El modelo de IA rompe la barrera de los catorce días en las predicciones meteorológicas

Romper el desierto de la predictibilidad

Los pronosticadores del tiempo han enfrentado durante mucho tiempo una frustrante laguna. Las predicciones a corto plazo de unos pocos días son confiables, y las perspectivas climáticas a largo plazo pueden rastrear patrones lentos como El Niño. Pero el período entre dos y seis semanas se conoce como el "desierto de la predictibilidad" — las predicciones allí han sido apenas mejores que adivinar ¹. Un equipo de investigadores ha desarrollado ahora una técnica de aprendizaje automático que mejora significativamente las predicciones en ese espacio, duplicando la precisión en comparación con los métodos existentes.

El enfoque se publicó en Nature y quedó en primer lugar en una importante competición internacional de predicción el año pasado ¹. Cuando los investigadores aplicaron su método a un modelo de predicción de referencia, las mejoras fueron tan dramáticas que superaron los promedios climáticos, básicamente superando simplemente confiar en las normas históricas para esa época del año.

Aprender de los errores

La idea se basa en trabajos anteriores sobre teoría del caos del profesor del MIT Edward Lorenz, quien en la década de 1970 mostró que pequeños cambios en las condiciones iniciales del clima pueden llevar a resultados muy diferentes, creando un límite teórico sobre cuán lejos se puede predecir el clima ¹. El profesor Judah Cohen, coautor del nuevo trabajo basado en el Departamento de Ingeniería Civil y Ambiental del MIT, se opuso a la idea de que no se podía hacer nada más allá de las dos semanas .

"En teoría la atmósfera puede crear una cantidad infinita de patrones, pero le gusta caer en estos patrones favoritos una y otra vez", dice Cohen. "Una vez que ocurre una cosa, creo que puedes predecir la ficha de dominó que caerá después, y la ficha de dominó que caerá después" ¹.

La solución del equipo fue construir una capa de IA sobre los modelos de predicción existentes. En lugar de intentar mejorar los propios modelos, se centraron en cuantificar y corregir los errores que esos modelos cometen. El sistema aprende de errores históricos de predicción y ajusta de forma adaptativa las nuevas predicciones a medida que más datos están disponibles ¹. Otros sistemas de predicción hacen correcciones de errores más simples, pero este enfoque utiliza IA entrenada en décadas de datos pasados para reconocer patrones sistemáticos en los errores.

Por qué importa ahora

Mejores predicciones de dos a seis semanas podrían ser salvadoras de vidas. En 2021, severas tormentas invernales golpearon Texas y causaron el peor fallo de infraestructura energética en la historia del estado, cobrándose al menos 246 vidas ¹. Si los oficiales hubieran sabido que esas tormentas se acercaban con semanas de antelación, habrían podido mover más camiones de gas natural a las áreas afectadas y potencialmente reducido el daño .

Las mejoras también se extienden a eventos extremos. "Es realmente importante predecir ambos [condiciones promedio y extremos], pero los eventos extremos podrían ser la parte más impactante de esto para la sociedad", dice Cohen ¹. Inundaciones, olas de frío y otros patrones meteorológicos severos podrían ser señalados con mayor antelación, dando a agricultores, empresas de energía y respondedores de emergencias más tiempo para prepararse.

El modelo se entrenó en MIT Engaging, un clúster de supercomputación, pero el sistema final no requiere un supercomputador para funcionar ¹. La investigación contó con científicos del MIT, Microsoft, el European Center for Medium-Range Weather Forecasts, DTN, Harvard y la Universidad de Toronto.

Contexto más amplio

La predicción numérica del tiempo ha dependido desde la década de 1950 de potentes supercomputadoras resolviendo complejas ecuaciones matemáticas, pero incluso los mejores modelos actuales solo predicen confiablemente unos seis días por delante ². Las técnicas de posprocesamiento han intentado limpiar errores antes, pero este nuevo método basado en IA representa un paso sustancial hacia adelante para el rango subseasonal — un punto dulce que se sitúa incómodamente entre la predicción meteorológica diaria y la predicción climática a largo plazo.

Los datos clave

El modelo de IA duplica la precisión de predicción para el rango de dos a seis semanas
Se entrenó en errores históricos de predicción y se adapta a medida que llegan más datos
Mejores predicciones subseasonales podrían haber advertido sobre las tormentas invernales de Texas en 2021 con semanas de antelación
El modelo también mejora las predicciones de eventos meteorológicos extremos como inundaciones y olas de frío
El equipo de investigación incluye científicos del MIT, Microsoft y el Centro Europeo de Predicciones Meteorológicas a Plazo Medio

Fuentes

Researchers improve weather forecasts looking two to six weeks out
Numerical weather prediction — en.wikipedia.org