Google DeepMind, un laboratorio de investigación de inteligencia artificial con sede en Londres, ha estado en el negocio del pronóstico del tiempo basado en el aprendizaje automático durante varios años, pero en junio anunció un nuevo modelo experimental de inteligencia artificial específico para tormentas tropicales y huracanes que sería evaluado en tiempo real esta temporada por los meteorólogos del Centro Nacional de Huracanes.
En su prueba de alto perfil más importante hasta la fecha durante el huracán Erin, Google DeepMind mostró una gran promesa, superando a muchos de nuestros principales modelos meteorológicos convencionales y superando las ayudas de consenso corregidas que se han convertido en el estándar de oro del pronóstico de huracanes en las últimas temporadas.
En los datos de verificación compartidos por el ex jefe de la sucursal del Centro Nacional de Huracanes, James Franklin, el modelo Google DeepMind tuvo los mejores pronósticos de trayectoria e intensidad para Erin durante los primeros 3 días (72 horas) en todos los pronósticos, y se mantuvo competitivo con las ayudas de seguimiento e intensidad de mejor rendimiento durante cinco días en todos los pronósticos.
Aunque solo hay una tormenta, los pronósticos durante Erin del sistema de predicción de huracanes basado en aprendizaje automático de Google son consistentes con los pronósticos respaldados por la NHC para las temporadas de huracanes de 2022 a 2024, que mostraron resultados similares de alta calidad.
¿Por qué IA?
Los nuevos modelos meteorológicos basados en el aprendizaje automático ofrecen un enorme ahorro de tiempo a los modelos meteorológicos convencionales que tardan horas y horas en resolver ecuaciones de gobierno muy complejas de la atmósfera utilizando costosos superordenadores. Si bien la precisión de los modelos meteorológicos tradicionales ha mejorado mucho en las últimas décadas, requieren vastos recursos computacionales y algunas de las computadoras más poderosas de la Tierra para funcionar.
La nueva clase de modelos meteorológicos de IA, en lugar de hacer un pronóstico a través de ecuaciones físicas complejas, toma un atajo al entrenar modelos con datos meteorológicos históricos y reconocer patrones climáticos, explotando hardware de aprendizaje profundo más rápido y barato en supercomputadoras más grandes.
Si bien existen compensaciones para los modelos meteorológicos basados en el aprendizaje automático, si pueden demostrar ser tan precisos como los modelos meteorológicos convencionales basados en la física, podemos aprovecharlos para producir pronósticos más rápidos y computacionalmente menos costosos.
Puntos ciegos de IA
Esta temporada de huracanes es la primera con modelos de IA maduros y conjuntos de IA. Debido a que todavía estamos en las primeras etapas de evaluación, debemos ser cautelosos al apoyarnos demasiado en este nuevo método de predicción de huracanes, que, al igual que los modelos de pronóstico convencionales, tiene sus puntos ciegos.
Los modelos de IA utilizan estadísticas para optimizar la habilidad, básicamente entrenando el modelo para que se vea mejor en papel usando medidas como el error cuadrático medio. Si bien no hay nada intrínsecamente malo en este enfoque, puede causar problemas reales en ciertas circunstancias con los pronósticos. Por ejemplo, un pronóstico de IA podría pasar por alto por completo la intensificación rápida porque está entrenado para minimizar los errores, lo que tenderá a suavizar el pronóstico de intensidad durante varios días, eliminando escenarios que muestran una intensificación rápida, incluso si la física lo favorece.
Otro ejemplo se puede encontrar con Erin la semana pasada. Las estadísticas de error cuadrático medio que a menudo utiliza la IA se basan en algo llamado distancia del círculo máximo, el camino más corto posible entre la ubicación del pronóstico y la ubicación real del huracán. Sin embargo, el error de la distancia del círculo máximo por sí solo puede ser engañoso, ya que pasa por alto importantes consideraciones de tiempo y llegada a tierra mejor representadas por lo que llamamos errores de seguimiento longitudinal y cruzado.
En el caso de Google DeepMind durante Erin, es posible que haya intentado minimizar el error en la distancia del círculo máximo con su pronóstico, sufriendo errores más grandes a lo largo y cruzado y perdiendo la coyuntura crítica cuando Erin giró hacia el norte y hacia el mar.
Por el contrario, los modelos de consenso corregidos estándar de oro, como el Enfoque de Consenso Corregido del Proyecto de Mejora del Pronóstico de Huracanes en Tiempo Real o HCCA, hicieron un trabajo mucho mejor al captar el momento del giro fundamental, a pesar de que técnicamente tenían un error cuadrático medio más alto que Google DeepMind.
Debido a que los modelos meteorológicos basados en IA se entrenan con el clima histórico, también pueden sufrir durante eventos climáticos extremos no documentados previamente en los conjuntos de datos de entrenamiento. Los modelos basados en la física, por otro lado, tienen una comprensión mucho más completa de la atmósfera y deberían capturar incluso eventos climáticos extremos atípicos, incluso si no se han documentado antes (piense en el gancho izquierdo de Sandy en 2012).
Dicho esto, la IA podría usarse junto con modelos meteorológicos basados en la física para capturar procesos que aún no entendemos sobre el mundo físico (ecuaciones que no están integradas en nuestros modelos) o procesos que ocurren con detalles tan finos que nuestros modelos convencionales no pueden “verlos”. A través de métodos como la parametrización, es posible que podamos mejorar los modelos basados en la física con algunos procesos que la IA captura únicamente mediante el reconocimiento de patrones.
Lo que sabemos hasta ahora sobre los modelos de IA para el pronóstico de huracanes
Aunque hemos estado estudiando modelos de IA para el pronóstico de huracanes durante unos años, solo ahora estamos empezando a evaluarlos de una manera sistemática y científica. Esto es lo que sabemos hasta ahora:
- Los modelos de IA son competitivos con los modelos basados en la física para la trayectoria de los huracanes, especialmente en la ventana de pronóstico de 3 a 7 días
- Hasta ahora, los modelos de IA no han demostrado una habilidad consistente para pronosticar la intensidad de los huracanes (lo que hace que el pronóstico de DeepMind para Erin sea aún más impresionante)
- Todavía no hemos evaluado la habilidad de la IA para pronosticar la ciclogénesis tropical (la formación de depresiones tropicales, tormentas tropicales y huracanes)
- Los modelos de IA, al igual que los modelos basados en la física, sufren puntos ciegos, en gran parte a través de estrategias de optimización y un conjunto de datos de entrenamiento incompleto
No hay grandes amenazas de desarrollo detrás de Fernand
Fernand recibió un gran corte de pelo durante la noche, perdiendo toda la actividad de tormenta eléctrica por la cizalladura del viento, mientras aceleraba hacia el norte sobre el Atlántico abierto.
Aunque el NHC menciona la posibilidad de un refortalecimiento muy breve a medida que pasa sobre una bolsa de aguas cálidas en las próximas 24 horas, se pronostica que Fernand perderá sus características tropicales a última hora del miércoles.
Como discutimos en el boletín del lunes, el Atlantic aprovechará los descansos durante una semana o dos detrás de Fernand. Es posible que veamos algunas travesuras a lo largo de un frente estancado frente a la costa este este fin de semana o principios de la próxima semana, pero por ahora no se espera un desarrollo tropical significativo.
HAGA CLIC AQUÍ para descargar la guía de supervivencia para huracanes 2025 de la Autoridad Meteorológica Local 10.
Copyright 2025 by WPLG Local10.com - All rights reserved.