Modelar con precisión los eventos de precipitación extrema sigue siendo un gran desafío para los modelos climáticos. Estos modelos predicen cómo puede cambiar el clima de la Tierra a lo largo de décadas e incluso siglos. Para mejorarlos, especialmente con respecto a los eventos extremos, los investigadores ahora usan métodos de aprendizaje automático que de otro modo se aplicarían a la generación de imágenes.

Las computadoras ya usan inteligencia artificial para mejorar la resolución de imágenes borrosas, para crear imágenes que imitan el estilo de pintores particulares a partir de fotografías o para representar retratos realistas de personas que en realidad no existen. El método subyacente se basa en lo que se conoce como GAN (Generative Adversarial Networks).

Un equipo dirigido por Niklas Boers, profesor de Modelado del Sistema Terrestre en la Universidad Técnica de Munich (TUM) e investigador del Instituto de Investigación del Impacto Climático de Potsdam (PIK) ahora está aplicando estos algoritmos de aprendizaje automático a la investigación climática. El grupo de investigación publicó recientemente sus hallazgos en Nature Machine Intelligence .

No se pueden tener en cuenta todos los procesos

"Los modelos climáticos difieren de los modelos utilizados para hacer pronósticos meteorológicos, especialmente en términos de su horizonte temporal más amplio. El horizonte de pronóstico para las predicciones meteorológicas es de varios días, mientras que los modelos climáticos realizan simulaciones durante décadas o incluso siglos", explica Philipp Hess, autor principal del asociado de estudio e investigación en la Cátedra TUM para el Modelado del Sistema Terrestre.

El tiempo se puede predecir con bastante exactitud durante unos pocos días; la predicción se puede verificar posteriormente en base a observaciones reales. Sin embargo, cuando se trata del clima, el objetivo no es una predicción basada en el tiempo, sino, entre otras cosas, proyecciones de cómo el aumento de las emisiones de gases de efecto invernadero afectará el clima de la Tierra a largo plazo.

Sin embargo, los modelos climáticos aún no pueden tener perfectamente en cuenta todos los procesos climáticos relevantes. Esto se debe, por un lado, a que algunos procesos aún no se han entendido lo suficiente y, por otro lado, a que las simulaciones detalladas llevarían demasiado tiempo y requerirían demasiada potencia informática. "Como resultado, los modelos climáticos aún no pueden representar los eventos de precipitación extrema de la manera que nos gustaría. Por lo tanto, comenzamos a usar GAN para optimizar estos modelos con respecto a su producción de precipitación", dice Niklas Boers.

Optimización de modelos climáticos con datos meteorológicos

En términos generales, una GAN consta de dos redes neuronales. Una red intenta crear un ejemplo a partir de un producto previamente definido, mientras que la otra intenta distinguir este ejemplo generado artificialmente de los ejemplos reales. Las dos redes compiten entre sí, mejorando continuamente en el proceso.

Una aplicación práctica de las GAN sería "traducir" pinturas de paisajes en fotografías realistas. Las dos redes neuronales toman imágenes fotorrealistas generadas a partir de la pintura y las envían de un lado a otro hasta que las imágenes creadas ya no se pueden distinguir de las fotografías reales.

El equipo de Niklas Boers adoptó un enfoque similar:los investigadores utilizaron un modelo climático comparablemente simple para demostrar el potencial del uso del aprendizaje automático para mejorar dichos modelos. Los algoritmos del equipo utilizan datos meteorológicos observados. Usando estos datos, el equipo entrenó al GAN ​​para cambiar las simulaciones del modelo climático para que ya no pudieran distinguirse de las observaciones meteorológicas reales.

"De esta forma, se puede aumentar el grado de detalle y realismo sin necesidad de complicados cálculos de procesos adicionales", dice Markus Drücke, modelador climático de PIK y coautor del estudio.

Las GAN pueden reducir el consumo de electricidad en la modelización climática

Incluso los modelos climáticos relativamente simples son complejos y se procesan mediante superordenadores que consumen grandes cantidades de energía. Cuantos más detalles tiene en cuenta el modelo, más complicados se vuelven los cálculos y mayor es la cantidad de electricidad utilizada. Sin embargo, los cálculos necesarios para aplicar un GAN entrenado a una simulación climática son insignificantes en comparación con la cantidad de cálculos necesarios para el propio modelo climático.

"Usar GAN para hacer que los modelos climáticos sean más detallados y realistas es práctico no solo para mejorar y acelerar las simulaciones, sino también en términos de ahorro de electricidad", dice Philipp Hess. + Explora más

Un nuevo estudio ayudará a mejorar la precisión de los modelos de cambio climático y la predicción meteorológica