Este año, la Tierra ha sido azotada por un número récord de fenómenos meteorológicos extremos e impredecibles, que se han visto agravados por el cambio climático. Predecirlos con mayor precisión y rapidez nos preparararía mejor para los desastres naturales y ayudar a salvar vidas. Un nuevo modelo de IA de Google DeepMind podría facilitarlo.

En una investigación publicada el 14 de noviembre en Science, el modelo GraphCast de Google DeepMind fue capaz de predecir las condiciones meteorológicas con 10 días de antelación, mayor precisión y rapidez que el patrón actual. GraphCast superó al modelo del Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF, por sus siglas en inglés) en más del 90% de unas 1.300 zonas de prueba. En las predicciones sobre la troposfera terrestre, la parte más baja de la atmósfera y donde se produce la mayoría de los fenómenos atmosféricos, GraphCast superó al modelo del ECMWF en más del 99% de las variables meteorológicas, como la lluvia y la temperatura.

Lo más importante: GraphCast también puede ofrecer avisos precisos a los meteorólogos antes que los modelos estándar, e informar sobre condiciones como las temperaturas extremas y las trayectorias de ciclones. En septiembre, GraphCast predijo nueve días antes que el huracán Lee tocaría tierra en Nueva Escocia, explica Rémi Lam, investigador científico de Google DeepMind. Los modelos tradicionales de predicción meteorológica señalaban la llegada del huracán con solo seis días de antelación.

"La predicción meteorológica es uno de los problemas más desafiantes en los que la humanidad lleva trabajando mucho tiempo. Y, si nos fijamos en lo ocurrido en los últimos años con el cambio climático, es un problema muy importante", afirma Pushmeet Kohli, vicepresidente de Investigación de Google DeepMind. 

Los meteorólogos suelen utilizar simulaciones informáticas masivas para realizar predicciones meteorológicas. Su ejecución consume mucha energía y tiempo porque las simulaciones tienen en cuenta ecuaciones basadas en la física y distintas variables meteorológicas como la temperatura, la precipitación, la presión, el viento, la humedad y la nubosidad, una por una.

GraphCast utiliza el aprendizaje automático para hacer estos cálculos en menos de un minuto. En lugar de utilizar ecuaciones basadas en la física, basa sus predicciones en cuatro décadas de datos meteorológicos. GraphCast utiliza redes neuronales gráficas que representan la superficie de la Tierra en más de un millón de puntos. En cada punto de esta cuadrícula, el modelo predice la temperatura, la velocidad y dirección del viento, la presión media a nivel del mar, y otras condiciones como la humedad. La red neuronal puede encontrar patrones y extraer conclusiones sobre lo que ocurrirá en cada uno de estos puntos.

Desde hace un año, la predicción meteorológica experimenta una revolución, ya que modelos como GraphCast, Pangu-Weather de Huawei y FourcastNet de Nvidia han hecho que los meteorólogos se replanteen el papel que puede desempeñar la IA en la predicción del tiempo. "GraphCast mejora el rendimiento de otros modelos de la competencia, como Pangu-Weather, y puede predecir más variables meteorológicas", afirma Lam. De hecho, el ECMWF ya lo está utilizando.

"Cuando Google DeepMind presentó GraphCast en diciembre de 2022, parecía Navidad", recuerda Peter Dueben, jefe de Modelización del Sistema Terrestre del ECMWF, aunque no participó en la investigación.

"Demostró que estos modelos son tan buenos que ya no podemos evitarlos", asegura Dueben.

GraphCast es un "punto de inflexión" para la predicción meteorológica porque demuestra que se pueden hacer predicciones en base a datos históricos, afirma Aditya Grover, profesor adjunto de informática en la UCLA (California, EE UU). Grover ha desarrollado ClimaX, un modelo básico que permite a los investigadores realizar distintas tareas relacionadas con la modelización del tiempo y el clima de la Tierra.

El modelo de DeepMind es "un gran trabajo, muy emocionante", reconoce Oliver Fuhrer, jefe de Predicción Numérica de MeteoSwiss, la Oficina Federal Suiza de Meteorología y Climatología. Fuhrer añade que otras agencias meteorológicas, como el ECMWF y el Instituto Meteorológico e Hidrológico Sueco, también han utilizado la arquitectura de red neuronal gráfica propuesta por Google DeepMind para construir sus propios modelos.

Sin embargo, GraphCast no es perfecto. Todavía se encuentra por detrás de los modelos convencionales de predicción meteorológica en aspectos como las precipitaciones, asegura Dueben. Los meteorólogos tendrán que seguir utilizando modelos convencionales junto a modelos de aprendizaje automático para ofrecer mejores predicciones.

Google DeepMind también ha conseguido que GraphCast sea de código abierto. Es un buen avance, asegura Grover.

"Con el cambio climático en auge, es importante que las grandes organizaciones, que se han permitido el lujo de tanto cálculo, también piensen en devolver [valor a la comunidad científica]".