La IA y la predicción meteorológica
¿Cómo funciona hoy en día la predicción del tiempo? Estamos acostumbrados a utilizar estas predicciones en nuestra vida diaria, confiando a los mismos nuestros planes de vacaciones, proyectos deportivos, generación de recursos (energía fotovoltaica o eólica). Utilizamos estos modelos para estudiar la propagación de enfermedades, la dispersión de emisiones volcánicas, cenizas producto de grandes incendios o nubes de polvo que afectan a la salud de las personas y al tráfico de viajeros.
El enfoque considerado tradicional, y actualmente utilizado para la predicción meteorológica se basa en complejos modelos físicos de la atmósfera (CFD: Computational Fluid Dynamics) capaces de predecir fenómenos atmosféricos con diferente horizonte temporal. Dada la naturaleza caótica de los procesos modelados, la tendencia actual es a usar una predicción obtenida mediante la agregación de un conjunto de modelos diferentes, que parten de condiciones iniciales en las que se introducen perturbaciones. Los resultados proyectados en el tiempo en general difieren a medida que nos separamos del instante inicial. Estas agregaciones de modelos (EPS, Ensemble Prediction Systems), generan predicciones de tipo probabilístico para los fenómenos que permiten reducir o acotar los márgenes de incertidumbre en la predicción. El modelo de referencia en Europa es ECWMF [LeutPal08].
En los últimos años, la IA, y en particular los métodos de Deep Learning (DL) están invadiendo prácticamente todas las disciplinas y aplicaciones. Como es natural, se postulan también como muy prometedores en el campo genérico de las ciencias de la Tierra (Earth sciences). En un reciente artículo en Nature [Reichdeep19], se identifican cinco aspectos fundamentales en se prevé que la combinación del modelado físico con técnicas de DL van a mejorar nuestra capacidad de predicción especialmente al aprovechar las sinergias entre ambas aproximaciones:
· Mejora de la parametrización de los modelos físicos
· Sustitución de submodelos físicos por modelos basados en datos
· Análisis y validación de los modelos físicos, por observación de las diferencias
· Restricción de submodelos, mediante el acoplamiento del submodelo físico con modelos de aprendizaje automático, para desacoplar los errores de los diversos modelos
· Modelado surrogado o emulación, que permita reemplazar el modelo físico (complejo y costoso) por un modelo basado en datos que se pueda ejecutar a velocidades órdenes de magnitud mayores que el físico, con el fin de mejorar el análisis de sensibilidad, derivación de intervalos de confianza, etc
Es en este último aspecto ya Natura anuncia el siguiente paso, dado que se plantea sustituir los modelos CFD por estas aplicaciones [Aggarwal13,GagnePhD16]. Por primera vez en 2020, científicos de Google anunciaron un modelo numérico que se asegura que es competitivo con los CFD de uso común en las administraciones. La red MetNet [MetNet20] utiliza como entrada imágenes de satélite, y no requiere conocimiento explícito sobre los fenómenos físicos subyacentes. No sabe que predice el tiempo: sólo genera la “película” del tiempo a partir de la secuencia de imágenes recibida. Los autores anuncian que MetNet es capaz de mejorar la predicción de la precipitación con un horizonte temporal de hasta 8 horas, cuando se compara con la predicción por el modelo de referencia americano HRRR [Benjamin16]. Más aún, MetNet proporciona una predicción continua, a diferencia de los EPS, que se ejecutan sólo un cierto número de veces al día. Aunque el trabajo planteado hace su predicción sobre un área pequeña de Estados Unidos, parece claro que el gigante tecnológico está en condiciones de escalar esta aplicación en el futuro si lo estima oportuno.
Más allá de estos modelos globales, en la actualidad se están desarrollando modelos de predicción locales capaces de ofrecer las predicciones más precisas posibles en su entorno preciso de aplicación, con resoluciones más pequeñas que las ofrecidas por los productos de predicción CFD y con capacidad de predicción a muy corto plazo, con una anticipación de entre una y seis horas (nowcasting y short-term forecasting), que ayudarán especialmente en casos de eventos potencialmente catastróficos.
[LeutPal08] Leutbecher, M., & Palmer, T. N. (2008). Ensemble forecasting. Journal of Computational Physics, 227(7), 3515-3539.
[Reichdeep19] Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., & Carvalhais, N. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566(7743), 195.
[Aggarwal13] Aggarwal, Rashi & Kumar, Rajendra. (2013). A Comprehensive Review of Numerical Weather Prediction Models. International Journal of Computer Applications. 74. 44-48. 10.5120/12989-0246.
[GagnePhD16] Gagné, D. Coupling Data Science Techniques and Numerical Weather Prediction Models for High-Impact Weather Prediction, PhD Dissertation, School of Meteorology, University of Oklahoma.
[MetNet20] Sønderby, Casper & Espeholt, Lasse & Heek, Jonathan & Dehghani, Mostafa & Oliver, Avital & Salimans, Tim & Agrawal, Shreya & Hickey, Jason & Kalchbrenner, Nal. (2020). MetNet: A Neural Weather Model for Precipitation Forecasting.
[Benjamin16] Stanley G Benjamin, Stephen SWeygandt, JohnMBrown, Ming Hu, Curtis R Alexander, Tatiana G Smirnova, Joseph B Olson, Eric P James, David C Dowell, Georg A Grell, et al. A north american hourly assimilation and model forecast cycle: The rapid refresh. Monthly Weather Review, 144 (4):1669–1694, 2016.