La IA es relativamente buena para pronosticar el tiempo, pero ¿puede predecir fenómenos meteorológicos inesperados?

Los modelos de IA, cada vez más potentes, pueden realizar pronósticos meteorológicos a corto plazo con una precisión sorprendente. Pero las redes neuronales solo predicen basándose en patrones del pasado. ¿Qué ocurre cuando el tiempo experimenta un fenómeno sin precedentes en la historia?

Limitaciones de los modelos basados en IA

Un nuevo estudio dirigido por científicos de la Universidad de Chicago, en colaboración con la Universidad de Nueva York y la Universidad de California en Santa Cruz, está poniendo a prueba los límites de la predicción meteorológica basada en IA. En una investigación publicada el 21 de mayo en las Actas de la Academia Nacional de Ciencias, se descubrió que las redes neuronales no pueden pronosticar fenómenos meteorológicos que superen el alcance de los datos de entrenamiento existentes, lo que podría excluir fenómenos como inundaciones de 200 años, olas de calor sin precedentes o huracanes masivos.

Esta limitación es particularmente importante a medida que los investigadores incorporan redes neuronales en la predicción meteorológica operativa, los sistemas de alerta temprana y las evaluaciones de riesgos a largo plazo, afirmaron los autores. Sin embargo, también señalaron que existen maneras de abordar el problema integrando más matemáticas y física en las herramientas de IA.

"Los modelos meteorológicos de IA son uno de los mayores logros de la IA en la ciencia. Descubrimos que son extraordinarios, pero no mágicos", afirmó Pedram Hassanzadeh, profesor asociado de ciencias geofísicas en la Universidad de Chicago y autor correspondiente del estudio. "Solo llevamos unos años con estos modelos, así que hay mucho margen para la innovación".

Entrenamiento con datos del pasado: eventos de cines grises

Las IA de pronóstico del tiempo funcionan de manera similar a otras redes neuronales con las que muchas personas interactúan actualmente, como ChatGPT.

En esencia, el modelo se "entrena" introduciendo texto o imágenes en él y pidiéndole que busque patrones. Luego, cuando un usuario le plantea una pregunta, este revisa lo que ha visto previamente y lo usa para predecir una respuesta.

En el caso de los pronósticos meteorológicos, los científicos entrenan redes neuronales alimentándolas con décadas de datos meteorológicos. Luego, un usuario puede introducir datos sobre las condiciones meteorológicas actuales y pedirle al modelo que prediga el tiempo para los próximos días.

Los modelos de IA son muy eficaces en este aspecto. Generalmente, pueden lograr la misma precisión que un modelo meteorológico de alta gama basado en supercomputadoras, que consume entre 10.000 y 100.000 veces más tiempo y energía, afirmó Hassanzadeh.

Crédito: Universidad de Chicago

"Estos modelos son muy útiles para el tiempo diario", dijo. "¿Pero qué pasa si la semana que viene hay un fenómeno meteorológico inusual?"

La preocupación es que la red neuronal solo funciona con los datos meteorológicos actuales, que datan de hace unos 40 años. Pero ese no es el rango completo de posibles condiciones meteorológicas.

"Las inundaciones causadas por el huracán Harvey en 2017 se consideraban un fenómeno único cada 2.000 años, por ejemplo", dijo Hassanzadeh. "Pueden ocurrir".

Los científicos a veces se refieren a estos eventos como "cisnes grises". No llegan a ser un cisne negro —algo así como el asteroide que extinguió a los dinosaurios—, pero son devastadores a nivel local.

El equipo decidió probar los límites de los modelos de IA usando huracanes como ejemplo. Entrenaron una red neuronal con décadas de datos meteorológicos, pero eliminaron todos los huracanes de categoría superior a 2. Luego, le introdujeron una condición atmosférica que provoca un huracán de categoría 5 en pocos días. ¿Podría el modelo extrapolar para predecir la fuerza del huracán?.

La respuesta fue no.

"Siempre subestimó el evento. El modelo sabe que algo se avecina, pero siempre predice que solo será un huracán de categoría 2", dijo Yongqiang Sun, científico investigador de la Universidad de Chicago y otro autor correspondiente del estudio.

Este tipo de error, conocido como falso negativo, es un problema importante en los pronósticos meteorológicos. Si un pronóstico indica que una tormenta tropical será un huracán de categoría 5 y resulta ser de categoría 2, eso significa que se evacuará a personas que podrían no haber sido necesarias, lo cual no es ideal. Pero si un pronóstico subestima un huracán que resulta ser de categoría 5, las consecuencias serían mucho peores.

Advertencias de huracanes y por qué importa la física

La gran diferencia entre las redes neuronales y los modelos meteorológicos tradicionales radica en que los modelos tradicionales "comprenden" la física. Los científicos los diseñan para incorporar nuestra comprensión de las matemáticas y la física que rigen la dinámica atmosférica, las corrientes en chorro y otros fenómenos.

Las redes neuronales no hacen nada de eso. Al igual que ChatGPT, que es esencialmente una máquina de texto predictiva, simplemente observan los patrones meteorológicos y sugieren qué ocurrirá a continuación, basándose en lo sucedido en el pasado.

Actualmente, ningún servicio importante utiliza únicamente modelos de IA para la previsión. Sin embargo, a medida que su uso se expanda, será necesario tener en cuenta esta tendencia, afirmó Hassanzadeh.

Investigadores, desde meteorólogos hasta economistas, están empezando a utilizar la IA para evaluaciones de riesgos a largo plazo. Por ejemplo, podrían pedirle a una IA que genere numerosos ejemplos de patrones climáticos para poder prever los eventos más extremos que podrían ocurrir en cada región en el futuro. Sin embargo, si una IA no puede predecir nada más intenso que lo que ha observado previamente, su utilidad para esta tarea crucial sería limitada.

Sin embargo, descubrieron que el modelo podía predecir huracanes más fuertes si existía algún precedente, incluso en otras partes del mundo, en sus datos de entrenamiento. Por ejemplo, si los investigadores eliminaban toda la evidencia de huracanes del Atlántico, pero dejaban la de los del Pacífico, el modelo podía extrapolarse para predecir huracanes del Atlántico.

"Este fue un hallazgo sorprendente y alentador: significa que los modelos pueden pronosticar un evento que no se presentó en una región, pero ocurrió ocasionalmente en otra región", dijo Hassanzadeh.

Fusión de enfoques y aprendizaje activo

La solución, sugirieron los investigadores, es comenzar a incorporar herramientas matemáticas y los principios de la física atmosférica en modelos basados en IA.

"La esperanza es que si los modelos de IA realmente pueden aprender la dinámica atmosférica, podrán descubrir cómo pronosticar cisnes grises", dijo Hassanzadeh.

Cómo lograr esto es un área de investigación de gran interés. Un enfoque prometedor que el equipo está desarrollando se denomina aprendizaje activo, en el que la IA ayuda a guiar los modelos meteorológicos tradicionales basados en la física para crear más ejemplos de eventos extremos, que luego pueden utilizarse para mejorar el entrenamiento de la IA.

"Los conjuntos de datos simulados u observados más largos no van a funcionar. Necesitamos pensar en formas más inteligentes de generar datos", dijo Jonathan Weare, profesor del Instituto Courant de Ciencias Matemáticas de la Universidad de Nueva York y coautor del estudio.

En este caso, eso significa responder a la pregunta: "¿Dónde debo colocar mis datos de entrenamiento para lograr un mejor rendimiento en condiciones extremas?". Afortunadamente, creemos que los propios modelos meteorológicos de IA, combinados con las herramientas matemáticas adecuadas, pueden ayudar a responder esta pregunta.

Referencia

Y. Qiang Sun et al, Can AI weather models predict out-of-distribution gray swan tropical cyclones? Proceedings of the National Academy of Sciences (2025). DOI: 10.1073/pnas.2420914122