Modelo de inteligencia artificial redefine la precisión en predicción meteorológica
NotiPress.- Cada día, millones de personas y organizaciones dependen de pronósticos meteorológicos para tomar decisiones cruciales relacionadas con la seguridad, la economía y la energía. Sin embargo, los modelos actuales de predicción enfrentan limitaciones debido a la complejidad no lineal del clima y a la incertidumbre inherente de los datos. En este contexto, GenCast, un modelo basado en inteligencia artificial, presenta una alternativa innovadora que redefine los estándares en la predicción meteorológica.
El desarrollo de GenCast utiliza datos de reanálisis meteorológico desde 1979 hasta 2018, permitiéndole generar pronósticos globales de conjunto con una resolución de 0,25° para un horizonte de 15 días. Este sistema opera a través de un abordaje de difusión condicional, donde se generan trayectorias meteorológicas refinando iterativamente un estado inicial de ruido. Según los desarrolladores, GenCast genera conjuntos de trayectorias meteorológicas individuales nítidas con espectros de potencia realistas, en lugar de conjuntos de estadísticas resumidas como medias condicionales.
Dicho modelo se comparó con ENS, el sistema de pronóstico de conjuntos del Centro Europeo de Predicción Meteorológica a Plazo Medio (ECMWF), que es considerado el estándar de la industria. Los resultados muestran que GenCast supera significativamente a ENS en precisión y habilidad de predicción en un 97,2 % de los casos analizados, especialmente en horizontes de hasta cinco días y en eventos meteorológicos extremos como ciclones tropicales.
A lo largo del estudio del tifón Hagibis durante 2019, demostró una reducción notable en la incertidumbre de las trayectorias previstas. A siete días de la llegada del ciclón a Japón, el modelo ofreció una gama de escenarios más precisos que los generados por ENS. Además, en plazos más cortos, reflejó un aumento de confianza en las predicciones sobre el momento y la ubicación del impacto.
El sistema no sólo mostró avances en precisión, sino que también mejora las estimaciones de fenómenos extremos. Esto incluye predicciones sobre altas temperaturas, vientos intensos y presión atmosférica, con resultados útiles para la planificación energética y la respuesta ante desastres naturales. Por ejemplo, en un experimento simplificado para estimar energía eólica regional, GenCast superó en un 20 % la habilidad de ENS en plazos de hasta dos días.
Los investigadores destacan que GenCast muestra una buena calibración en la mayoría de los casos, permitiendo generar pronósticos confiables para tomar decisiones informadas. Además, el sistema puede generar un conjunto de pronósticos en aproximadamente ocho minutos utilizando dispositivos avanzados como Cloud TPUv5, lo que lo hace altamente eficiente para su uso en entornos operativos.
Aunque los resultados actuales son prometedores, los desarrolladores consideran que puede perfeccionarse aún más. Las posibles mejoras incluyen ajustar el modelo a resoluciones más altas para aplicaciones específicas y optimizar la eficiencia computacional mediante técnicas avanzadas. También se prevé integrar datos operativos para ampliar su capacidad predictiva y adaptarlo a eventos climáticos inesperados.