El modelo de aprendizaje automático de Google DeepMind, GraphCast, superó con cierta diferencia a los métodos tradicionales de predicción meteorológica en las primeras pruebas.
Predecir el tiempo con exactitud es una tarea difícil que se vuelve exponencialmente compleja cuantos más días hacia el futuro queramos predecir.
Por eso las organizaciones meteorológicas recurren a los superordenadores más potentes del mundo para elaborar los complejos algoritmos de predicción que nos dicen si lloverá mañana o no.
El modelo Integrated Forecasting System (IFS) que utiliza el Centro Europeo de Predicción Meteorológica a Plazo Medio (ECMWF) está considerado el modelo meteorológico europeo más preciso. Y GraphCast acaba de superarlo con creces.
GraphCast fue capaz de predecir el tiempo con 10 días de antelación con mayor rapidez y precisión que el ECMWF en más de 90% de 1.380 objetivos de verificación.
Saber si debes llevarte el paraguas al trabajo es útil, pero GraphCast podría tener un impacto significativo en la predicción precisa de fenómenos meteorológicos extremos.
En septiembre, cuando faltaban 9 días para que el huracán Lee tocara tierra, las oficinas meteorológicas se esforzaban por predecir qué ciudad se llevaría la peor parte de la tormenta.
El modelo IFS pronosticó que el huracán golpearía algunas ciudades del noreste o que posiblemente no las alcanzaría en absoluto. Por su parte, GraphCast predijo que el huracán Lee golpearía Nueva Escocia.
Sólo 3 días después, el IFS llegó a la misma conclusión, que finalmente resultó ser exacta. Imagínese la mejora en el despliegue de recursos y servicios de emergencia que supondrían 3 días más.
Pushmeet Kohli, vicepresidente de investigación de Google DeepMind, ha declarado: "La predicción meteorológica es uno de los problemas más desafiantes en los que la humanidad lleva trabajando mucho, mucho tiempo. Y si nos fijamos en lo que ha ocurrido en los últimos años con el cambio climático, se trata de un problema increíblemente importante."
Presentamos GraphCast: nuestro modelo de IA de última generación que ofrece previsiones meteorológicas a 10 días con una precisión sin precedentes en menos de un minuto. 🌦️
Incluso puede ayudar a predecir las posibles trayectorias de los ciclones en el futuro.
Así es como funciona. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14 de noviembre de 2023
¿Cómo funciona?
Los modelos tradicionales, como el IFS, utilizan la "predicción numérica del tiempo" (NWP). Para ello se recopilan cantidades ingentes de datos de sensores meteorológicos que se introducen en complejas ecuaciones que procesan los superordenadores.
Las ecuaciones son ajustadas por equipos de expertos y cada vez son más precisas, pero siguen necesitando una gran capacidad de procesamiento informático y tardan mucho tiempo en llegar a una predicción.
La NWP trata esencialmente de utilizar algoritmos para modelizar el funcionamiento de la atmósfera y predecir lo que va a ocurrir.
Lo que hace GraphCast es mucho más sencillo, pero no se puede hacer con ecuaciones tradicionales.
El modelo GraphCast utiliza la predicción meteorológica basada en el aprendizaje automático (MLWP) y se ha entrenado a partir de unos 50 años de datos meteorológicos históricos.
A continuación, toma esos datos y, en lugar de crear un modelo de nuestra atmósfera, busca patrones en los datos. Un modelo de IA es excelente para encontrar patrones sutiles que las ecuaciones fijas no pueden detectar.
GraphCast examina los datos meteorológicos actuales y dice: "La última vez que vi estas condiciones, lo siguiente que ocurrió fue...", y luego hace una predicción.
El nivel de detalle, o resolución, de las predicciones de GraphCast no es tan bueno como el de los modelos tradicionales, pero es mucho más preciso y rápido.
Mientras que un superordenador necesitaría procesar datos meteorológicos durante horas para hacer una predicción, GraphCast puede producir un resultado en menos de un minuto en una sola máquina Google TPU v4.
El MLWP depende en gran medida de los datos históricos producidos por los modelos NWP tradicionales, por lo que todavía no los sustituirá.
Sin embargo, el uso de una herramienta como GraphCast junto con los métodos actuales ayudará a predecir los fenómenos meteorológicos extremos con mayor rapidez y precisión.
Google DeepMind está haciendo que GraphCast sea de código abierto y ya está siendo utilizado por ECMWF.
