por Google DeepMind ha desarrollado GraphCast una herramienta de predicción meteorológica llamada basada en un modelo de aprendizaje automático.
Esta herramienta ha demostrado ser superior a las mejores herramientas convencionales y otros enfoques de IA en la tarea de pronosticar el tiempo. La innovación de GraphCast reside en su capacidad para ejecutarse en un ordenador de escritorio, realizando predicciones más precisas que los modelos convencionales en un tiempo mucho más breve.
La predicción del tiempo, tradicionalmente una tarea compleja y que consume mucha energía, se ha llevado a cabo mediante la predicción numérica del tiempo (NWP), utilizando modelos matemáticos basados en principios físicos y procesando datos de diversas fuentes con supercomputadoras.
Sin embargo, GraphCast, desarrollado por la división de inteligencia artificial de Google en Londres, ha superado tanto a los modelos convencionales como a los basados en IA en la mayoría de las tareas de pronóstico meteorológico global. Este avance podría tener implicaciones importantes en varios sectores, incluyendo la agricultura y la gestión de desastres.
GraphCast: Desarrollo, Entrenamiento y Rendimiento
De acuerdo con un estudio publicado en el Journal Science, para su desarrollo, los investigadores entrenaron a GraphCast con estimaciones del clima global pasado, permitiéndole aprender vínculos entre variables meteorológicas como la presión del aire, el viento, la temperatura y la humedad. Utilizando el estado actual del tiempo global y estimaciones de 6 horas antes, el modelo puede predecir el tiempo 6 horas adelante, y estas predicciones anteriores se retroalimentan en el modelo, permitiéndole hacer estimaciones más lejanas en el futuro.
En términos de rendimiento, GraphCast ha demostrado ser particularmente eficaz en la troposfera, la parte de la atmósfera más cercana a la superficie terrestre y que más nos afecta. Aquí, el modelo superó al sistema HRES del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF) en más del 99% de las mediciones realizadas. Además, ha probado ser útil en la predicción de eventos meteorológicos severos, como los caminos tomados por ciclones tropicales y episodios extremos de calor y frío.
A pesar de su superioridad en ciertos aspectos, los expertos señalan que no se espera que los modelos de aprendizaje automático como GraphCast reemplacen por completo los enfoques convencionales. Estos modelos, que todavía son experimentales, podrían potenciar tipos específicos de predicción meteorológica en los que los enfoques estándar no son tan eficientes. Además, se necesitan los modelos físicos estándar para proporcionar las estimaciones del clima global que se utilizan inicialmente para entrenar modelos de aprendizaje automático.
La introducción de GraphCast por Google DeepMind representa un avance significativo en la predicción meteorológica, ofreciendo un enfoque más rápido, preciso y menos intensivo en recursos.
Aunque todavía en fase experimental, sus resultados prometedores sugieren un futuro donde la inteligencia artificial jugará un papel clave en la comprensión y anticipación de patrones climáticos globales, beneficiando a múltiples sectores y ayudando en la gestión de emergencias relacionadas con el clima.
Sin embargo, se necesitan más investigaciones y desarrollos para abordar las limitaciones actuales y asegurar su aplicación práctica en la toma de decisiones del mundo real.
