El nuevo modelo meteorológico basado en inteligencia artificial de Europa es más rápido, más inteligente y gratuito: esto es lo que debes saber

El Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF) acaba de lanzar un modelo de previsión impulsado por IA, que según el centro supera a los modelos basados ​​en la física de última generación hasta en un 20%.

El modelo se denomina Sistema de predicción de inteligencia artificial (AIFS). Según un comunicado del ECMWF, el nuevo modelo funciona a velocidades más rápidas que los modelos basados ​​en la física y requiere aproximadamente 1000 veces menos energía para realizar una predicción.

El ECMWF, que ya lleva 50 años en funcionamiento, ha producido ENS, uno de los modelos de predicción meteorológica a medio plazo más importantes del mundo. Los pronósticos a medio plazo incluyen predicciones meteorológicas realizadas con entre tres y quince días de antelación, pero el ECMWF también prevé el tiempo con hasta un año de antelación. Los modelos de pronóstico meteorológico son esenciales para que los estados y los gobiernos locales estén preparados para fenómenos meteorológicos extremos, así como para necesidades más cotidianas, como saber cómo estará el tiempo en sus próximas vacaciones.

Los modelos tradicionales de predicción meteorológica realizan pronósticos resolviendo ecuaciones físicas. Una limitación de estos modelos es que son aproximaciones de la dinámica atmosférica. Un aspecto atractivo de los modelos impulsados ​​por IA es que pueden aprender relaciones y dinámicas más complejas en los patrones climáticos directamente a partir de los datos, en lugar de depender únicamente de ecuaciones previamente conocidas y documentadas.

El anuncio del ECMWF llega poco después del lanzamiento del modelo GenCast de Google DeepMind para la predicción meteorológica basada en IA, la siguiente versión del software de predicción meteorológica de Google que incluye NeuralGCM y GraphCast . GenCast superó a ENS , el modelo de predicción meteorológica líder del ECMWF, en el 97,2 % de los objetivos en diferentes variables meteorológicas. Con plazos de entrega superiores a 36 horas, GenCast fue más preciso que ENS en el 99,8 % de los objetivos.

Pero el Centro Europeo también está innovando. El lanzamiento de AIFS-single es sólo la primera versión operativa del sistema.

“Se trata de un esfuerzo enorme que garantiza que los modelos funcionen de forma estable y fiable”, afirmó Florian Pappenberger, director de Previsiones y Servicios del ECMWF, en el comunicado central. “Por el momento, la resolución del AIFS es inferior a la de nuestro modelo (IFS), que alcanza una resolución de 9 km [5,6 millas] utilizando un enfoque basado en la física”.

“Consideramos que AIFS e IFS son complementarios y forman parte de la oferta de una gama de productos para nuestra comunidad de usuarios, quienes deciden qué se adapta mejor a sus necesidades”, añadió Pappenberger.

El equipo explorará la posibilidad de hibridar modelos basados ​​en datos y en la física para mejorar la capacidad de la organización de predecir el clima con precisión.

“Los modelos basados ​​en la física son fundamentales para el actual proceso de asimilación de datos”, afirmó Matthew Chantry, responsable estratégico de aprendizaje automático en ECMWF y responsable de la plataforma de innovación, en un correo electrónico enviado a Gizmodo. “Este mismo proceso de asimilación de datos también es vital para inicializar los modelos de aprendizaje automático cotidianos y permitirles realizar previsiones”.

“Una de las próximas fronteras para la predicción meteorológica mediante aprendizaje automático es este paso de asimilación de datos, que, si se resuelve, significaría que toda la cadena de predicción meteorológica podría basarse en el aprendizaje automático”, añadió Chantry.

Chantry es coautor de un estudio en espera de revisión por pares que describe un sistema de pronóstico de extremo a extremo basado en datos que no depende de un reanálisis basado en la física.

El sistema, denominado GraphDOP, utiliza cantidades observables, como las temperaturas de brillo de los orbitadores polares, “para formar una representación latente coherente de la dinámica del estado del sistema terrestre y de los procesos físicos”, escribió el equipo, “y es capaz de producir predicciones precisas de parámetros meteorológicos relevantes hasta cinco días en el futuro”.

La integración de métodos de inteligencia artificial con modelos de predicción meteorológica basados ​​en la física es una vía prometedora para lograr pronósticos más precisos. Las pruebas realizadas hasta la fecha indican que los pronósticos basados ​​en inteligencia artificial pueden superar a los modelos históricos, pero hasta ahora esos modelos se han basado en datos de reanálisis. Las observaciones sobre el terreno fueron esenciales para entrenar los modelos, y aún queda por ver cuán impresionantes serán las capacidades de pronóstico de la tecnología cuando se vea obligada a salirse del guion.