Los ingenieros de la Universidad de Rice han creado un sistema informático de aprendizaje profundo que se enseñó a sí mismo a predecir con precisión los fenómenos meteorológicos extremos. como olas de calor, hasta cinco días de antelación utilizando información mínima sobre las condiciones meteorológicas actuales.

Irónicamente, La "red neuronal cápsula" de autoaprendizaje de Rice utiliza un método analógico de pronóstico del tiempo que las computadoras dejaron obsoletas en la década de 1950. Durante el entrenamiento, examina cientos de pares de mapas. Cada mapa muestra las temperaturas de la superficie y las presiones del aire a cinco kilómetros de altura, y cada par muestra esas condiciones con varios días de diferencia. La capacitación incluye escenarios que produjeron condiciones climáticas extremas:períodos prolongados de calor y frío que pueden provocar olas de calor mortales y tormentas invernales. Una vez entrenado, el sistema pudo examinar mapas que no había visto anteriormente y hacer pronósticos de cinco días de clima extremo con un 85% de precisión.

Con un mayor desarrollo, el sistema podría servir como un sistema de alerta temprana para los meteorólogos, y como herramienta para aprender más sobre las condiciones atmosféricas que conducen a condiciones climáticas extremas, dijo Pedram Hassanzadeh de Rice, coautor de un estudio sobre el sistema publicado en línea esta semana en el Journal of Advances in Modeling Earth Systems de la American Geophysical Union.

La precisión de los pronósticos meteorológicos diarios ha mejorado constantemente desde el advenimiento de la predicción numérica del tiempo (NWP) por computadora en la década de 1950. Pero incluso con modelos numéricos mejorados de la atmósfera y computadoras más potentes, NWP no puede predecir de manera confiable eventos extremos como las mortales olas de calor en Francia en 2003 y en Rusia en 2010.

"Puede ser que necesitemos supercomputadoras más rápidas para resolver las ecuaciones que gobiernan los modelos numéricos de predicción del tiempo a resoluciones más altas, "dijo Hassanzadeh, profesor asistente de ingeniería mecánica y de la Tierra, ciencias ambientales y planetarias en Rice. "Pero debido a que no comprendemos completamente la física y las condiciones precursoras de los patrones climáticos extremos, también es posible que las ecuaciones no sean del todo precisas, y no producirán mejores pronósticos, no importa cuánta potencia de cálculo pongamos ".

A finales de 2017, Hassanzadeh y los coautores del estudio y estudiantes de posgrado Ashesh Chattopadhyay y Ebrahim Nabizadeh decidieron adoptar un enfoque diferente.

"Cuando tienes estas olas de calor o heladas, si miras el mapa del tiempo, a menudo verá algún comportamiento extraño en la corriente en chorro, cosas anormales como grandes olas o un gran sistema de alta presión que no se mueve en absoluto, "Dijo Hassanzadeh." Parecía que se trataba de un problema de reconocimiento de patrones. Así que decidimos intentar reformular el pronóstico del tiempo extremo como un problema de reconocimiento de patrones en lugar de un problema numérico ".

El aprendizaje profundo es una forma de inteligencia artificial, en el que las computadoras están "entrenadas" para tomar decisiones similares a las humanas sin estar programadas explícitamente para ellas. El pilar del aprendizaje profundo, la red neuronal convolucional, sobresale en el reconocimiento de patrones y es la tecnología clave para los vehículos autónomos, reconocimiento facial, transcripción de voz y decenas de otros avances.

"Decidimos entrenar nuestro modelo mostrándole muchos patrones de presión en los cinco kilómetros sobre la Tierra, y contarlo, para cada uno, "Este no causó un clima extremo. Este causó una ola de calor en California. Este no causó nada. Este causó una ola de frío en el noreste, '", Dijo Hassanzadeh." Nada específico como Houston contra Dallas, pero más un sentido del área regional ".

En el momento, Hassanzadeh, Chattopadhyay y Nabizadeh apenas sabían que la predicción analógica había sido una vez un pilar de la predicción meteorológica e incluso tuvo un papel histórico en los desembarcos del Día D en la Segunda Guerra Mundial.

"Una de las formas en que se hizo la predicción antes de las computadoras es que observarían el patrón del sistema de presión en la actualidad, y luego vaya a un catálogo de patrones anteriores y compare e intente encontrar un análogo, un patrón muy similar, "Hassanzadeh dijo." Si eso provocó que lloviera sobre Francia después de tres días, el pronóstico sería de lluvia en Francia ".

Dijo que una de las ventajas de usar el aprendizaje profundo es que no es necesario decirle a la red neuronal qué buscar.

"No importó que no comprendamos completamente los precursores porque la red neuronal aprendió a encontrar esas conexiones por sí misma, ", Dijo Hassanzadeh." Aprendió qué patrones eran críticos para el clima extremo, y los utilizó para encontrar el mejor análogo ".

Para demostrar una prueba de concepto, el equipo utilizó datos de modelos tomados de simulaciones realistas por computadora. El equipo había informado de los primeros resultados con una red neuronal convolucional cuando Chattopadhyay, el autor principal del nuevo estudio, oído hablar de las redes neuronales de la cápsula, una nueva forma de aprendizaje profundo que debutó con fanfarria a fines de 2017, en parte porque fue una creación de Geoffrey Hinton, el padre fundador del aprendizaje profundo basado en redes neuronales convolucionales.

A diferencia de las redes neuronales convolucionales, Las redes neuronales de cápsula pueden reconocer relaciones espaciales relativas, que son importantes en la evolución de los patrones climáticos.

"Las posiciones relativas de los patrones de presión, los altibajos que ves en los mapas meteorológicos, son el factor clave para determinar cómo evoluciona el clima, "Dijo Hassanzadeh.

Otra ventaja significativa de las redes neuronales de cápsulas es que no requieren tantos datos de entrenamiento como las redes neuronales convolucionales. Solo hay unos 40 años de datos meteorológicos de alta calidad de la era de los satélites, y el equipo de Hassanzadeh está trabajando para entrenar su red neuronal cápsula en datos de observación y comparar sus pronósticos con los de los modelos de PNT de última generación.

"Nuestro objetivo inmediato es ampliar el plazo de entrega previsto a más de 10 días, donde los modelos de PNT tienen debilidades, " él dijo.

Aunque se necesita mucho más trabajo antes de que el sistema de Rice pueda incorporarse a la previsión operativa, Hassanzadeh espera que eventualmente mejore los pronósticos de olas de calor y otras condiciones climáticas extremas.

"No estamos sugiriendo que al final del día esto vaya a reemplazar a NWP, ", dijo." Pero esta podría ser una guía útil para NWP. Computacionalmente, esta podría ser una forma muy barata de proporcionar orientación, una alerta temprana, que le permite concentrar los recursos de NWP específicamente donde es probable que haya condiciones climáticas extremas ".

Hassanzadeh dijo que su equipo también está interesado en descubrir qué patrones usa la red neuronal de la cápsula para hacer sus predicciones.

"Queremos aprovechar las ideas de la IA explicable (inteligencia artificial) para interpretar lo que está haciendo la red neuronal, ", dijo." Esto podría ayudarnos a identificar los precursores de los patrones climáticos que causan extremos y mejorar nuestra comprensión de su física ".