Por Canuto  

Una técnica de aprendizaje automático desarrollada por un equipo con investigadores del MIT ajustó modelos meteorológicos para mejorar las previsiones de dos a seis semanas. En una competencia internacional, la combinación ganadora duplicó el poder predictivo de una referencia y, según los investigadores, también mejoró la predicción de fenómenos extremos.
***

  • El método aprende de los errores de pronósticos existentes y aplica una corrección basada en datos históricos.
  • La combinación ganadora superó los promedios climatológicos entre dos y seis semanas, un resultado que el equipo describe como inédito para ese horizonte.
  • Los investigadores reportaron mejoras para eventos extremos y posibles usos en agricultura, gestión energética y preparación ante emergencias.

 

Un equipo internacional de investigadores presentó una técnica de aprendizaje automático que mejora los pronósticos meteorológicos para plazos de dos a seis semanas, un periodo en el que las previsiones suelen perder fiabilidad. Al aplicarla a modelos existentes, la herramienta aprendió a corregir errores a partir de datos históricos. En una competencia del Centro Europeo de Predicción Meteorológica a Plazo Medio (ECMWF), la combinación ganadora duplicó el poder predictivo de una referencia, según el equipo.

El resultado importa porque unos días adicionales de anticipación podrían dar margen a agricultores, operadores energéticos y autoridades de emergencia para tomar decisiones ante una tormenta, una helada o una sequía. Los investigadores también reportaron mejoras en la predicción de fenómenos meteorológicos extremos y resultados superiores a los promedios climatológicos en ese horizonte, un avance para el pronóstico subestacional.

El desafío de pronosticar semanas por adelantado

La motivación del trabajo tiene un antecedente dramático en Texas, donde tres tormentas invernales severas azotaron el estado en febrero de 2021 y las interrupciones asociadas afectaron la infraestructura energética. Al menos 246 personas murieron, según las cifras citadas en el borrador del estudio. Las interrupciones causaron escasez de alimentos, agua, calefacción y electricidad. Un aviso con más antelación, por ejemplo, podría haber ayudado a los responsables del suministro a trasladar camiones de gas natural hacia las zonas afectadas.

Sin embargo, el pronóstico meteorológico pierde precisión con rapidez cuando intenta anticipar condiciones más allá de dos semanas. El equipo llama «subestacional» al intervalo de dos a seis semanas y lo describe como un «desierto de la previsibilidad»: queda demasiado lejos para aprovechar bien las condiciones iniciales de la atmósfera y, a la vez, demasiado cerca para apoyarse en factores de evolución lenta que influyen en horizontes más largos.

El investigador científico del MIT Judah Cohen vincula ese límite con la teoría del caos, desarrollada por el profesor del MIT Edward Lorenz en la década de 1970. La idea central es que pequeñas diferencias en las condiciones iniciales pueden crecer hasta producir resultados muy distintos, lo que hace difícil proyectar la evolución del tiempo con semanas de anticipación. Cohen considera, no obstante, que la atmósfera tiende a recurrir a ciertos patrones y que esa repetición puede ofrecer señales útiles.

Los pronósticos actuales se apoyan principalmente en modelos dinámicos, que simulan la evolución de la atmósfera y los océanos, y en modelos de inteligencia artificial, entrenados con registros meteorológicos. La IA ha mejorado las predicciones de corto plazo, aunque, según Cohen, todavía rinde peor que los modelos dinámicos en plazos más extensos. En cambio, el horizonte subestacional plantea una dificultad propia: no basta con extrapolar las condiciones actuales ni con apoyarse en tendencias de largo plazo.

Una capa de aprendizaje automático para corregir errores

La propuesta del equipo no consiste en reemplazar los sistemas meteorológicos existentes, sino en añadirles una capa de posprocesamiento que identifica y corrige sus errores. El método aprende de pronósticos anteriores y de lo que realmente ocurrió para ajustar las salidas de un modelo cuando genera nuevas previsiones. Cohen atribuyó a su colaborador Lester Mackey la idea inicial de aplicar aprendizaje automático a ese proceso de corrección.

En lugar de ofrecer una respuesta única, los pronosticadores subestacionales suelen presentar probabilidades para distintos resultados posibles. La técnica puede adaptar sus correcciones a medida que dispone de nuevos pronósticos y datos, de acuerdo con Cohen. Esta característica permite trabajar con la incertidumbre propia de un pronóstico a varias semanas, en vez de tratar cada resultado como una certeza.

Para entrenar el sistema, los investigadores utilizaron MIT Engaging, un clúster de supercomputación alojado por la Oficina de Computación y Datos de Investigación del MIT. El equipo afirma que, aunque necesitó esa infraestructura durante el desarrollo, el modelo resultante no requiere una supercomputadora para ejecutarse. También lo describe como una herramienta de código abierto y bajo costo, diseñada para añadirse a distintos modelos.

En una edición previa de la competencia del ECMWF, el grupo presentó tres sistemas que incorporaban su capa de corrección. La propuesta que obtuvo el primer lugar combinó un modelo del ECMWF con otro sistema y aplicó luego el posprocesamiento de aprendizaje automático. Según el equipo, esa configuración duplicó el poder predictivo de la referencia en el rango subestacional y superó consistentemente los promedios climatológicos.

Qué puede cambiar para agricultura, energía y emergencias

El equipo reportó mejoras en los pronósticos terrestres para la mayoría de las regiones del mundo y probó la técnica con otros modelos, no solo con el sistema del ECMWF. También afirmó que el método elevó el rendimiento de modelos menos avanzados hasta niveles comparables con los pronósticos de ese centro. Para los investigadores, esa capacidad de funcionar como una capa adaptable ofrece una vía para mejorar herramientas que ya utilizan distintos servicios meteorológicos.

Los autores también reportaron una mejora estadísticamente significativa en la predicción de fenómenos extremos. Cohen mencionó inundaciones y olas de frío entre los eventos cuya anticipación podría mejorar. A su juicio, el dato es relevante porque las correcciones tradicionales suelen acercar las previsiones a un valor promedio, mientras que los extremos se encuentran en los bordes de la distribución de probabilidades.

La oficina meteorológica de Kenia ya se comunicó con Cohen para explorar la implementación del modelo en los pronósticos de la temporada anual de monzones, con el objetivo de apoyar los rendimientos agrícolas durante el próximo invierno. Para el sector agrícola, unas semanas de aviso podrían ayudar a decidir cuándo fertilizar en función de las lluvias, proteger cultivos ante una helada durante la cosecha invernal o prepararse para periodos de sequía. La aplicación, sin embargo, dependerá de que las instituciones incorporen la herramienta a sus operaciones.

El sector energético y los servicios de emergencia también podrían beneficiarse de una ventana de planificación mayor. Cohen señaló que algunos responsables de energía consideran insuficientes dos días para prepararse ante una tormenta de hielo, mientras que dos semanas podrían permitir organizar recursos y medidas preventivas. Ese margen no elimina la incertidumbre ni garantiza que un evento vaya a ocurrir, pero podría mejorar la preparación frente a riesgos con consecuencias graves.

Los resultados se describen en el artículo de Nature «Advancing Subseasonal Forecasting with Machine Learning». Entre sus autores figuran Hannah Guan, estudiante de Harvard College; Soukayna Mouatadid, de la Universidad de Toronto; Genevieve Flaspohler; Paulo Orenstein, del Instituto Nacional de Matemática Pura e Aplicada de Brasil; Jeremy Berman, de DTN; investigadores del ECMWF y de Microsoft, además de Cohen y Mackey. El trabajo recibió financiación parcial de la National Science Foundation de Estados Unidos, la Fundación Carlos Chagas Filho para el Apoyo a la Investigación y la Unión Europea.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados