Judá Cohen, director de pronóstico estacional en AER (Investigación Atmosférica y Ambiental) y científico visitante en el Departamento de Ingeniería Civil y Ambiental del MIT, y Ernest Fraenkel, profesor de ingeniería biológica en el MIT, han ganado el primer lugar en tres de las cuatro categorías de pronóstico de temperatura en la competencia Rodeo de pronóstico del clima subestacional, organizado por la Administración Nacional Oceánica y Atmosférica y patrocinado por la Oficina de Reclamación de EE. UU.

Los investigadores del MIT, a quienes se les unió el Ph.D. de la Universidad de Stanford. los estudiantes Jessica Hwang y Paulo Orenstein y el investigador de Microsoft Lester Mackey, superó el modelo operativo de pronóstico a largo plazo utilizado por el gobierno de EE. UU.

Para ser elegible para la competencia, los equipos debían presentar sus predicciones climáticas cada dos semanas entre el 17 de abril, 2017 y 18 de abril de 2018. El objetivo era crear un modelo en el que el oeste de los Estados Unidos pudiera confiar con semanas de anticipación para ayudar a administrar los recursos hídricos y prepararse para incendios forestales y sequías.

La competencia requería que los modelos lograran una habilidad media más alta sobre todos los pronósticos competitivos, y dos puntos de referencia presentados por el gobierno de los EE. UU., que son versiones imparciales del Sistema de Pronóstico del Clima de EE. UU. basado en la física. Los modelos también tenían que lograr una persistencia amortiguada (lo que indica que los datos que está aportando aumentan el efecto correlativo a lo largo del tiempo).

"Los modelos actuales de predicción del tiempo solo pueden realizar previsiones entre siete y diez días antes de la previsión. Mediante el uso de técnicas de aprendizaje automático como la que creamos para este concurso, [el nuevo modelo] puede ayudar a las empresas de energía y las ciudades a prepararse para tormentas severas con mucha más anticipación, "dice Cohen.

El dinámico equipo de expertos combinó el reconocimiento de patrones climáticos históricos y el aprendizaje automático para producir predicciones en tiempo real de anomalías de temperatura y precipitación con dos a seis semanas de anticipación para el oeste de Estados Unidos.

"Aprovechamos la disponibilidad actual de amplios registros meteorológicos y técnicas informáticas de alto rendimiento para combinar modelos basados ​​en la física o dinámicos y enfoques de aprendizaje automático estadístico con el fin de extender el hábil horizonte de pronóstico de días a semanas, "dice Cohen.

La combinación de técnicas de aprendizaje automático y reconocimiento de patrones climáticos históricos es muy poderosa porque puede ayudar al gobierno a maximizar los recursos hídricos y prepararse para desastres naturales o condiciones climáticas extremas.

"Ciertamente hay planes para continuar este proyecto, ya que hemos estado hablando de extender el modelo a todo EE. UU. Demostramos con este concurso que existe potencial con este modelo para superar el proceso de pronóstico. Puede ayudar a proporcionar más precisión a costos más bajos en los pronósticos subestacionales, "explica Cohen.

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.