El modelo, llamado ‘GenCast’, ofrece pronósticos más precisos que las previsiones meteorológicas tradicionales de medio alcance. Además, tiene la capacidad de predecir de manera más eficiente condiciones meteorológicas extremas, la trayectoria de ciclones tropicales y la generación de energía eólica. Esta innovación podría transformar la forma en que se gestionan los fenómenos climáticos y sus impactos en diversas industrias.
Investigadores de Google DeepMind han creado un modelo de aprendizaje automático capaz de generar previsiones meteorológicas probabilísticas confiables, utilizando datos sobre el clima actual y proyectado. Este avance promete mejorar la precisión y la fiabilidad de las predicciones, lo que podría tener un impacto significativo en la forma en que se gestionan y responden los fenómenos climáticos.
El modelo, denominado ‘GenCast’, ofrece pronósticos más precisos que las previsiones meteorológicas tradicionales de medio alcance y tiene la capacidad de predecir con mayor exactitud condiciones meteorológicas extremas, la trayectoria de los ciclones tropicales y la producción de energía eólica.
Los detalles del modelo fueron publicados este miércoles en un artículo de la revista Nature.
Contar con previsiones meteorológicas exactas es crucial para que individuos, gobiernos y organizaciones puedan tomar decisiones clave en su vida cotidiana, desde decidir si llevar un paraguas hasta evaluar la generación de energía eólica o planificar acciones frente a condiciones climáticas extremas para prevenir desastres.
Las previsiones meteorológicas tradicionales se basan en métodos numéricos de predicción del tiempo, que estiman las condiciones actuales y las proyectan hacia el futuro, lo que se conoce como previsiones deterministas. Este enfoque genera numerosos escenarios potenciales que se combinan para producir una previsión final.
Sin embargo, un equipo de científicos de Google ha desarrollado un nuevo método de predicción meteorológica basado en aprendizaje automático, denominado GenCast. Este modelo es capaz de generar previsiones probabilísticas, que predicen la probabilidad del tiempo futuro en función de los estados meteorológicos actuales y previos.
Los autores entrenaron GenCast utilizando 40 años de datos (de 1979 a 2018) sobre las mejores estimaciones de incidencias meteorológicas. Gracias a este entrenamiento, el modelo es capaz de generar previsiones globales a 15 días, con intervalos de 12 horas, para más de 80 variables atmosféricas y de superficie en solo 8 minutos.
Al compararlo con las previsiones del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ENS), que actualmente es el modelo de mayor rendimiento a escala mundial en previsiones a medio plazo, los investigadores descubrieron que GenCast superaba al ENS en el 97.2% de los 1.320 objetivos utilizados en la comparación.
Además, GenCast demuestra una mayor eficacia en la predicción de condiciones meteorológicas extremas, la trayectoria de ciclones tropicales y la producción de energía eólica.
Los autores afirman que GenCast puede generar previsiones meteorológicas más eficientes y precisas, lo que apoyaría una planificación más efectiva.
En declaraciones al SMC España, Ernesto Rodríguez-Camino, meteorólogo Superior del Estado y miembro de la Asociación Meteorológica Española, explica que en los últimos años grandes compañías tecnológicas como Google han avanzado significativamente en la calidad de las predicciones meteorológicas utilizando modelos basados exclusivamente en aprendizaje automático. Estos modelos han logrado superar al modelo IFS del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), que es considerado la referencia de calidad en predicción a medio plazo.
Hasta ahora, los sistemas de predicción basados en aprendizaje automático se habían centrado en previsiones deterministas. Sin embargo, “este artículo marca un avance al desarrollar también predicciones probabilísticas, que se basan en un conjunto (ensemble) de predicciones a partir de datos iniciales ligeramente diferentes. Este enfoque no solo mejora el sistema de predicción por conjuntos del ECMWF, sino que también demuestra una gran capacidad para prever eventos meteorológicos extremos”, explica el meteorólogo.
A pesar de esto, el experto señala que sistemas como GenCast siguen utilizando el reanálisis obtenido por métodos tradicionales basados en leyes físicas. Por tanto, todavía dependen del modelo IFS para establecer las condiciones iniciales y para entrenar los algoritmos. No obstante, desde el punto de vista computacional, “GenCast es muy eficiente, lo que sugiere que en el futuro cercano podríamos ver sistemas híbridos de asimilación y predicción”, anticipa el meteorólogo.
En su opinión, “estos sistemas híbridos se beneficiarían de las ventajas de ambos enfoques: los modelos basados en ecuaciones físicas para verificar, entrenar y mejorar el sistema, y los modelos basados en datos para optimizar el cálculo de las predicciones y aumentar los recursos de la predicción por conjuntos”.
