Investigadores de Google Deep Mind desarrollaron un modelo de aprendizaje automático que genera previsiones meteorológicas probabilísticas más confiables, basadas en las condiciones actuales y futuras del clima.
Este modelo, llamado GenCast, supera las previsiones tradicionales de medio alcance y también mejora la predicción de fenómenos meteorológicos extremos, como la trayectoria de ciclones tropicales y la producción de energía eólica.
Contar con previsiones meteorológicas precisas es fundamental para que individuos, gobiernos y empresas puedan tomar decisiones clave, desde si llevar un paraguas hasta planificar la producción de energía eólica o gestionar condiciones climáticas extremas para evitar desastres.
Las previsiones meteorológicas convencionales se basan en métodos numéricos de predicción del clima, que estiman el tiempo actual y lo proyectan hacia el futuro (conocido como previsiones deterministas). Este proceso genera varios escenarios potenciales, los cuales se combinan para dar una previsión del clima.
GenCast predice la probabilidad de las condiciones futuras del clima, basándose en los estados actuales y pasados de la atmósfera.
Los investigadores entrenaron a GenCast con 40 años (de 1979 a 2018) de datos sobre las mejores estimaciones de eventos meteorológicos. Gracias a este entrenamiento, el modelo puede generar previsiones globales a 15 días, en intervalos de 12 horas, para más de 80 variables atmosféricas y de superficie, en tan solo 8 minutos.
Al compararlo con las previsiones del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ENS), considerado el sistema de previsión a medio plazo más preciso del mundo, los investigadores encontraron que GenCast superaba al ENS en un 97.2% de los 1,320 objetivos evaluados.
Además, GenCast es más eficaz en la predicción de eventos climáticos extremos, trayectorias de ciclones tropicales y la producción de energía eólica.
Los investigadores aseguran que GenCast tiene el potencial de generar previsiones meteorológicas más eficientes y efectivas para apoyar una mejor planificación.
El meteorólogo Ernesto Rodríguez-Camino, miembro de la Asociación Meteorológica Española, destacó que grandes compañías tecnológicas como Google están mejorando la calidad de las predicciones meteorológicas mediante modelos de aprendizaje automático, los cuales ya han superado al modelo IFS del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF), que es el estándar de calidad en predicción a medio plazo.
Hasta ahora, los sistemas de predicción basados en aprendizaje automático se habían enfocado en predicciones deterministas, pero este artículo presenta un avance, ya que desarrolla predicciones probabilísticas a partir de un conjunto de predicciones ligeramente diferentes, mejorando así el sistema de predicción por conjuntos del ECMWF y mostrando gran precisión en eventos meteorológicos extremos.
Sin embargo, el meteorólogo apunta que modelos como GenCast todavía dependen del reanálisis obtenido por métodos tradicionales basados en leyes físicas, lo que significa que siguen necesitando del modelo IFS para establecer las condiciones iniciales y entrenar los algoritmos.
Desde el punto de vista computacional, ‘GenCast es muy eficiente, por lo que en un futuro cercano podrían surgir sistemas híbridos de asimilación y predicción’, comenta el meteorólogo.
A su juicio, estos sistemas aprovecharían lo mejor de ambos enfoques: modelos basados en ecuaciones físicas para verificar, entrenar y mejorar el sistema, y modelos basados en datos para optimizar los cálculos y aumentar los recursos destinados a la predicción por conjuntos.
