Unos investigadores mejoran los pronósticos meteorológicos de dos a seis semanas, predicciones subestacionales, con IA

En 2021, Texas sufrió el peor colapso de su infraestructura energética en la historia del estado, tras tres fuertes borrascas invernales en febrero. Al menos 246 personas perdieron la vida como consecuencia de las interrupciones, que provocaron escasez de alimentos, agua, calefacción y electricidad.

Si los responsables del sector energético hubieran tenido más tiempo para prepararse para las borrascas y sus impactos, por ejemplo, enviando más camiones cisterna de gas natural a las zonas afectadas, los daños podrían haberse mitigado. Desafortunadamente, los pronósticos meteorológicos con más de dos semanas de antelación son notoriamente poco fiables, lo que reduce el margen de maniobra para las empresas energéticas, los agricultores y los servicios de emergencia de todo el mundo.

Nueva técnica de predicción subestacional

Una nueva técnica desarrollada por un equipo que incluye investigadores del Massachusetts Institute of Technology, MIT, mejora significativamente la predicción meteorológica a más de dos semanas vista. Los investigadores crearon un modelo de aprendizaje automático que aprende a corregir errores en los modelos de predicción existentes para mejorar su rendimiento en un periodo de entre dos y seis semanas. Al aplicarlo a un modelo de predicción de referencia, duplicó la precisión de las predicciones en ese mismo periodo, obteniendo el primer puesto en una importante competición internacional de predicción meteorológica.

“Esto no solo mejora las predicciones promedio en el tiempo para este rango, lo cual ya es muy útil para los agricultores y los miembros de la industria energética que intentan equilibrar la oferta y la demanda, sino que también mejora las predicciones de fenómenos meteorológicos extremos, ya sean inundaciones, olas de frío u otros”, afirma Judah Cohen, coautor e investigador del MIT. “Es fundamental predecir ambos, pero los fenómenos extremos podrían ser la parte más impactante de esto para la sociedad”.

Pronósticos a más largo plazo

En la década de 1970, Edward Lorenz, profesor del MIT durante muchos años, ideó la teoría del caos para describir cómo pequeños cambios en las condiciones meteorológicas iniciales conducen a resultados completamente diferentes.

“Él propuso este límite teórico de dos semanas, más allá del cual simplemente no podemos predecir el tiempo porque el ruido en el sistema aumenta tanto que satura cualquier señal inicial”, dice Cohen. “Eso tuvo una gran influencia en el campo y puede haber frenado a la gente a explorar pronósticos más allá del rango de dos semanas. Nunca lo creí del todo. En teoría, la atmósfera puede crear un número infinito de patrones, pero tiende a repetirse una y otra vez en estos patrones favoritos. Una vez que sucede algo, creo que se puede predecir el efecto dominó que se producirá después, y el que vendrá después”.

Actualmente, los mejores pronósticos meteorológicos provienen de modelos dinámicos, que simulan numéricamente la evolución de la atmósfera y los océanos a lo largo del tiempo, o de modelos de inteligencia artificial, que aprenden a realizar predicciones a partir de datos meteorológicos históricos. Los modelos de IA han demostrado mejoras en la predicción meteorológica a corto plazo, pero son incluso peores que los modelos dinámicos a largo plazo.

Cohen, que trabaja en el Departamento de Ingeniería Civil y Ambiental del MIT, se centra en la predicción meteorológica con una antelación de dos a seis semanas, lo que se conoce como predicción subestacional. «Ese intervalo se denomina "desierto de predictibilidad", porque a corto plazo se pueden aprovechar las condiciones iniciales del sistema climático y la atmósfera, y a largo plazo existen fuerzas límite lentas y variables, como el super El Niño en el que todo el mundo se centra este invierno», explica Cohen. «La predicción subestacional no puede aprovechar ninguna de estas dos. En la mayoría de los casos, predecir el tiempo en los intervalos subestacionales es como ir a un casino y tirar los dados».

Cohen atribuye a su coautor Lester Mackey, con quien lleva colaborando más de una década, la idea inicial de utilizar el aprendizaje automático para reducir los errores en los modelos de predicción.

“Creamos este envoltorio —Lester lo llama posprocesamiento—”, dice Cohen. “Sabemos que los modelos de IA tienen muchos errores, así que pensamos que tal vez podríamos cuantificarlos y eliminarlos”.

Mientras que otros sistemas de pronóstico realizan correcciones de errores más simples, la capa de posprocesamiento del equipo de investigación utiliza IA para aprender de los errores del sistema de pronóstico basándose en datos históricos y ajusta sus pronósticos. En ese intervalo de tiempo, los pronosticadores utilizan los llamados pronósticos probabilísticos, donde se considera la probabilidad de un rango de posibilidades.

“A medida que disponemos de más pronósticos y datos, nuestro modelo mejora su corrección de forma adaptativa”, afirma Cohen.

Para construir el modelo, los investigadores utilizaron MIT Engaging, un clúster de supercomputación alojado por la Oficina de Computación e Investigación de Datos del MIT, pero el modelo resultante no requiere una supercomputadora para funcionar.

Para poner a prueba su modelo, el año pasado el equipo de investigación presentó tres modelos que incluían su capa de posprocesamiento al Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF), considerado el mejor centro de predicción del mundo. Cada temporada, el ECMWF organiza competiciones de predicción entre modelos.

“Hasta ahora, nadie había podido demostrar que un modelo predijera el tiempo mejor que los promedios a largo plazo para estos pronósticos subestacionales”, afirma Cohen. “Prácticamente todos han sido peores; literalmente, se podría lanzar una moneda al aire y obtener un mejor resultado. La gente se ha preguntado si vale la pena invertir en modelos para este período. Nosotros, en cambio, superamos sistemáticamente los promedios climatológicos con nuestros modelos”.

El modelo también mostró una mejora estadísticamente significativa en la capacidad de predecir fenómenos meteorológicos extremos.

“Ese es uno de los hallazgos más importantes, porque es muy difícil de lograr”, dice Cohen. “Cuando el ECMWF desarrolló su propio sistema de corrección de errores, sin inteligencia artificial, para su modelo, este empeoró en la predicción de fenómenos meteorológicos extremos. Creo que esto se debe a que la corrección de errores o sesgos tradicional siempre intenta alcanzar la media, mientras que los fenómenos meteorológicos extremos se encuentran en el l��mite de las probabilidades”.

Preparación para desastres

En el artículo publicado en Nature, el equipo demostró que su técnica podía utilizarse para mejorar las predicciones terrestres en la mayoría de las regiones del mundo. También aplicaron su técnica de corrección de sesgos a otros modelos y demostraron que también los mejoraba, logrando que incluso los modelos menos avanzados alcanzaran el nivel de las predicciones del ECMWF.

«Lo bueno de nuestro modelo es que es un complemento», explica Cohen. «Lo usamos con el modelo dinámico del ECMWF porque se consideraba el mejor, pero se puede usar con cualquier modelo. Incluso mejora los modelos que ya han sido corregidos mediante otro algoritmo de IA. Por lo tanto, muestra una mejora significativa. Además, es de código abierto y de bajo costo».

Cohen afirma que la oficina meteorológica de la República de Kenia ya se ha puesto en contacto con ellos para implementar el modelo y así mejorar la predicción de la temporada anual de monzones y, de esta forma, aumentar las cosechas este invierno. Espera que otros grupos también utilicen el modelo.

“Esto podría ayudarle a decidir cuándo fertilizar en torno a las lluvias, cuándo se avecina una helada para proteger los cultivos durante las cosechas de invierno o cómo evitar las sequías”, afirma Cohen. “También podría ser útil para la gestión energética y de emergencias. He hablado con funcionarios del sector energético que me dicen: ‘Si me avisan con dos días de antelación de que se avecina una tormenta de hielo, no tengo tiempo suficiente, pero si tuviera dos semanas, podría bastar para hacer los preparativos adecuados’”.

Fuente: Massachusetts Institute of Technology, MIT