Las grandes empresas tecnológicas despliegan una oleada de modelos de aprendizaje automático para la predicción meteorológica, desafiando a los modelos tradicionales basados en la física y desarrollados durante décadas. Pero, ¿son realmente precisos estos modelos?
Contenido del artículo:
- Introducción
- Métodos tradicionales
- La revolución de la inteligencia artificial
- Comparación de rendimiento
- Limitaciones y desafíos
- Ventajas competitivas
- Perspectivas de futuro
- Conclusión
Introducción
Algunas de las mayores empresas del planeta han puesto en marcha una oleada de modelos de aprendizaje automático para la predicción del tiempo mediante inteligencia artificial. Estos desafían la ortodoxia de la predicción informática tradicional basada en la física, que se ha desarrollado y perfeccionado gradualmente durante muchas décadas. Pero, ¿qué tan buenos son los modelos de aprendizaje automático?
Descubrimiento revolucionario: Aardvark Weather predice el clima con recursos mínimos
El clima es una obsesión nacional para nosotros los británicos, y no es de extrañar dados los enormes cambios que se ven y se sienten de un día para otro. Las previsiones meteorológicas precisas no solo son vitales para planificar nuestra vida diaria, sino que conocer las condiciones climáticas severas que se avecinan puede ayudarnos a cambiar nuestro comportamiento, salvar vidas y mitigar los daños a la propiedad.
Métodos tradicionales
Es imposible evaluar el valor económico total de la predicción meteorológica a escala mundial, pero las cifras son gigantescas. Según la Administración Nacional Oceánica y Atmosférica, solo en Estados Unidos —y teniendo en cuenta únicamente los mayores desastres meteorológicos que causaron daños superiores a los mil millones de dólares— las repercusiones del clima severo en 2024 ascendieron a 182 000 millones de dólares, con 568 víctimas mortales.
Desde 1980, esa cifra de daños se sitúa en torno a los 3 billones de dólares. Al mismo tiempo, en el Reino Unido se registraron 1311 muertes adicionales causadas por las olas de calor en 2024. Un estudio de la consultora London Economics concluyó que la Met Office aportará 56 000 millones de libras esterlinas en beneficios a la economía británica a lo largo de una década gracias a la prestación de servicios meteorológicos.
Las previsiones meteorológicas tradicionales se generan en algunos de los superordenadores más grandes del planeta; el contrato de supercomputación de la Met Office está valorado en 1200 millones de libras esterlinas. Esta enorme cantidad de dinero permite adquirir una máquina capaz de realizar 60 cuatrillones (60 000 000 000 000 000) de operaciones por segundo.
La revolución de la inteligencia artificial
Los modelos de aprendizaje automático para la predicción del tiempo llevan apenas unos años existiendo y muestran un gran potencial a medida que evolucionan rápidamente. Los modelos tradicionales tardan horas en ejecutarse en superordenadores muy costosos, mientras que esta nueva generación de modelos puede tardar menos de un minuto en ejecutarse en un ordenador portátil común. No necesitan conocer todas las leyes físicas «engorrosas», sino que se entrenan con 40 años de datos anteriores para realizar sus predicciones.
¿Cómo se desempeñan? Bien, echemos un vistazo a los datos de verificación de pronósticos del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) para los patrones de presión atmosférica del invierno de 2024/2025. GraphCast (Google), AIFS (ECMWF) y Aurora (Microsoft) fueron más precisos que el pronóstico estándar tradicional IFS (ECMWF), mientras que FourCastNet (Nvidia) y Pangu-Weather (Huawei) se quedaron atrás.
Comparación de rendimiento
Por lo tanto, algunos modelos de aprendizaje automático rindieron mejor y otros peor, pero esto depende de la variable que se analice, y todo esto puede cambiar rápidamente a medida que se acelera el ritmo del progreso. Al igual que los modelos tradicionales, los modelos de inteligencia artificial son menos precisos cuanto más se avanza en el futuro que intentan predecir, como consecuencia de la naturaleza caótica de la atmósfera.
Si se proyectan 10 días hacia adelante, ninguno de los modelos de inteligencia artificial (ni los tradicionales) fue capaz de ofrecer previsiones consideradas de gran utilidad en términos de precisión. Entonces, ¿es hora de deshacerse de los modelos atmosféricos basados en la física? ¡Todavía no!
Limitaciones y desafíos
Los modelos de aprendizaje automático para la predicción meteorológica mediante inteligencia artificial no solo se entrenan utilizando datos generados por modelos atmosféricos tradicionales, sino que también utilizan la posición de inicio de la atmósfera a partir de los modelos tradicionales como punto de entrada. En otras palabras, sin la ejecución de dichos modelos tradicionales, los modelos de aprendizaje automático no funcionarían con la misma calidad.
Todos los modelos de aprendizaje automático pueden predecir características a gran escala, como la alta y baja presión, con seis días de antelación de manera excelente, pero su rendimiento puede disminuir en comparación con los modelos tradicionales en escalas de 1000 kilómetros o menos. Esto significa que características importantes como vaguadas y crestas pueden pasar desapercibidas, marcando la diferencia entre un día seco o un día de lluvias intensas.
Ventajas competitivas
La mayoría de los modelos de aprendizaje automático tienen una resolución de 28 kilómetros cuadrados, que es la misma escala de los datos con los que se entrenaron. Esto significa que es probable que se pasen por alto características a pequeña escala, como los chubascos, por lo que no podrán predecir un evento de inundación como el de Boscastle con muchos días de antelación. Los titulares de prensa afirmaban que estos nuevos modelos superaban a los tradicionales en la predicción de huracanes.
Puede ser cierto que algunos hayan sido ligeramente mejores en la predicción de la llegada a tierra de los huracanes antes que los modelos tradicionales, pero al mismo tiempo mostraron un desempeño muy deficiente al predecir la intensidad del viento y, por consiguiente, los daños potenciales que traería la tormenta. Esto podría ser el resultado del efecto de suavizado o de promediar al observar una gran cantidad de huracanes en 40 años de datos de entrenamiento.
Perspectivas de futuro
Los modelos de inteligencia artificial pueden tener dificultades para predecir los impactos de eventos raros que no se han visto con frecuencia en 40 años de datos de entrenamiento. Un ejemplo de ello es la erupción del monte Pinatubo en 1991, que enfrió el planeta hasta 0,5 grados Celsius durante dos años. También existen dudas sobre el rendimiento que tendrán los modelos de inteligencia artificial al predecir un mundo más cálido, a medida que nuestro planeta continúa calentándose debido al cambio climático.
El clima pasado con el que se han entrenado se verá muy diferente de nuestro clima futuro, a medida que los gases de efecto invernadero sigan acumulándose en la atmósfera. La profesora Christine Dahl, directora de inteligencia artificial de la Met Office, afirma: «Creo que contaremos con modelos tradicionales que funcionarán codo con codo con los modelos de inteligencia artificial, de modo que aprovechemos sus fortalezas combinadas para permitir predicciones locales hiperprecisas, entregadas con rapidez y en el momento en que se necesiten».
Conclusión
Los modelos de aprendizaje automático llevan poco tiempo entre nosotros, pero con su velocidad, eficiencia informática y rápida tasa de desarrollo, muestran un gran potencial. El futuro parece prometedor para la integración de los modelos tradicionales con los modelos de inteligencia artificial con el fin de obtener lo mejor de ambos mundos. A medida que la tecnología siga evolucionando, es posible que presenciemos una auténtica revolución en la precisión y la velocidad de las previsiones meteorológicas basadas en inteligencia artificial, beneficiando a toda la sociedad y ayudando a proteger vidas y propiedades frente a los fenómenos meteorológicos extremos.
