MIT desarrolla una técnica de IA para mejorar pronósticos meteorológicos de hasta seis semanas

Investigadores vinculados al MIT desarrollaron una técnica de aprendizaje automático que corrige errores de modelos meteorológicos y busca mejorar pronósticos probabilísticos de dos a seis semanas. En una evaluación, el método duplicó la habilidad subestacional de un sistema de inteligencia artificial; un modelo que lo combinó con otro sistema quedó primero en una competencia del ECMWF.
***

• La Corrección de Sesgo Probabilístico (PBC) aprende de errores históricos y ajusta pronósticos subestacionales.
• Según los resultados difundidos, la PBC duplicó la habilidad de un sistema de IA de referencia; el modelo ganador de una competencia combinó la técnica con otro sistema.
• Los investigadores reportaron mejoras en la predicción de eventos extremos, con posibles usos para energía, agricultura y emergencias.

Una técnica de aprendizaje automático desarrollada por un equipo que incluye investigadores del MIT apunta a mejorar los pronósticos meteorológicos probabilísticos de dos a seis semanas, un horizonte en el que las predicciones suelen perder fiabilidad. El método no reemplaza los modelos existentes: aprende de sus errores y ajusta sus resultados. En las evaluaciones descritas por el equipo, la técnica mejoró el desempeño de distintos sistemas; en una competencia del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), el modelo que quedó primero combinó la técnica con otro sistema.

El avance importa porque disponer de más tiempo puede cambiar la preparación ante una tormenta, una helada o una sequía. Los investigadores sostienen que la técnica permite superar promedios climatológicos en pronósticos subestacionales, que cubren desde dos hasta seis semanas. Según MIT News, el equipo también observó mejoras estadísticamente significativas al predecir eventos extremos, una capacidad que puede tener consecuencias para la planificación agrícola, la gestión energética y la respuesta ante emergencias.

Un horizonte difícil para las predicciones meteorológicas

Los pronósticos meteorológicos suelen volverse menos confiables a medida que se alejan del presente. La dificultad se relaciona con la sensibilidad de la atmósfera a sus condiciones iniciales: pequeñas diferencias pueden amplificarse y producir resultados distintos, una idea asociada con la teoría del caos que desarrolló el profesor del MIT Edward Lorenz en la década de 1970. Lorenz planteó un límite teórico de unas dos semanas para la previsibilidad, aunque el equipo sostiene que todavía existe información aprovechable más allá de ese punto.

Judah Cohen, científico investigador del MIT y coautor del estudio, describió el periodo de dos a seis semanas como un «desierto de predictibilidad». En el corto plazo, los modelos pueden aprovechar las condiciones iniciales de la atmósfera, mientras que en horizontes más largos influyen fuerzas lentas y variables, como los fenómenos oceánicos de gran escala. El rango intermedio no cuenta fácilmente con ninguna de esas ventajas, por lo que los pronosticadores han tenido dificultades para producir resultados mejores que una referencia climatológica.

La investigación no sostiene que la atmósfera deje de ser caótica ni que ahora sea posible conocer con certeza el tiempo de varias semanas. Su argumento es que los sistemas atmosféricos tienden a repetir ciertos patrones y que esa recurrencia puede aportar señales útiles para anticipar lo que sucederá después. Cohen explicó que los patrones pueden desencadenar una secuencia de efectos, como fichas de dominó, y que algunos de esos pasos podrían ser previsibles aun cuando el detalle diario siga siendo incierto.

Para los plazos breves, los pronósticos suelen proceder de modelos dinámicos que simulan numéricamente la evolución de la atmósfera y los océanos, o de sistemas de inteligencia artificial que aprenden a partir de registros meteorológicos. Según Cohen, los modelos de IA han logrado avances en predicciones de corto alcance, pero su desempeño cae en plazos mayores y puede quedar por debajo de los modelos dinámicos. La nueva propuesta busca aprovechar esos sistemas existentes y corregir sus debilidades, en vez de sustituirlos por una herramienta independiente.

Una capa de IA que aprende de los errores

El equipo desarrolló una técnica llamada Corrección de Sesgo Probabilístico, conocida por sus siglas en inglés como PBC. En lugar de aplicar un ajuste fijo, la herramienta analiza errores anteriores de un sistema de pronóstico y aprende a corregirlos usando datos históricos. Como los pronósticos subestacionales suelen expresar probabilidades para distintos escenarios, el método ajusta esas distribuciones y puede adaptarse a medida que se acumulan nuevos pronósticos y datos disponibles.

Cohen atribuyó a Lester Mackey, colaborador de larga trayectoria en el proyecto, la idea inicial de usar aprendizaje automático para reducir los errores de los modelos meteorológicos. El equipo construyó una capa de posprocesamiento que se coloca encima de un sistema ya existente, en lugar de rehacer desde cero su motor de predicción. La diferencia frente a correcciones más simples está en que la herramienta aprende de los errores específicos del modelo y modifica sus resultados de manera probabilística.

Para desarrollar el sistema, los investigadores utilizaron MIT Engaging, un clúster de supercomputación alojado por la Oficina de Computación y Datos de Investigación del instituto. Sin embargo, el modelo resultante no requiere una supercomputadora para funcionar, y el equipo lo presenta como una herramienta de bajo costo y código abierto. Esa característica podría facilitar que oficinas meteorológicas y otros grupos lo prueben incluso si no cuentan con grandes recursos de cómputo.

El artículo de investigación, titulado «Advancing Subseasonal Forecasting with Machine Learning», describe la técnica y sus resultados. Una versión del trabajo está disponible en arXiv. Junto con Cohen, figuran como autores Hannah Guan, estudiante de pregrado de Harvard College; Soukayna Mouatadid, investigadora posdoctoral de la Universidad de Toronto; Genevieve Flaspohler; Paulo Orenstein, profesor asociado del Instituto Nacional de Matemáticas Puras y Aplicadas de Brasil; Jeremy Berman, de la empresa de datos DTN; Jakob Schloer y Joshua Talib, del ECMWF; y Alex Lu, Haiyu Dong, Jonathan Weyn, Zekun Ni y Lester Mackey, de Microsoft.

Resultados frente a modelos de referencia

Los resultados divulgados distinguen entre el rendimiento de la técnica en distintos sistemas y el del modelo ganador de una competencia del ECMWF. Según Microsoft Research, la PBC duplicó la modesta habilidad subestacional del AI Forecasting System (AIFS) y también mejoró la habilidad del modelo dinámico operativo del ECMWF, previamente corregido por sesgo. Eso no significa que la técnica, por sí sola, duplicara el desempeño de todos los modelos o que ese fuera el resultado directo de la competencia.

En la competencia del ECMWF, el sistema llamado MicroDuet combinó la PBC con PoET, un modelo híbrido, y quedó primero en todas las variables y plazos, según Infobae. Por separado, los investigadores informaron que la técnica superó los promedios climatológicos, que reúnen las condiciones observadas a largo plazo y suelen servir como referencia para evaluar pronósticos de varias semanas. La comparación importa porque una predicción que no aventaja a la referencia histórica aporta poca información práctica para quienes deben tomar decisiones con semanas de anticipación.

En los resultados difundidos sobre la investigación, la herramienta mejoró el rendimiento del modelo meteorológico del ECMWF en el 98% de los objetivos de precipitación y el 92% de los objetivos de temperatura. El estudio también reportó mejoras para la mayoría de las regiones terrestres del mundo y aplicó la corrección a otros modelos, con resultados positivos incluso en sistemas menos sofisticados. El equipo afirmó que la técnica puede mejorar modelos que ya habían recibido correcciones de sesgo mediante otros algoritmos de inteligencia artificial.

La predicción de eventos extremos fue uno de los resultados que el equipo destacó, porque estos episodios se ubican en los extremos de las probabilidades y son difíciles de anticipar. Cohen contrastó ese desempeño con una corrección de errores tradicional desarrollada por el ECMWF, que, según explicó, empeoró las predicciones de fenómenos extremos al acercar los resultados a la media. La PBC mostró una mejora estadísticamente significativa en esa tarea, aunque el estudio no implica que vaya a acertar cada tormenta ni que elimine la incertidumbre.

Posibles aplicaciones para energía y agricultura

La necesidad de ampliar el tiempo de preparación queda ilustrada por la crisis energética que sufrió Texas en febrero de 2021, después de tres fuertes tormentas invernales. Al menos 246 personas murieron como resultado de las interrupciones, que provocaron escasez de alimentos, agua, calefacción y electricidad. Los investigadores plantean que un pronóstico más temprano podría haber dado a los responsables del sector energético margen para tomar medidas, como trasladar más camiones de gas natural a las zonas afectadas, aunque no afirman que eso hubiera evitado por completo el desastre.

Los pronósticos semanales también podrían ayudar a empresas de energía a anticipar cambios en la demanda y a preparar sus operaciones antes de fenómenos meteorológicos adversos. Cohen recogió la preocupación de funcionarios del sector: una advertencia con solo dos días de anticipación puede dejar poco tiempo para organizar una respuesta, mientras que dos semanas podrían permitir preparativos más adecuados. La herramienta no reemplaza los planes de emergencia ni las decisiones operativas, pero busca aportar una señal adicional para que esas decisiones no dependan únicamente de avisos de último momento.

En la agricultura, el horizonte subestacional podría servir para planificar cuándo fertilizar en función de la lluvia, proteger cultivos frente a heladas durante las cosechas de invierno y prepararse ante periodos de sequía. Cohen dijo que la oficina meteorológica de la República de Kenia ya se había puesto en contacto con el equipo para explorar la implementación del modelo en la predicción de la temporada anual de monzones. El propósito sería mejorar la planificación agrícola y contribuir a los rendimientos durante el invierno, aunque la fuente no detalla un calendario de despliegue ni resultados de una implementación en campo.

El trabajo recibió apoyo parcial de la Fundación Nacional de Ciencias de Estados Unidos, la Fundación Carlos Chagas Filho para el Apoyo a la Investigación y la Unión Europea. El equipo espera que otros grupos utilicen la herramienta abierta, pero su impacto dependerá de su desempeño en distintos territorios, temporadas y condiciones atmosféricas. La investigación añade una vía para reducir la brecha de previsibilidad entre el pronóstico inmediato y las tendencias de largo plazo, sin presentar la IA como una solución definitiva a la incertidumbre del clima.

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