El uso de modelo de inteligencia artificial ayuda a crear mejores pronósticos de rayos
La inteligencia artificial ha demostrado ser un buen aliado para mejorar los pronósticos de rayos, uno de los eventos meteorológicos más difíciles de pronosticar. El requisito es tener una gran base de datos para comparar y aprender sobre ella, algo que va mejorando con el uso de los últimos satélites.
Los rayos son uno de los eventos más intensos que nos ofrece la naturaleza. Para la meteorología, su pronóstico es complejo, y por lo general entra dentro de lo que se conoce como nowcasting, o pronóstico de muy corto plazo. Es posible anticipar áreas donde su ocurrencia es más probable, pero ajustar a puntos específicos ya es mucho más difícil. Allí radica su complejidad.
Su poder de destrucción es muy grande, especialmente como disparador de incendios forestales, tal como ocurrió con el masivo incendio California Lightning Complex que afectó a grandes extensiones de ese estado en 2020. Un estudio dirigido por la Universidad de Washington muestra que el uso de inteligencia artificial (IA)mediando machine learning puede utilizarse para mejorar las previsiones de rayos.
El uso de IA permite que la previsión se mejore a sí misma sin programación directa por parte de humanos. Una mejor predicción de los rayos podría ayudar a prepararse para posibles incendios forestales, mejorar las alertas de seguridad por rayos y crear modelos climáticos de largo alcance más precisos. Daehyun Kim, profesor asociado de ciencias atmosféricas de la Universidad de Washington indicó a UW "que sepamos, nuestro trabajo es el primero en demostrar que los algoritmos de aprendizaje automático pueden funcionar para los rayos".
Pronóstico de rayos con dos días de antelación
Esta técnica de pronóstico combina previsiones meteorológicas con una ecuación de aprendizaje automático basada en análisis de rayos anteriores. El método híbrido, puede pronosticar rayos sobre el sudeste de Estados Unidos dos días antes que la principal técnica existente, aunque la técnica puede extrapolar a otras zonas que tengan una estadística de respaldo.
Daehyun Kim, uno de los creadores del sistema ha realizado un completo video con los detalles del sistema de pronóstico y su aplicación. Wei-Yi Cheng, que realizó el trabajo para su doctorado en ciencias atmosféricas de la Universidad de Washington indicó que "esto demuestra que las previsiones de sistemas meteorológicos severos, como las tormentas eléctricas, pueden mejorarse utilizando métodos basados en el IA", afirma. El cree que esta técnica puede ser útil también para otros tipos de previsiones meteorológicas severas, como tornados o granizadas.
Los investigadores entrenaron el sistema con datos sobre rayos de 2010 a 2016, dejando que el ordenador descubriera las relaciones entre las variables meteorológicas y los rayos. A continuación, probaron la técnica con datos meteorológicos de 2017 a 2019, comparando la técnica asistida por IA y un método basado en la física ya existente, utilizando observaciones reales de rayos para evaluar ambos. El nuevo método fue capaz de predecir los rayos con la misma habilidad unos dos días antes que la técnica preexistente. Se tomo para la investigación el sudeste de Estados Unidos, que recibe muchos rayos anualmente.
El sistema requiere de mucho datos previos
La eficiencia de esta técnica está directamente relacionada con la base de datos sobre la que aprenderá la IA. Dado que el método se entrenó en todo Estados Unidos, su rendimiento no fue tan preciso en lugares donde los rayos son menos frecuentes. El método utilizado para la comparación fue una técnica desarrollada para prever los rayos basándose en la cantidad de precipitaciones y la velocidad de ascenso de las nubes de tormenta. Ese método ha previsto más rayos con el cambio climático y un aumento continuo de los rayos sobre el Ártico.
El aprendizaje automático se entrenó a partir de observaciones de rayos de la World Wide Lightning Location Network (WWLLN), una colaboración con sede en la Universidad de Washington que ha rastreado los rayos en todo el mundo desde 2008. "El aprendizaje automático requiere muchos datos. Es una de las condiciones necesarias para que un algoritmo de aprendizaje automático haga cosas valiosas", afirma Kim. Pero las cosas mejoraron mucho en los últimos años.
Ahora existen redes comerciales de instrumentos para vigilar los rayos en Estados Unidos, y los satélites geoestacionarios más recientes pueden vigilar una zona continuamente desde el espacio, proporcionando los datos precisos sobre rayos para hacer posible un mayor aprendizaje automático. Los factores clave son la cantidad y la calidad de los datos, que son exactamente los que WWLLN puede proporcionar.