El ECMWF refuerza su sistema de previsión del tiempo con inteligencia artificial
El ECMWF ha reforzado su sistema de previsión del tiempo mediante una herramienta con inteligencia artificial y siguiendo su acertada política de datos abiertos que arrancó hace unos años, podemos consultar estos pronósticos.
Desde hace pocos meses el panel de mapas del Centro Europeo nos ofrecía una primera versión de este tipo de pronóstico basado en el aprendizaje automático.
Ahora, el AFIS (Sistema Integrado de Pronóstico de Inteligencia Artificial) avanza en su versión de pruebas o alfa y se presenta como uno de los tres pilares del proyecto Machine Learning del ECMWF que irá mostrando más funcionalidades en los próximos meses y años.
Previsión del tiempo con inteligencia artificial por el ECMWF
El AIFS tiene como objetivo ampliar las aplicaciones de aprendizaje automático al campo del modelado del sistema terrestre.
Para que todos comprobemos sus prestaciones, desde junio de 2023 se muestran sus resultados de forma que podemos compararlos con los paneles de los mapas tradicionales.
En cualquier caso, los modelos numéricos de predicción meteorológica basados en la física, como el archiconocido IFS que consultamos diariamente, seguirán siendo claves para el Centro Europeo.
De momento, los modelos de ML no tienen aún parangón con los de IFS, por la amplitud de variables que predice y por su resolución espacial.
Actualmente, la asimilación de datos IFS proporciona las condiciones iniciales en vivo y es capaz de crear conjuntos de datos de entrenamiento aún inalcanzables para las predicciones de Inteligencia Artificial. Desde el ECMWF nos aseguran que se seguirá apostando por una continua mejora del IFS.
¿Qué es el AIFS?
Al pensar en qué tecnología basada en inteligencia artificial desarrollar, el ECMWF analizó todas las arquitecturas interesantes que se han desarrollado en proyectos ya en marcha.
Y para esta versión alfa eligieron Graph Neural Networks, construyendo una base de código flexible para que se puede reemplazar cualquier pieza del sistema si nuevos desarrollos externos o internos parecen prometedores.
Las redes neuronales gráficas permiten alejarse de las cuadrículas lat-lon, que tienen muchos puntos cerca de los polos, y utilizar cuadrículas gaussianas reducidas que tienen distancias casi iguales entre los puntos de la cuadrícula sin importar en qué parte del mundo se encuentre. Estas son también las redes que utiliza el IFS para crear ERA5 y las condiciones iniciales operativas.
Esta versión alfa AIFS tiene 13 niveles de presión, funciona con una resolución de aproximadamente 1º y realiza predicciones de viento, temperatura, humedad y geopotencial.
En la superficie, AIFS hace predicciones de temperatura a 2 m, vientos a 10 m, presión en superficie y más.
El ECMWF actualizará todo ello periódicamente con el objetivo de aumentar la resolución y agregar campos como precipitación.
Campos de mejora en la predicción del ECMWF con inteligencia artificial
Desde el ECMWF nos cuenta que AIFS fue entrenado para minimizar el error cuadrático medio, lo que significa que ha sido diseñado para usarlo como modelo determinista.
Uno de los próximos grandes pasos será el desarrollo de un sistema por conjunto. En este sentido, la oferta principal del IFS en la actualidad es la de un sistema de predicción por conjuntos porque se sabe que es la forma más útil de hacer pronósticos a mediano plazo.
Por ejemplo, en la siguiente gráfica se puede ver una comparativa entre IFS y AIFS para altura geopotencial a 500 hPa.
En meteorología, esta es la primera medida del flujo extratropical a gran escala, pero sigue siendo sólo una medida única de un modelo de pronóstico. Desde el ECMWF creen que el nuevo modelo aproximado ya está resultando muy prometedor en esta métrica y que es consistente con los resultados de otros modelos de ML.
Error cuadrático medio en la altura geopotencial a 500 hPa para el IFS (rojo) y el AIFS (rojo oscuro) en los meses de junio-julio-agosto de 2023 en los extratrópicos del hemisferio norte.
Muy interesante y un buen ejemplo de un buen uso que se le puede dar a la IA, como otros muchos positivos, que sirvan para beneficiar a la sociedad.
DE momento, por mis conocimientos sobre IA, esta suele aplicarse a situaciones en las que las causas no pueden describirse con ecuaciones matemáticas como las que rigen la Física. Si conoces la Ley Física que hay detrás, qué mejor modelo que ese?. No obstante, dado que la IA está basada en redes neuronales que ajustan parámetros según el entrenamiento que siguen, pueden predecir resultados cuando las causas que los provocan son desconocidas o caja negra. En ese sentido, podria ayudar a los modelos basados en Física en esas situaciones a las que estos no puedan llegar.
Desde luego, es una posibilidad muy interesante. Veremos en el futuro cómo se va implantando.