Este fue otro año de clima en montaña rusa. Las cúpulas de calor abrasaron el suroeste de Estados Unidos.
California vivió un “segundo verano” en octubre, con varias ciudades batiendo récords de calor. El huracán Helene (y solo unas semanas después, el huracán Milton) azotaron la costa del Golfo, desatando lluvias torrenciales e inundaciones severas. Lo que sorprendió incluso a los meteorólogos más experimentados fue la rapidez con la que se intensificaron los huracanes, y uno de ellos se atragantó al decir: “Esto es simplemente horrible”.
Cuando nos preparamos para un clima extremo, cada segundo cuenta. Pero las medidas de planificación dependen de predicciones precisas. Aquí es donde entra en juego la IA.
Esta semana, Google DeepMind presentó una IA que predice el tiempo con 15 días de antelación en minutos, en lugar de las horas que suelen necesitar los modelos tradicionales. En una comparación directa con el modelo del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ENS), el mejor pronosticador meteorológico de “plazo medio” de la actualidad, la IA ganó más del 90 por ciento de las veces.
El algoritmo, denominado GenCast, es la última incursión de DeepMind en la predicción meteorológica. El año pasado, lanzaron una versión con una predicción sorprendentemente precisa para un pronóstico de 10 días. GenCast se diferencia en su arquitectura de aprendizaje automático. Fiel a su nombre, es un modelo de IA generativo , similar en líneas generales a los que impulsan ChatGPT, Gemini o generan imágenes y videos con un mensaje de texto.
Esta configuración le da a GenCast una ventaja sobre los modelos anteriores, que generalmente ofrecen una única predicción de la trayectoria meteorológica. GenCast, en cambio, genera 50 o más predicciones, cada una de las cuales representa una trayectoria meteorológica potencial y asigna su probabilidad.
En otras palabras, la IA “imagina” un multiverso de posibilidades climáticas futuras y elige la que tiene mayor probabilidad de ocurrir.
GenCast no solo se destacó en la predicción meteorológica diaria, sino que también superó a ENS en la predicción de condiciones meteorológicas extremas (calor, frío y vientos de alta velocidad). Al utilizar datos del tifón Hagibis (el ciclón tropical más letal que azotó Japón en décadas), GenCast visualizó posibles rutas siete días antes de que tocara tierra.
“A medida que el cambio climático genera fenómenos meteorológicos más extremos, los pronósticos precisos y confiables son más esenciales que nunca”, escribieron los autores del estudio Ilan Price y Matthew Wilson en una publicación del blog de DeepMind.
Aceptar la incertidumbre
Predecir el tiempo es notoriamente difícil. Esto se debe en gran medida a que el clima es un sistema caótico. Es posible que haya oído hablar del “efecto mariposa”, una mariposa que bate sus alas, provocando un pequeño cambio en la atmósfera y desencadenando tsunamis y otros desastres climáticos en un mundo aparte. Aunque es solo una metáfora, pone de relieve que cualquier pequeño cambio en las condiciones meteorológicas iniciales puede propagarse rápidamente a grandes regiones y cambiar los resultados meteorológicos.
Durante décadas, los científicos han intentado emular estos procesos mediante simulaciones físicas de la atmósfera terrestre. Mediante la recopilación de datos de estaciones meteorológicas de todo el mundo y de satélites, han escrito ecuaciones que representan las estimaciones actuales del clima y pronostican cómo cambiarán con el tiempo.
¿El problema? El aluvión de datos tarda horas, si no días, en procesarse en supercomputadoras , y consume una enorme cantidad de energía.
La IA puede ser de ayuda. En lugar de imitar la física de los cambios atmosféricos o los remolinos de nuestros océanos, estos sistemas absorben décadas de datos para encontrar patrones climáticos. GraphCast, lanzado en 2013, capturó más de un millón de puntos en la superficie de nuestro planeta para predecir el clima de 10 días en menos de un minuto. Otros que compiten por mejorar la previsión meteorológica son Pangu-Weather de Huawei y NowcastNet , ambos con sede en China. Este último mide la probabilidad de lluvia con gran precisión, uno de los aspectos más difíciles de la predicción meteorológica.
Pero el clima es delicado. GraphCast y otros modelos de IA de predicción meteorológica similares, en cambio, son deterministas. Solo pronostican una única trayectoria meteorológica. La comunidad meteorológica está adoptando cada vez más un “modelo de conjunto”, que predice una variedad de escenarios posibles.
“Estos pronósticos conjuntos son más útiles que depender de un único pronóstico, ya que ofrecen a los responsables de la toma de decisiones un panorama más completo de las posibles condiciones meteorológicas en los próximos días y semanas y de la probabilidad de cada escenario”, escribió el equipo.
Nublado con probabilidad de lluvia
GenCast aborda la incertidumbre meteorológica de frente. La IA se basa principalmente en un modelo de difusión, un tipo de IA generativa. En general, incorpora 12 métricas sobre la superficie y la atmósfera de la Tierra (como la temperatura, la velocidad del viento, la humedad y la presión atmosférica) que se utilizan tradicionalmente para medir el clima.
El equipo entrenó a la IA con 40 años de datos meteorológicos históricos de una base de datos disponible públicamente hasta 2018. En lugar de pedir una predicción, hicieron que GenCast generara una serie de pronósticos, cada uno de los cuales comenzaba con una condición meteorológica ligeramente diferente: una «mariposa» diferente, por así decirlo. Luego, los resultados se combinaron en un pronóstico conjunto, que también predijo la probabilidad de que cada patrón meteorológico ocurriera realmente.
Al probarla con datos meteorológicos de 2019, que GenCast nunca había visto, la IA superó al líder actual, ENS, especialmente en pronósticos a largo plazo de hasta 15 días. Al compararla con datos registrados, la IA superó a ENS el 97 por ciento de las veces en 1300 medidas de predicción meteorológica.
Las predicciones de GenCast también son increíblemente rápidas. En comparación con las horas que suelen necesitar las supercomputadoras para generar resultados, la IA generó predicciones en aproximadamente ocho minutos. Si se adopta, el sistema podría sumar tiempo valioso para los avisos de emergencia.
Todos para uno
Aunque GenCast no fue entrenado explícitamente para pronosticar patrones climáticos severos, pudo predecir la trayectoria del tifón Hagibis antes de tocar tierra en el centro de Japón. El tifón, una de las tormentas más letales en décadas, inundó los vecindarios hasta los tejados cuando el agua rompió los diques y dejó sin electricidad a la región.
La predicción del conjunto de GenCast fue como una película. Comenzó con un rango relativamente amplio de posibles trayectorias para el tifón Hagibis siete días antes de tocar tierra. Sin embargo, a medida que la tormenta se acercaba, la IA se volvió más precisa y redujo su trayectoria predictiva. Aunque no fue perfecta, GenCast dibujó una trayectoria general del devastador ciclón que coincidía estrechamente con los datos registrados.
Con una semana de anticipación, “GenCast puede aportar un valor sustancial en las decisiones sobre
cuándo y cómo prepararse para los ciclones tropicales”, escribieron los autores.
Las predicciones precisas y a largo plazo no solo ayudan a prepararse para los desafíos climáticos futuros, sino que también podrían ayudar a optimizar la planificación de las energías renovables. Tomemos como ejemplo la energía eólica. Predecir dónde, cuándo y con qué fuerza es probable que sople el viento podría aumentar la fiabilidad de la fuente de energía, lo que reduciría los costes y podría aumentar la adopción de la tecnología. En un análisis de prueba de concepto, GenCast fue más preciso que ENS a la hora de predecir la energía eólica total generada por más de 5.000 plantas de energía eólica en todo el mundo, lo que abre la posibilidad de construir parques eólicos basados en datos.
GenCast no es el único meteorólogo con inteligencia artificial. FourCastNet de Nvidia también utiliza inteligencia artificial generativa para predecir el tiempo con un menor coste energético que los métodos tradicionales. Google Research también ha diseñado una gran cantidad de algoritmos de predicción del tiempo, como NeuralGCM y SEEDS . Algunos de ellos se están integrando en la búsqueda y los mapas de Google, como los pronósticos de lluvia, incendios forestales, inundaciones y alertas de calor. Microsoft se unió a la carrera con ClimaX, una inteligencia artificial flexible que se puede adaptar para generar predicciones con horas o meses de antelación (con diferentes niveles de precisión).
Todo esto no quiere decir que la IA vaya a quitarles el trabajo a los meteorólogos. El equipo de DeepMind subraya que GenCast no sería posible sin el trabajo fundamental de los científicos del clima y los modelos basados en la física. Para devolverles lo que han hecho, están publicando aspectos de GenCast para que la comunidad meteorológica en general pueda obtener más información y comentarios.
Crédito de la imagen: NASA
SingularityHub. F. de S. Traducido al español
Contacto