Investigadores de la empresa Google Deep Mind han desarrollado un modelo de aprendizaje automático capaz de elaborar previsiones meteorológicas probabilísticas fiables, basándose en el tiempo actual y futuro.
El modelo, denominado ‘GenCast’, realiza pronósticos mejores que las previsiones meteorológicas tradicionales de medio alcance y también es capaz de predecir mejor las condiciones meteorológicas extremas, la trayectoria de los ciclones tropicales y la producción de energía eólica.
Los detalles del modelo se han dado a conocer este miércoles en un artículo publicado en la revista Nature.
Previsiones meteorológicas
Disponer de previsiones meteorológicas precisas es esencial para que las personas, los gobiernos y las organizaciones tomen decisiones esenciales en su día a día, desde llevar un paraguas hasta evaluar la producción de energía eólica o planificar condiciones meteorológicas extremas para evitar desastres.
Las previsiones meteorológicas tradicionales se basan en métodos numéricos de predicción del tiempo, que estiman el tiempo actual y lo mapean en una previsión del tiempo futuro a lo largo del tiempo (lo que se conoce como previsiones deterministas) pero esto genera numerosos escenarios potenciales, que se combinan para producir una previsión meteorológica.
Ahora, un equipo de científicos de Google ha desarrollado un método de predicción meteorológica de aprendizaje automático denominado GenCast que es capaz de generar una previsión probabilística, que predice la probabilidad del tiempo futuro basándose en los estados meteorológicos actuales y anteriores.
Los autores entrenaron GenCast a partir de 40 años (de 1979 a 2018) de datos de análisis de las mejores estimaciones de incidencias meteorológicas.
Gracias a ese entrenamiento, el modelo es capaz de generar previsiones globales a 15 días, en pasos de 12 horas, para más de 80 variables atmosféricas y de superficie, en 8 minutos.
Al compararlo con el conjunto de previsiones del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ENS) -actualmente la previsión a medio plazo de mayor rendimiento a escala mundial-, descubrieron que GenCast superaba al ENS en el 97,2% de los 1.320 objetivos utilizados.
Condiciones extremas
GenCast también es más eficaz en la predicción de condiciones meteorológicas extremas, trayectorias de ciclones tropicales y producción de energía eólica.
Los autores sostienen que GenCast puede generar previsiones meteorológicas más eficientes y eficaces para apoyar una planificación efectiva.
En declaraciones al SMC España, el meteorólogo Superior del Estado y miembro de la Asociación Meteorológica Española, Ernesto Rodríguez-Camino, explica que en los últimos años grandes tecnológicas, como Google, están avanzando en la calidad de las predicciones meteorológicas con modelos basados exclusivamente en aprendizaje automático.
Estos modelos han llegado a superar al modelo IFS del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), que es la referencia de calidad en predicción a medio plazo.
Hasta ahora los sistemas de predicción basados en aprendizaje automático se habían centrado en predicciones deterministas, pero «en este artículo se informa de un paso más al desarrollar también predicciones probabilísticas basadas en un conjunto (ensemble) de predicciones a partir de datos iniciales ligeramente diferentes, que también es capaz de mejorar el sistema de predicción por conjuntos del ECMWF, a la vez que muestra una gran pericia en eventos meteorológicos extremos».
Sin embargo, apunta el meteorólogo, los sistemas como el GenCast utilizan el reanálisis obtenido por métodos tradicionales basados en leyes físicas, por lo que todavía dependen del modelo IFS tanto para establecer las condiciones iniciales como para entrenar a los algoritmos.
No obstante, desde el punto de vista computacional, «GenCast es muy eficiente, por lo que se podría prever para el futuro no muy lejano un tipo de sistemas de asimilación y predicción híbridos», avanza el meteorólogo.
En su opinión, «estos sistemas se beneficiarían de las ventajas de ambos enfoques con modelos basados en ecuaciones físicas para verificar, entrenar y mejorar el sistema y modelos basados en datos para optimizar el cálculo de las predicciones e incrementar los recursos de la predicción por conjuntos».