología no podía permanecer al margen. De manera similar al recorrido histórico anterior, cabe pensar que el nivel de potencia computacional actual y los avances en la inteligencia artificial pueden llegar a transformar la manera en que conocemos el mundo de la predicción meteorológica, donde las técnicas de aprendizaje automático (Machine Learning, ML), que se alimentan principalmente de los datos históricos de las variables meteorológicas, podrían llegar a sustituir a los métodos convencionales.

¿Es esta una posibilidad real?

Los modelos actualmente usados, llamados modelos de predicción numérica (NWP), son capaces de resolver las ecuaciones que rigen el comportamiento de la atmósfera, un sistema complejo de ecuaciones no lineales que precisa del uso de ciertas aproximaciones y de parámetros fisiográficos del territorio lo más realistas posibles. En la actualidad, los NWP son vitales para la predicción del tiempo, proporcionando información fiable y de gran utilidad en numerosas áreas. Sin embargo, la necesidad de partir de unas condiciones iniciales dadas por otros modelos y la existencia de parametrizaciones (necesarias para incluir procesos físicos con escalas espaciales y temporales demasiado pequeñas para que el modelo sea capaz de representarlas explícitamente), entre otros factores, introducen errores acumulativos en los resultados. Además, este tipo de modelos supone un gran coste computacional, que consume la mayor parte de la energía de las supercomputadoras, como es el caso del clúster de Meteosim, para poder realizar simulaciones con la mayor resolución espacial y temporal posible.

En este momento se dispone, diariamente, de cientos de millones de observaciones provenientes de estaciones meteorológicas (en superficie y altura), buques, aviones, radares, etc. Igualmente, el mundo interconectado (Internet of Things, IoT) en el que vivimos ha colaborado a incrementar esta base de datos. Imaginemos, por ejemplo, un teléfono móvil que registra temperatura y presión. Existe, por tanto, una red de registros extensa recolectada a lo largo de las últimas décadas.

Ante la existencia de esta gran base de datos y en vista del coste computacional y la complejidad que conlleva resolver las ecuaciones de la atmósfera, ¿pueden las técnicas de ML aprender de los datos pasados, sin ninguna información sobre la dinámica de la atmósfera, y producir pronósticos meteorológicos?

blog-machine

El aprendizaje automático es un subconjunto de la inteligencia artificial que consiste en la creación de algoritmos que pueden modificarse a sí mismos sin intervención humana para producir el resultado deseado, al alimentarse a través de un conjunto de datos. El principal objetivo que busca es crear sistemas que sean capaces de aprender automáticamente, sin necesidad de programar, es decir, sin proporcionarle las instrucciones o pasos a seguir para obtener la predicción.

Al igual que ocurría con los NWP, los ML tampoco son perfectos y gran parte de su éxito reside en la cantidad y calidad de los datos usados. Asimismo, no para todos los rincones del mundo existen o se dispone de acceso a los datos necesarios, lo que imposibilitaría crear un modelo de ML en esas zonas.

Durante estos últimos años, los centros de pronóstico meteorológico de todo el mundo han desarrollado estudios empleando técnicas de ML con multitud de aplicaciones dentro del ámbito meteorológico. Entre ellas, destacaríamos los modelos usados para el postproceso de los resultados obtenidos con NWP, mejora de las parametrizaciones o de los datos usados en la inicialización de los modelos numéricos. Por supuesto, también se han comparado los resultados de predicciones realizadas únicamente con ML con las de NWP. Si dejamos de lado aplicaciones específicas, ¿puede reemplazar la inteligencia artificial al sistema de pronóstico convencional? La respuesta es que, de manera general, todavía no.

Existen multitud de artículos científicos, workshops y congresos sobre este nuevo paradigma, donde en líneas generales se demuestra que, dependiendo del objetivo buscado, los modelos de aprendizaje automático pueden llegar a dar respuesta. Igualmente, para algunos temas como la predicción por conjuntos o la detección temprana de eventos extremos, las soluciones que pasan por usar modelos de aprendizaje profundo (Deep Learning) también ofrecen una perspectiva prometedora. Sin embargo, no existe hasta el momento un consenso claro sobre si dichos modelos pueden llegar a sustituir a los modelos de predicción meteorológica convencionales en un futuro próximo. Lo cierto es que hay una fuerte comunidad científica alrededor de los NWP, refinados tras décadas de investigación y donde la precisión en la predicción alcanzada es difícil de superar, de momento, por los modelos de ML. Queda, por tanto, demostrar en un plazo relativamente corto, que los resultados de aprendizaje automático realmente pueden ser mejores que las herramientas convencionales. Un avance positivo en esta línea revolucionaría todo el sistema de pronóstico conocido hasta ahora, consiguiendo un nuevo sistema más rápido, más preciso y con mayor ventana temporal de predicción, puesto que los modelos actuales numéricos solo proporcionan un pronóstico fiable a 5-6 días vista.

En Meteosim, trabajamos para integrar nuevas herramientas o tecnologías enmarcadas en la Revolución 4.0 para, de una forma acoplada a los modelos de predicción tradicional, seguir mejorando la precisión y confiabilidad de nuestras predicciones.

Posts relacionados

¡Deja un comentario!

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Meteosim