Las técnicas avanzadas de inteligencia artificial pueden predecir con mayor precisión el clima, según un estudio
Según un nuevo estudio, las técnicas de inteligencia artificial, incluido el aprendizaje automático y la asimilación de datos, pueden mejorar la precisión del pronóstico del tiempo.
Los científicos de datos del Data Science Institute y el Departamento de Ingeniería y Ciencias de la Tierra utilizaron datos atmosféricos locales y asimilación de datos (combinando datos de observación en tiempo real con modelos de aprendizaje automático) para mejorar la precisión de los pronósticos meteorológicos.
“Nuestro estudio muestra un camino potencial para que futuras investigaciones aumenten la precisión de la predicción mediante la selección, el procesamiento, la integración y el cálculo adecuados de diversas fuentes de datos. Los hallazgos indican que dicha integración selectiva puede mejorar sustancialmente la precisión de los pronósticos en el futuro”.
Wenqi Wang
Autor principal
Mejorar la precisión del pronóstico del tiempo
El estudio se presentó en el taller ‘Tackling Climate Change with Machine Learning’ en la NeurIPS 2023 Conference, y demuestra el potencial de integrar el aprendizaje automático con técnicas de asimilación de datos para mejorar el pronóstico meteorológico regional.
Aprovechando los datos de temperatura de la atmósfera inferior del área local (a unos 1.500 metros sobre el nivel del mar) y mejorando un modelo de pronóstico meteorológico global ampliamente utilizado conocido como U-STN para adaptar sus predicciones a las características climáticas del Reino Unido, los investigadores han logrado avances significativos en mejorar los estudios de las previsiones.
Según el autor principal Wenqi Wang, “Nuestro estudio muestra un camino potencial para que futuras investigaciones aumenten la precisión de la predicción mediante la selección, el procesamiento, la integración y el cálculo adecuados de diversas fuentes de datos. Los hallazgos indican que dicha integración selectiva puede mejorar sustancialmente la precisión de los pronósticos en el futuro”.
De los datos a la previsión: cerrar la brecha con el aprendizaje automático y la asimilación de datos
En términos de predicción del tiempo, la capacidad de integrar perfectamente datos de diversas fuentes ese esencial.
Actualmente, la integración de fuentes de datos variadas y ambiguamente relacionadas plantea un obstáculo importante para los métodos de pronóstico tradicionales. Sin embargo, al utilizar el aprendizaje automático, los científicos pueden integrar diferentes conjuntos de datos de manera efectiva para mejorar la precisión del modelo.
La predicción numérica de tiempo (NWP) es un método que los meteorólogos han utilizado y siguen utilizando ampliamente para pronosticar el tiempo simulando el comportamiento de la atmósfera mediante modelos matemáticos. Sin embargo, la creciente eficiencia del modelo de aprendizaje automático, marcada por una reducción sustancial de los recursos computacionales y el tiempo de procesamiento, ha mostrado un potencial de aplicación considerable.
Aprendizaje automático
Estos modelos de aprendizaje automático tienen en cuenta diversas variables atmosféricas como la temperatura, la presión, la humedad y el viento para predecir cómo evolucionará el tiempo. Los modelos han evolucionado a lo largo de los años, incorporando algoritmos avanzados, datos de alta resolución y potencia computacional mejorada para mejorar la precisión y confiabilidad de los pronósticos.
La asimilación de datos es un componente crucial del proceso de pronóstico del tiempo. Incorpora en los modelos diversos datos atmosféricos procesados y datos de superficie en tiempo real procedentes de sitios de observación terrestres para producir pronósticos más precisos.
Según Wang, “entrenamos un modelo de aprendizaje automático para pronosticar el clima a corto plazo en la región del Reino Unido, utilizando los datos procesados. Imagínese esto como la creación de un mapa donde, en función de condiciones climáticas específicas (nuestros parámetros), habría podido determinar cómo será el clima. Inicialmente, nuestras predicciones tenían imprecisiones, similares a apuntar a un objetivo en el mapa, pero no alcanzar el punto preciso. La asimilación de datos interviene como una herramienta fundamental para corregir estas imprecisiones. Se trata de hacer que la suposición de la computadora se acerque lo más posible a la realidad.
Comparamos las diferencias entre las observaciones y las predicciones del modelo mediante el operador de asimilación de datos. Esta comparación me permitió evaluar qué tan bien los datos de observación podían corregir el modelo inicial, como usar una brújula para corregir el rumbo durante la navegación. Este paso me ayudó a determinar si los pronósticos del modelo estaban en el camino correcto o necesitaban algunos ajustes”.
Al combinar observaciones en tiempo real con predicciones de modelos existentes, la asimilación de datos ayuda a los meteorólogos a mejorar sus pronósticos y comprender mejor el estado cambiante de la atmósfera.
El futuro de la previsión
“Europa acaba de invertir 150 millones de euros en una iniciativa llamada Destination Earth que nos brindará una disponibilidad de datos sin precedentes para utilizarlos en modelos de aprendizaje de datos desarrollados en DSI y, más ampliamente, en la comunidad Data & AI 4 Climate”.
Dra. Rossella Arcucci
DSI Director of Research
A medida que los datos meteorológicos continúan evolucionando y expandiéndose, la capacidad de adaptarse a nueva información en tiempo real se vuelve cada vez más crucial.
El Data Learning Group y el nuevo Data & AI 4 Climate Lab de Imperial están a la vanguardia de este enfoque adaptativo, utilizando modelos de aprendizaje automático que pueden autooptimizarse y adaptarse continuamente a nuevas entradas de datos.
La Dra. Rossella Arcucci, líder del grupo de aprendizaje de datos, afirmó: “Europa acaba de invertir 150 millones de euros en una iniciativa llamada Destination Earth que nos brindará una disponibilidad de datos sin precedentes para utilizarlos en modelos de aprendizaje de datos desarrollados en DSI y, más ampliamente, en la comunidad Data & AI 4 Climate”.
En el futuro, los investigadores esperan optimizar los datos seleccionados, evolucionar la dimensionalidad del modelo y ampliar la cobertura geográfica.
Wang dijo: “Nuestra investigación se basa en un modelo 3D basado únicamente en una fuente de observación singular. El objetivo es realizar la transición a un modelo 4D. Esta mejora implica utilizar datos de puntos geográficos idénticos en diferentes niveles de presión atmosférica”.
Mientras miramos hacia un mundo donde la predicción del tiempo juega un papel cada vez más vital en nuestra vida diaria, el aprendizaje automático y la asimilación de datos serán cruciales en la ciencia atmosférica y climática.
Más información:
Data Assimilation using ERA5, ASOS, and the U-STN model for Weather Forecasting over the UK
Leído en: