Pronostico-clima-GraphCast

Google DeepMind y su IA meteorológica: los aciertos de GraphCast

La inteligencia artificial transforma constantemente cada uno de los aspectos de la vida y la meteorología no es la excepción. GraphCast se ha posicionado como una IA capaz de proporcionar una predicción del clima más rápida. Además, es más precisa que los métodos tradicionales.

Sin embargo, te preguntarás cuáles son los atributos implementados por esta tecnología para evaluar las condiciones del tiempo en cualquier lugar del mundo. Queremos responderte esta y otras cuestiones relacionadas, así que te presentamos una guía con sus principales características, limitaciones y oportunidades.

GraphCast: 3 aspectos clave de su funcionamiento

GraphCast consiste en una matriz de aprendizaje automático desarrollada por Google DeepMind para el pronóstico del clima. Así, esta herramienta puede proyectar modelos climáticos en menos de 1 minuto. Es decir, predice si habrá sol, viento o lluvia con una antelación de hasta 10 días. Aquello supera ampliamente los resultados del Pronóstico de Alta Resolución (HRES). Este es el sistema de simulación empleado por el Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF).

Dentro de las innovaciones que han garantizado su alta tasa de éxito, se encuentran factores como:

Datos de esta IA

Los pronósticos del clima habituales se basan en la predicción numérica del tiempo. Para esto, se utilizan ecuaciones físicas que se convierten en algoritmos procesados por supercomputadoras. 

En su lugar, la IA de Google DeepMind usa el machine learning para analizar datos históricos provenientes de imágenes satelitales, estaciones meteorológicas y radares. De este modo, construye un registro especializado que define causas/efectos que influyen en los cambios del estado del tiempo.

Variables del tiempo

El esquema digital denominado Graph Neural Networks enlaza

  • 5 variables de la superficie terrestre (temperatura, la velocidad y dirección del viento y presión media al nivel del mar).
  • 6 variables atmosféricas (humedad específica, la velocidad y dirección del viento, y temperatura). Estos abarcan las particularidades de 37 niveles de altitud.

En consecuencia, esta IA registra un mejor rendimiento frente al HRES. Su predicción del clima se impone en el 90% y 99,7% cuando estudia regiones terrestres o atmosféricas respectivamente.

Acceso a la IA

La IA de Google DeepMind posee un código abierto que permite a los investigadores climáticos desarrollar optimizaciones. De hecho, el ECMWF realiza experimentos para aplicar sus modelos climáticos en contextos específicos a nivel mundial.

DeepMind-Prediccion-clima
Fuente: Envato

De la misma forma, Google DeepMind y Google Research usan esta IA en programas de pronósticos regionales. Algunos de los avances incluyen a Nowcasting (predicciones de 90 minutos) y MetNet-3 (predicciones de 24 horas).

GraphCast: limitaciones detectadas

GraphCast no tiene un funcionamiento perfecto. Un miembro de la Agencia Estatal de Meteorología (AEMET) señala que los cálculos matemáticos son una de sus principales debilidades. Al respecto, la IA depende en su totalidad de las condiciones climáticas observadas y datos recopilados previamente por el ECMWF. 

De esta forma, impide que proyecte una predicción del clima con el mismo nivel de detalle y granularidad propia de los métodos tradicionales. Además, tampoco cuenta con la intuición y el contacto humano ofrecido por los meteorólogos. Este contacto es necesario porque estas personas pueden contextualizar la información contenida en los patrones climáticos. De igual manera logran generar confianza y resolver inquietudes de los espectadores.

Por otro lado, la IA presenta dificultades al momento de consolidar sus períodos de pronóstico. Sobre este punto, existe una mayor incertidumbre a medida que aumenta el rango temporal de análisis. 

Deepmind IA del clima
Fuente: Envato

De esta forma, no es posible el seguimiento de fenómenos meteorológicos repentinos o sin precedentes. De allí que oscilaciones rápidas y prolongadas producidas por el cambio climático sean medidas por debajo de sus expectativas reales. Por ejemplo, no se obtuvo una estimación acertada de la fuerza destructiva del huracán Otis; como resultado, los sistemas de alerta pasaron por alto sus implicaciones, lo que ocasionó pérdidas por US $16.000 millones y 350 muertos.

GraphCast: oportunidades futuras

El consenso de los expertos indica que el potencial meteorológico de esta inteligencia artificial se encuentra en su labor complementaria

En este sentido, Google DeepMind señala que GraphCast tiene mayor precisión al analizar fenómenos de menor escala; es decir, no busca posicionarse como un reemplazo, sino como un apoyo de los métodos tradicionales. Precisamente, su matriz de aprendizaje pretende ser replicada por instituciones como ECMWF y la Oficina Meteorológica del Reino Unido para un pronóstico del clima más completo.

IA metereológica
Fuente: Unsplash

Otra de sus ventajas competitivas se sitúa en las alertas tempranas para diferentes situaciones climáticas. La IA puede identificar la trayectoria de los ciclones con mayor precisión, comprobado con el huracán Lee. En este caso, informó que Nueva Escocia sería el punto de impacto con 10 días de anticipación; mientras que el HRES estableció este mismo punto con 6 días de antelación.

Esto también funciona para la valoración de los ríos atmosféricos, ondas de calor e inviernos extremos. De esta forma, se puede saber si las lluvias serán moderadas o causarán inundaciones. De igual manera sabrán la intensidad de la temperatura, aspectos cruciales para la conservación de la vida humana, biodiversidad y actividades productivas. En última instancia, GraphCast integra diversas características que impulsarán el desarrollo de la meteorología a nivel mundial. El aprendizaje automático determinará en un futuro cada uno de nuestros pronósticos del clima y este es un primer paso.

Imagen de cabecera: Envato

RELACIONADOS