La Inteligencia Artificial podría mejorar la previsión de fenómenos meteorológicos severos
Debido a las distintas variables en juego, la previsión meteorológica siempre va asociada a un cierto grado de incertidumbre, pero éste se agrava cuando se trata de fenómenos meteorológicos extremos, como lluvias torrenciales, olas de calor o tornados.
Ante la dificultad de ofrecer una previsión con gran precisión, especialmente cuando se predicen fenómenos extremos, Google ha desarrollado una herramienta para intentar abordar este tipo de problemas: un modelo de IA que puede predecir catástrofes meteorológicas con mayor precisión.
Google ha creado un modelo de IA que predice fenómenos extremos con mayor precisión
Google creó un modelo llamado "Scalable Ensemble Envelope Diffusion Sampler" (SEEDS), que es una nueva tecnología de Inteligencia Artificial (IA) para acelerar y mejorar los pronósticos meteorológicos utilizando modelos de difusión.
El modelo de Google (SEEDS) permite una reducción significativa del coste computacional para generar pronósticos conjuntos y una mejor caracterización de eventos climáticos raros o extremos.
SEEDS produce pronósticos meteorológicos, utilizando un conjunto de datos obtenidos por varias agencias meteorológicas, que preparan modelos convencionales/operativos.
La previsión meteorológica es inherentemente incierta. Por lo tanto, es importante reflejar esta incertidumbre en términos de probabilidad de ocurrencia, que es un componente vital del pronóstico meteorológico operativo.
Dado un modelo numérico de predicción del tiempo, la forma estándar de cuantificar esta incertidumbre es perturbar las condiciones iniciales del modelo y su representación de procesos físicos a pequeña escala para crear un conjunto de posibles trayectorias climáticas, que consta de varios miembros. Por lo tanto, se elige una distribución de probabilidad subyacente a los estados meteorológicos.
Esta información sobre la probabilidad de ocurrencia de una determinada situación meteorológica, predicha por los llamados modelos operativos, es un valor añadido para el usuario de la previsión. Cuantificar la incertidumbre sobre la ocurrencia es crucial para la toma de decisiones. Por lo tanto, en la predicción meteorológica numérica siempre se debe utilizar la predicción probabilística.
Sin embargo, dado el costo computacional de generar cada miembro del conjunto, los centros de pronóstico del tiempo solo pueden permitirse generar de 10 a 50 miembros para cada ciclo de pronóstico.
Esta limitación es particularmente problemática para los usuarios preocupados por la probabilidad de fenómenos meteorológicos raros de alto impacto, que normalmente requieren conjuntos mucho más grandes para evaluar. Por ejemplo, se necesitaría un conjunto calibrado de 10.000 miembros para predecir la probabilidad de eventos con una probabilidad de ocurrencia del 1 % con un error relativo de menos del 10 %.
Además de contar con una mayor potencia computacional disponible para generar conjuntos más grandes en el futuro, es imperativo explorar enfoques más eficientes para generar predicciones de conjuntos.
Cuando SEEDS está diseñado para corregir los sesgos presentes en el sistema de pronóstico operativo, los conjuntos generados presentan mejores métricas de pronóstico probabilístico. Son más fiables y las probabilidades de predicción de fenómenos extremos son más realistas y con mayor precisión.
Modelo de Google probado durante la ola de calor europea
Aunque el modelo de metodología SEEDS está enfocado a la predicción meteorológica, esta metodología también puede permitir la creación de grandes conjuntos de proyecciones climáticas para la evaluación de riesgos climáticos.
Según Google, el enfoque generativo de Google permite la creación de conjuntos muy grandes que pueden caracterizar eventos muy raros, proporcionando muestras de estados climáticos que exceden un cierto umbral, para cualquier diagnóstico definido por el usuario.
El modelo se utilizó como prueba el año pasado, durante la ola de calor europea. Los resultados se publicaron a finales de marzo de este año en Science Advances.
El evento observado era tan improbable que siete días antes, ninguno de los 31 miembros del equipo operativo pudo predecir las altas temperaturas que se produjeron.
Esto permitió tanto cuantificar la probabilidad de que ocurriera el evento como presentar los regímenes climáticos en los que ocurriría.