En junio, poco después del inicio de la temporada de huracanes en el Atlántico, Google presentó un nuevo modelo diseñado específicamente para pronosticar las trayectorias e intensidades de los ciclones tropicales.
Parte de la suite de modelos de investigación meteorológica de Google DeepMind, el modelo “Weather Lab” para ciclones era un tanto desconocido para los meteorólogos en su lanzamiento. En una entrada de blog en ese momento, Google indicó que su nuevo modelo, entrenado con un vasto conjunto de datos que reconstruyó el clima pasado y una base de datos especializada con información clave sobre trayectorias, intensidades y tamaños de huracanes, había mostrado un buen desempeño durante las pruebas previas a su lanzamiento.
“Las pruebas internas muestran que las predicciones de nuestro modelo sobre la trayectoria e intensidad de los ciclones son tan precisas como, y a menudo más precisas que, los métodos actuales basados en la física”, afirmó la compañía.
Google anunció que se asociaría con el Centro Nacional de Huracanes, una rama del Servicio Nacional Oceánico y Atmosférico que ha proporcionado pronósticos confiables durante décadas, para evaluar el desempeño de su modelo Weather Lab en las cuencas del Atlántico y el Pacífico Este.
Todos los ojos en Erin
La temporada de huracanes en el Atlántico había sido relativamente tranquila hasta hace unas semanas, con una actividad general por debajo de los niveles normales. Por lo tanto, no hubo pruebas de alto perfil del nuevo modelo. Sin embargo, hace aproximadamente 10 días, el huracán Erin se intensificó rápidamente en el océano Atlántico abierto, convirtiéndose en un huracán de categoría 5 mientras avanzaba hacia el oeste.
Desde el punto de vista del pronóstico, estaba claro que Erin no iba a impactar directamente a Estados Unidos, pero los meteorólogos se preocupaban por los detalles. Dado que Erin era una tormenta tan grande, había preocupaciones sobre qué tan cerca se acercaría a la costa este de Estados Unidos (lo suficientemente cerca, de hecho, como para causar una erosión costera significativa) y sus impactos en la pequeña isla de Bermuda en el Atlántico.
Cuando una tormenta está activa, puede ser difícil discernir cuál de los muchos modelos proporciona el mejor pronóstico para un ciclón tropical. Se puede observar su desempeño con la tormenta hasta la fecha, pero incluso entonces existen incertidumbres. Solo después de que la tormenta ha pasado se pueden analizar los datos y ver qué modelos hicieron las mejores predicciones sobre la trayectoria y la intensidad del sistema tropical.
Ahora que Erin se ha disipado, podemos hacer tal determinación, y en la prueba más importante de la temporada del Atlántico hasta la fecha, el modelo Weather Lab de Google tuvo el mejor desempeño en períodos de 72 horas o menos. (Este es un pronóstico de tres días para la tormenta).
¿Cómo le fue a DeepMind?
Se puede ver los datos por uno mismo en los gráficos a continuación, compilados por James Franklin, exjefe de la unidad de especialistas en huracanes del Centro Nacional de Huracanes. El modelo de Google se muestra como GDMI en estos gráficos.
James Franklin/Blue Sky
Crédito:
James Franklin/Blue Sky
En términos de trayectoria, el modelo de Google no solo superó el pronóstico “oficial” de trayectoria del Centro Nacional de Huracanes, sino que también superó a varios modelos basados en la física que realizan pronósticos globales, así como a modelos específicos de huracanes.
Un modelo basado en la física es un modelo de pronóstico tradicional basado en ecuaciones complejas. También conocido como predicción numérica del tiempo, estos modelos toman las condiciones atmosféricas iniciales y luego realizan cálculos para determinar cómo cambiará la atmósfera con el tiempo.
Este proceso requiere una potencia computacional intensiva, pero ha servido históricamente bien a la meteorología. Las tendencias de error en los pronósticos de trayectoria de huracanes han disminuido significativamente en el último cuarto de siglo a medida que el hardware informático ha mejorado y nuestra capacidad para recopilar e ingresar condiciones atmosféricas en tiempo real ha fortalecido.
James Franklin/Blue Sky
Crédito:
James Franklin/Blue Sky
De manera similar a los pronósticos de trayectoria, el modelo de Google también superó a otros modelos durante las primeras 72 horas en cuanto a pronósticos de intensidad. Su desempeño a dos días es particularmente notable.
Es hora de tomar en serio la modelización meteorológica con IA
Hay un par de notas adicionales que agregar aquí. Los modelos TVCN e IVCN mostrados en los gráficos representan modelos de “consenso” para trayectoria e intensidad que son observados de cerca por los pronosticadores en el centro de huracanes. Su salida no se hace generalmente pública, pero los modelos proporcionan esencialmente un promedio corregido de sesgo de algunos de los mejores modelos. En este contexto, corregido por sesgo significa que el software corrige los sesgos de pronóstico conocidos en varios modelos. Por lo tanto, el hecho de que el modelo de Google haya superado a los modelos de consenso es significativo.
Desde el punto de vista de pronóstico, el período de tres a cinco días es el más importante. Es cuando se deben tomar decisiones importantes sobre evacuaciones y otras preparaciones para huracanes, lo que deja tiempo para que se implementen. En consecuencia, nos gustaría ver que los modelos de IA tengan un mejor desempeño en este rango de pronóstico.
Sin embargo, la conclusión clave aquí es que la modelización meteorológica con IA sigue avanzando de manera importante. A medida que los pronosticadores buscan hacer predicciones sobre eventos de alto impacto como los huracanes, los modelos meteorológicos de IA se están convirtiendo rápidamente en una herramienta muy importante en nuestro arsenal.
Esto no significa que el modelo de Google será el mejor para cada tormenta. De hecho, es muy poco probable. Pero ciertamente le daremos más peso en el futuro.
Además, estas son herramientas muy nuevas. El Weather Lab de Google, junto con un puñado de otros modelos meteorológicos de IA, ya ha demostrado tener habilidades equivalentes a los mejores modelos basados en la física en un corto período. Si estos modelos mejoran aún más, pueden convertirse en el estándar de oro para ciertos tipos de predicción meteorológica.
Fuente original: ver aquí