La llegada de la Inteligencia Artificial no solo está cambiando el juego; está estableciendo un nuevo campo de juego. La IA cambia constantemente, se perfecciona y, cada vez, aplica a más campos: vehículos autónomos, redes de comunicación, empresas, medicina… y, por supuesto, a la previsión del tiempo.
Autor: Enric Agud
Nota: Artículo elaborado con el asesoramiento y ayuda de Raül Marcos, profesor de Meteorología de la Universidad de Barcelona y colaborador del Barcelona Supercomputing Centre, Ana Prieto, del Centro Europeo de Predicción ECMWF, y Adrià Fenoy, IA Engineer de la empresa Meteosim. Nuestro agradecimiento a todos ellos.
La meteorología siempre ha avanzado con los avances tecnológicos. Ocurrió con la aparición del radar en la Segunda GuerraMundial. En aquel momento los operadores de radar notaban ruido en ecos de retorno debido a fenómenos meteorológicos (lluvias, nieve, granizo, piedra, aguanieve). Al terminar el conflicto, el radar se utilizó como herramienta para detectar precipitaciones. Y volvió a sucedercon la carrera espacial, el desarrollo de las telecomunicaciones con la puesta en marcha de satélites meteorológicos polares y geoestacionarios… incluso con el avance de la informática, que permitió el desarrollo de modelos matemáticos y la mejora de sistemas remotos y dispositivos como detección de rayos.
Y como no podía ser de otra manera, la 4ª Revolución Industrial-Digital ha entrado de lleno en el campo de la meteorología. El nivel de potencia computacional y los avances en inteligencia artificial están transformando este campo y lo van a hacer más y más en un futuro cercano. La forma en que conocemos el mundo de la predicción meteorológica, la previsión estacional, el estudio del clima, la calidad del aire van a cambiar mucho y en poco tiempo.
¿Qué es el aprendizaje automático o Machine Learning (ML)?
El Machine Learning (ML) es una rama de la inteligencia artificial que trata de desarrollar técnicas que permitan a los ordenadores aprender por ellos mismos (técnicas de aprendizaje automático).
En el caso de la meteorología, los modelos de IA se han entrenado utilizando millones de datos de los últimos 40 años del modeloeuropeo ECMWF para aprender. Han analizado grandes cantidades de datos climáticos históricos. A medida que el modelo se alimenta de más información, el sistema aprende patrones y relaciones complejas entre diferentes variables meteorológicas. Esto le permite realizar predicciones.
Redes neuronales
Una red neuronal es un método de la inteligencia artificial que enseña a las computadoras a procesar datos de una manera determina, inspirada en la forma en que lo hace el cerebro humano. Se trata de un tipo de proceso de machine learning, llamado aprendizaje profundo, que utiliza los nodos o las neuronas interconectados en una estructura de capas que similar a la del cerebro humano.
El aprendizaje automático profundo (deep learning) se realiza a través de redes neuronales, algoritmos. Son versátiles, muy potentes y flexibles. El diseño básico es, en cierta medida, imitación del cerebro humano: un conjunto de datos de entrada atraviesan distintas capas de neuronas artificiales conectadas entre sí, para computar operaciones y, finalmente, generan una salida de datos.
¿Qué diferencia la IA de la modelización clásica?
El objetivo principal de la IA es aprender modificándose automáticamente a si misma, de forma que puede llegar a realizar tareas complejas y no lineales, que no podrían ser realizadas mediante la programación clásica y sólo podrían ser realizadas, en principio,por personas.
Una gran diferencia a destacar: la tecnología de inteligencia artificial permite hacer pronósticos mucho más rápido, llegando incluso a producirlos en menos de un minuto, mientras que los sistemas tradicionales necesitan horas de cálculo. Además, los modelos en IA, una vez han aprendido, necesitan menos capacidad de computación (y en consecuencia, menos consumo eléctrico).
La modelización meteorológica numérica, la clásica, utiliza fórmulas matemáticas para reproducir los procesos físicos de la atmósfera y esto requiere una alto coste de computación, tiempo y energía.
La IA precisa de un modelo entrenado y a partir de aquí una gran cantidad de datos de tiempo actual, de reanalisis o imágenes de radar para hacer la previsión del tiempo sin utilizar las fórmulas físico-matemáticas de los modelos clásicos.
Previsión exprés en situaciones de alerta y emergencia
La IA procesa grandes volúmenes de datos a una velocidad superior a los métodos tradicionales. Solamente con esto, ya podemos decir que los modelos de IA podrían ser la mejor opción en situaciones en las que se necesitan respuestas rápidas, situaciones de emergencia o alertas (fugas químicas, incendios forestales, inundaciones, tormentas fuertes), o en situaciones en las que se necesitan diversas respuestas (por ejemplo, en escenarios de planificación o en la evaluación de incertidumbre meteorológica).
Modelos en IA:
El AIFS del Sistema de Predicción del Centro Europeo ECMWF
Empresas privadas y centros de predicción están desarrollando sus modelos de previsión en Inteligencia Artificial (FourCastNet ML de Nvidia, Fuxi ML de Fudan University, GraphCast ML de Google DeepMind, Pangu-Weather ML de Huawei, AIFS del ECMWFentre otros).
No es tema de este artículo valorar el rendimiento de estos modelos. La implementación del Learning Machine se está acelerando y en pocos meses, toda valoración sobre errores, comparación de resultados entre los modelos en IA o con los modelos tradicionales quedará obsoleta.
Actualmente, el modelo de referencia de la comunidad de meteorología en IA, en fase experimental, es el modelo AIFS del ECMWF. Éste utiliza tecnologías de aprendizaje automático solo en una parte del proceso de pronóstico. Se trata de un modelo híbrido que combina la simulación numérica clásica y la IA.
Este modelo se puede visualizar en este enlace https://charts.ecmwf.int/ en el apartado de Experimental AIFS y también la salida de otros modelos de IA en el apartado. Experimental: Machine Learning Models.
¿El Futuro?
Por ahora, y siendo prudentes, mirando al futuro, parece muy atrevido pensar que algunos días los modelos de IA acabarán sustituyendo totalmente los modelos tradicionales. Hasta el momento no hay un acuerdo claro sobre si dichos modelos podrán llegar a sustituir a los modelos convencionales de predicción meteorológica en un futuro próximo. A corto y medio plazo, en general, la IA viene para complementar los modelos tradicionales y así mejorar las previsiones de estos modelos.
Si en el futuro se consigue que las herramientas en aprendizaje automático superen o igualen en todas las facetas a clásicas, tendremos una revolución total y el sistema de previsión será rápido, más preciso y la fiabilidad podría alargarse a más de 5 o 6 días.
Limitaciones de la IA
La precisión de los modelos de IA depende de la calidad y cantidad de datos de variables disponibles, de la potencia informática durante su entrenamiento y del diseño de su arquitectura. La escasez de datos históricos de una región puede limitar la capacidad de la IA para aprender y hacer predicciones precisas. Los datos son el principal motor de los modelos de IA.
Otra limitación, los modelos en IA actúan como “cajas negras”, los procesos internos son complicados de interpretar y dificultan la compresión de por qué un modelo hace una cierta previsión.
De momento, a los modelos en IA les cuesta entender los eventos extremos porque son extremadamente raros y casi no se han entrenado, y pueden aprender mal, es decir, que no entienden bien su dinámica. Tienden a suavizar los datos extremos.
Sigue leyendo para conocer en detalle todos los artículos de meteorología de l’Enric Agud:
