Los pronósticos meteorológicos de hoy provienen de algunas de las computadoras más potentes de la Tierra. Las enormes máquinas realizan millones de cálculos para resolver ecuaciones para predecir la temperatura, viento, lluvias y otros eventos climáticos. La necesidad combinada de un pronóstico de velocidad y precisión afecta incluso a las computadoras más modernas.

El futuro podría adoptar un enfoque radicalmente diferente. Una colaboración entre la Universidad de Washington y Microsoft Research muestra cómo la inteligencia artificial puede analizar patrones climáticos pasados ​​para predecir eventos futuros. mucho más eficiente y potencialmente algún día con más precisión que la tecnología actual.

El modelo meteorológico global recientemente desarrollado basa sus predicciones en los últimos 40 años de datos meteorológicos, en lugar de cálculos físicos detallados. Lo simple, I.A. basada en datos El modelo puede simular el clima de un año en todo el mundo mucho más rápido y casi tan bien como los modelos climáticos tradicionales. tomando pasos repetidos similares de un pronóstico al siguiente, según un artículo publicado este verano en el Journal of Advances in Modeling Earth Systems.

"El aprendizaje automático consiste esencialmente en hacer una versión glorificada del reconocimiento de patrones, "dijo el autor principal Jonathan Weyn, quien hizo la investigación como parte de su doctorado en ciencias atmosféricas en la Universidad de Washington. "Ve un patrón típico, reconoce cómo suele evolucionar y decide qué hacer basándose en los ejemplos que ha visto en los últimos 40 años de datos ".

Aunque el nuevo modelo es, como era de esperar, menos precisos que los principales modelos de previsión tradicionales de la actualidad, la I.A. actual el diseño utiliza alrededor de 7, 000 veces menos potencia de cálculo para crear pronósticos para el mismo número de puntos en el mundo. Menos trabajo computacional significa resultados más rápidos.

Esa aceleración permitiría a los centros de pronóstico ejecutar rápidamente muchos modelos con condiciones iniciales ligeramente diferentes, una técnica llamada "predicción por conjuntos" que permite que las predicciones meteorológicas cubran el rango de posibles resultados esperados para un evento meteorológico; por ejemplo, donde podría azotar un huracán.

"Hay mucha más eficiencia en este enfoque; eso es lo que es tan importante, "dijo el autor Dale Durran, profesor de ciencias atmosféricas de la Universidad de Washington. "La promesa es que podría permitirnos lidiar con problemas de previsibilidad al tener un modelo que sea lo suficientemente rápido para ejecutar conjuntos muy grandes".

El coautor Rich Caruana de Microsoft Research se había acercado inicialmente al grupo de la UW para proponer un proyecto que utilizara inteligencia artificial para realizar predicciones meteorológicas basadas en datos históricos sin depender de las leyes físicas. Weyn estaba tomando un curso de informática en la Universidad de Washington sobre aprendizaje automático y decidió abordar el proyecto.

"Después de entrenar sobre datos meteorológicos anteriores, el A.I. el algoritmo es capaz de establecer relaciones entre diferentes variables que las ecuaciones físicas simplemente no pueden hacer, Weyn dijo:"Podemos permitirnos el uso de muchas menos variables y, por lo tanto, crear un modelo que sea mucho más rápido".

Para fusionar A.I. técnicas con pronóstico del tiempo, el equipo mapeó seis caras de un cubo en el planeta Tierra, luego aplanó las seis caras del cubo, como en un modelo de papel arquitectónico. Los autores trataron las caras polares de manera diferente debido a su papel único en el clima como una forma de mejorar la precisión del pronóstico.

Luego, los autores probaron su modelo al predecir la altura global de la presión de 500 hectopascales, una variable estándar en la previsión meteorológica, cada 12 horas durante un año completo. Un artículo reciente, que incluyó a Weyn como coautor, introdujo WeatherBench como una prueba de referencia para pronósticos meteorológicos basados ​​en datos. En esa prueba de pronóstico, desarrollado para pronósticos de tres días, este nuevo modelo es uno de los mejores.

El modelo basado en datos necesitaría más detalles antes de que pudiera comenzar a competir con los pronósticos operativos existentes. los autores dicen, pero la idea parece prometedora como un enfoque alternativo para generar pronósticos meteorológicos, especialmente con una cantidad creciente de pronósticos y observaciones meteorológicas anteriores.