Cómo la IA puede hacer que el pronóstico del tiempo sea menos nublado – PanaTimes


No reemplazará las técnicas tradicionales, pero ya está aumentando la velocidad y precisión de las predicciones.

Amy McGovern es una de esas pocas personas que se mudó a Oklahoma por el clima.

Lo que no quiere decir que ella personalmente disfrute de los tornados que azotan regularmente el estado o la rutina de golpear con granizo del tamaño de una pelota de golf. “Estoy en el techo número tres en 15 años”, se ríe.

Pero ese clima severo es su razón para venir: una científica informática que anteriormente trabajó en robótica, fue reclutada por la escuela de meteorología de la Universidad de Oklahoma. Y el otoño pasado, con $ 20 millones de la National Science Foundation, lanzó uno de los institutos más importantes del país que aplica inteligencia artificial al clima y al clima. A medida que las nuevas técnicas de aprendizaje automático se vuelven omnipresentes y producen aplicaciones sorprendentes, como reconocer rostros o imitar la escritura humana, su centro es parte de un nuevo impulso para ver si pueden leer las nubes.

El instituto del Dr. McGovern, que también incluye otras seis universidades y una variedad de socios privados, es parte de ese esfuerzo. Además de desarrollar métodos de inteligencia artificial para mejorar la predicción del clima extremo y la oceanografía costera, están trabajando para garantizar que las herramientas que desarrollan sean consideradas confiables por los pronosticadores humanos que finalmente las utilizarán. “Estamos probando todo el ciclo”, dice. “De hecho, salvaremos vidas y salvaremos propiedades”.

La IA ya está haciendo que los métodos de predicción existentes sean más eficientes y contribuyendo a aumentos en la velocidad y precisión de la predicción, y se muestra prometedora para rastrear las rutas de condiciones climáticas adversas como tornados y granizo con mayor precisión. La tecnología no reemplazará la previsión meteorológica tradicional, sino que aumentará y fortalecerá los métodos existentes.

Impulsando la eficiencia

Existe una gran oportunidad para pronosticar con mayor precisión y prepararse mejor para el clima severo. Según la Administración Nacional Oceánica y Atmosférica, en 2020 hubo un récord de 22 desastres meteorológicos y climáticos que cada uno causó más de $ 1 mil millones en daños. Los modeladores estiman que la reciente congelación en Texas destruyó la infraestructura y interrumpió las cadenas de suministro por valor de $ 90 mil millones. Y a pesar de todas las mejoras en la previsión a lo largo de los años, todavía hay muchas cosas que no sabemos. Según el Dr. McGovern, el gobierno es bastante completo al dar advertencias avanzadas de tornados, anticipando el 80% de ellos, pero propenso a falsos positivos, con el 80% de las advertencias resultando ser erróneas.

Desde el comienzo de la predicción meteorológica moderna en la década de 1950, los meteorólogos se han basado principalmente en la “predicción meteorológica numérica”: modelos matemáticos que simulan el mundo y la atmósfera de acuerdo con la física del agua, el viento, la tierra y la luz solar, y las infinitas formas en que interactuar. En la búsqueda de una representación cada vez más detallada, los modelos actuales incorporan alrededor de 100 millones de datos cada día, un nivel de complejidad comparable a las simulaciones del cerebro humano o el nacimiento del universo.

Durante décadas, esto ha producido mejoras constantes en la precisión del pronóstico. Pero en los últimos años, la proliferación de satélites de observación de la Tierra, así como los nuevos sensores, como los monitores de presión de aire en miles de millones de teléfonos móviles, han superado la capacidad de los científicos para integrarlos en modelos meteorológicos. E incluso procesar una fracción de estos datos ha exigido aumentos exponenciales en la potencia de cálculo para hacer predicciones oportunas.

Las últimas técnicas de inteligencia artificial funcionan de una manera fundamentalmente diferente a las técnicas más antiguas al entrenar redes neuronales en este diluvio de datos en lugar de en las leyes de la física. En lugar de utilizar el cálculo de fuerza bruta para pronosticar el tiempo en función de las condiciones actuales, estas redes revisan los datos meteorológicos del pasado y desarrollan su propia comprensión de cómo evolucionan las condiciones. Las técnicas rudimentarias de IA se han aplicado al tiempo y el clima durante décadas – la Administración Nacional Oceánica y Atmosférica patrocinó su primera conferencia sobre IA en 1986 – pero los avances recientes en el aprendizaje profundo y un mayor acceso a computadoras capaces de ejecutarlas han permitido a rápido repunte de la investigación.

Las técnicas de inteligencia artificial no se están utilizando para generar pronósticos por sí mismas, al menos no todavía. Esto se debe en parte a que los métodos tradicionales son bastante buenos: dos semanas antes de la tormenta invernal que azotó a Texas a mediados de febrero, la oficina de Fort Worth del Servicio Meteorológico Nacional comenzó a advertir que se acercaba un clima inusualmente frío, y una semana después muchos modelos estimaban su intensidad en unos pocos grados. Ted Ryan, un meteorólogo allí, dice que a veces ejecutan pronósticos a través de un sofisticado algoritmo de aprendizaje automático para ver si ofrece resultados sustancialmente diferentes de los suyos, pero no los integran de manera rutinaria en sus operaciones de pronóstico y mensajería. “Es algo entre una curiosidad y una novedad”.

Otro desafío para la IA es que es mejor para predecir patrones que son comunes entre los datos en los que se ha entrenado, pero el clima es más importante cuando está fuera de lo común, como la tormenta de Texas, que empató con la temperatura más fría desde 1899.

Sin embargo, el hecho de que la IA no haya reemplazado los métodos tradicionales de pronóstico no significa que no los alterará rápidamente. La predicción meteorológica actual ya es tan intensa en términos de potencia de cálculo que solo puede ejecutarse en las supercomputadoras más rápidas del mundo, y los científicos tratan continuamente de superar los límites. Las técnicas de aprendizaje automático pueden reducir el uso de energía al emular partes de los modelos meteorológicos globales, pero con cálculos más simples y menos energía, y con pocos cambios en la precisión.

Sid Boukabara, científico principal del Centro de Aplicaciones e Investigación de Satélites de la Administración Nacional Oceánica y Atmosférica, cree que esos avances serán significativos. “Para ciertos componentes, podría ser de 10 veces más eficiente a 1,000 veces más eficiente”. Pero es demasiado pronto para saber cuánto mejorará esto la precisión de la predicción meteorológica numérica en su conjunto.

Por ejemplo, el Centro Europeo de Previsiones Meteorológicas a Medio Plazo simula actualmente el mundo como una cuadrícula de cuadrados que tienen 9 kilómetros de lado (aproximadamente 5 millas) y se apilan 137 capas en la atmósfera. El subdirector Peter Bauer dice que cada paso en detalle requiere un aumento exponencial de la electricidad: la supercomputadora más nueva del centro en Bolonia, Italia, consumirá tanta energía como 6.000 hogares. Él y sus colegas se están acercando rápidamente a los límites de lo que pueden pagar o justificar, dice.

Este año, confiando en los métodos de inteligencia artificial para aumentar la eficiencia, el centro comenzará a desarrollar un nuevo modelo global con una resolución de 1 kilómetro que enfocará mejor las tormentas y los remolinos oceánicos, dice el Dr. Bauer. “Las máquinas más grandes y rápidas nos brindan una potencia de cálculo cada vez mayor, pero necesitamos cambiar radicalmente el código que ejecutamos en ellas para poder usarlas de manera efectiva”.

Mas cerca de casa

Los investigadores ven promesas para la IA en aplicaciones más limitadas, por ejemplo, en el uso del aprendizaje automático para crear pronósticos hiperlocales que son más relevantes para las personas que los reciben. Incluso los mejores modelos globales de clima se simulan con una resolución espacial de varios kilómetros, por lo que pueden predecir con precisión la lluvia en su condado, pero no predicen tan bien la lluvia en su cuadra. Los investigadores dicen que el aprendizaje profundo puede permitirnos reducir la escala de esa geografía más burda a pronósticos más detallados, de manera similar a cómo se ha utilizado para enfocar fotografías de baja resolución. En este caso, lo hace complementando los pronósticos meteorológicos de los métodos convencionales con detalles como la topografía para interpolar cómo se realizarán patrones meteorológicos más amplios en ubicaciones específicas.

El aprendizaje automático también puede resultar crucial para una “predicción inmediata” precisa: pronósticos a corto plazo calculados a una velocidad rápida que no es factible con los métodos tradicionales. La primavera pasada, un par de científicos de Google Research demostraron que, sin ninguna ley física codificada explícitamente en ellos, las redes neuronales profundas podrían predecir la lluvia en las próximas ocho horas mejor que otros modelos de última generación. Nal Kalchbrenner, uno de los investigadores, dice que estaban trabajando activamente para aumentar la calidad y el rango de tiempo de los pronósticos. “Esta idea allana el camino para que la IA realice incrustaciones amplias y sustanciales en el campo de la ciencia meteorológica y climática”.

Incluso adelantar un pronóstico meteorológico preciso en una o dos horas podría tener grandes implicaciones para las empresas, que están expuestas a riesgos diferentes a los de un hogar típico. “Si le digo que está a punto de granizar, puede poner su coche en el garaje”, dice el Dr. McGovern. “Si usted es un fabricante de automóviles o un concesionario de automóviles, y tiene 1,000 automóviles en el lote, no puede mover 1,000 automóviles en ese período de tiempo”. El año pasado, coescribió un estudio que mostró que el aprendizaje automático mejoró los pronósticos de granizo a corto plazo y superó cantidades limitadas de datos meteorológicos globales al aislar y analizar miles de informes de tormentas de granizo individuales. Ahora está trabajando con NOAA en el desarrollo de técnicas en un producto operativo.

Los gobiernos y las grandes empresas han notado el potencial de la IA. En octubre pasado, la NOAA y Google de Alphabet Inc. anunciaron una asociación para explorar cómo el aprendizaje automático podría ayudar a la agencia a utilizar los datos ambientales y satelitales de manera más efectiva. Este enero, el Centro Nacional Federal de Investigación Atmosférica invirtió $ 35 millones en una nueva supercomputadora con una arquitectura más adecuada para las últimas técnicas de inteligencia artificial. Y tanto la NOAA como su homólogo, el Centro Europeo, han publicado recientemente estrategias para incorporar la inteligencia artificial en su trabajo.

Pero, desconfiados de la exageración que envuelve todo lo relacionado con la IA, algunos investigadores destacados se muestran cautelosos ante las promesas excesivas. Stephan Rasp no es ningún detractor; Coescribió uno de los primeros estudios que muestran que la IA podría emular de manera eficiente ciertos aspectos de la predicción, y la “inteligencia artificial” está incluso en el nombre de la startup donde ahora trabaja como científico de datos senior, Climate.ai. Pero, como él lo ve, gran parte de la investigación en curso aún se encuentra en la etapa de prueba de concepto, habiendo aplicado con éxito la inteligencia artificial a conjuntos de datos simplificados, pero con pocos ejemplos todavía de mejoras reales en los pronósticos meteorológicos y climáticos.

Él cree que el campo puede tardar una década en determinar dónde puede ser útil la IA y dónde no. “Si tienes un martillo, todo parece un clavo. Y siento que eso es lo que estamos haciendo en este momento”.

.



Source link