Predecir el tiempo siempre ha sido un anhelo de los humanos. Y en menor o mayor medida, se ha conseguido. Hoy es fácil acceder desde cualquier dispositivo a la previsión climática de las próximas horas, de manera sencilla y gratuita. Además, la creciente preocupación por el medio ambiente y la necesidad de planificar actividades al aire libre han hecho que se disparen las visitas a estos sitios web, que cada vez acumulan más seguidores.
La web de la Agencia Estatal de Meteorología (AEMET) supera el millón de seguidores en redes sociales y alcanzó su pico de visitas durante la célebre borrasca Filomena. El 8 de enero 2021 registró la friolera -nunca mejor dicho- de 33.427.524 páginas visitadas.
Este modelo, sin embargo, podría tener los días contados. Al menos en exclusiva, puesto que la inteligencia artificial ha aterrizado con fuerza en este sector para revolucionar la forma de predecir los accidentes metereologicos. De igual forma que hoy se puede calcular el coste económico de un ciberataque antes de que se produzca, la IA puede anticiparnos el tiempo de los próximos días con escaso margen de error y empleando menos recursos energéticos.
Un estudio publicado por la revista Science revela cómo un modelo meteorológico de IA de Google DeepMind llamado GraphCast ha superado significativamente a los métodos convencionales de previsión meteorológica en la predicción de las condiciones meteorológicas mundiales con hasta 10 días de antelación. El logro sugiere que las previsiones meteorológicas futuras pueden llegar a ser mucho más precisas, informan The Washington Post y Financial Times.
En el estudio, GraphCast demostró un rendimiento superior al del principal sistema convencional del mundo, operado por el Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF). En una evaluación exhaustiva, GraphCast superó al sistema del ECMWF en el 90% de 1.380 parámetros, entre ellos temperatura, presión, velocidad y dirección del viento y humedad en diversos niveles atmosféricos.
Pero no solo gana en precisión, sino en velocidad. "Predice cientos de variables meteorológicas, a lo largo de 10 días con una resolución global de 0,25°, en menos de un minuto", escriben los autores del estudio en el artículo "Learning skillful medium-range global weather forecasting". GraphCast utiliza lo que los investigadores denominan una arquitectura de aprendizaje automático de "red neuronal gráfica", entrenada con más de cuatro décadas de datos meteorológicos históricos del ECMWF. Procesa los estados atmosféricos globales actuales y de hace seis horas, generando una previsión para 10 días en aproximadamente un minuto en un ordenador en la nube Google TPU v4.
El método de aprendizaje automático de Google contrasta con los métodos numéricos convencionales de predicción meteorológica que dependen de superordenadores para procesar ecuaciones basadas en la física atmosférica, lo que consume mucho más tiempo y energía. Así, se estima que es unas 1.000 veces más barato en términos de consumo de energía que los métodos tradicionales. Un ejemplo del éxito de sus previsiones fue la predicción de la llegada del huracán Lee a Nueva Escocia con nueve días de antelación, tres días antes que los métodos tradicionales.
Limitaciones del modelo
Aún así, Graphcast dista mucho de tener un funcionamiento perfecto. Un miembro de la Agencia Estatal de Meteorología (AEMET) señala que los cálculos matemáticos son una de sus principales debilidades. No en vano, la IA depende en su totalidad de las condiciones climáticas observadas y datos recopilados previamente por el ECMWF.
De esta forma, impide que proyecte una predicción del clima con el mismo nivel de detalle y granularidad propia de los métodos tradicionales. Además, tampoco cuenta con la intuición y el contacto humano ofrecido por los meteorólogos. Este contacto es necesario porque estas personas pueden contextualizar la información contenida en los patrones climáticos.
Por otro lado, la IA presenta dificultades al momento de consolidar sus períodos de pronóstico. Sobre este punto, existe una mayor incertidumbre a medida que aumenta el rango temporal de análisis. De esta forma, no es posible el seguimiento de fenómenos meteorológicos repentinos o sin precedentes. De allí que oscilaciones rápidas y prolongadas producidas por el cambio climático sean medidas por debajo de sus expectativas reales. Por ejemplo, no se obtuvo una estimación acertada de la fuerza destructiva del huracán Otis; como resultado, los sistemas de alerta pasaron por alto sus implicaciones, que se tradujeron en 350 muertos y pérdidas de 16.000 millones de dólares.