![](http://www.technologyreview.es/sites/default/files/mit-images/feed_mit_image_240718_AIWeatherPredictions.jpg)
Los expertos en meteorología discrepan sobre si el aprendizaje automático o los métodos más tradicionales son más efectivos a la hora de predecir el tiempo. Los investigadores de Google apuestan por ambas cosas
Investigadores de Google han creado un nuevo modelo de predicción meteorológica que combina el aprendizaje automático con técnicas más convencionales, lo que podría dar lugar a previsiones precisas por una fracción del coste actual.
El modelo, denominado NeuralGCM y descrito en un artículo publicado en Nature, salva una brecha que ha crecido entre los expertos en predicción meteorológica en los últimos años.
Aunque las nuevas técnicas de aprendizaje automático que predicen el tiempo a partir de años de datos pasados son extremadamente rápidas y eficaces, pueden tener problemas con las predicciones a largo plazo. Por otra parte, los modelos de circulación general, que han dominado la predicción meteorológica en los últimos 50 años, utilizan complejas ecuaciones para modelizar los cambios en la atmósfera y ofrecer previsiones precisas, pero su ejecución es excesivamente lenta y costosa. Los expertos están divididos sobre qué herramienta será más fiable en el futuro. Pero el nuevo modelo de Google intenta combinar ambas.
"No se trata de física contra inteligencia artificial. Se trata de física e inteligencia artificial juntas», afirma Stephan Hoyer, investigador de inteligencia artificial en Google Research y coautor del artículo.
El sistema sigue utilizando un modelo convencional para calcular algunos de los grandes cambios atmosféricos necesarios para hacer una predicción. A continuación, incorpora la IA, que suele dar buenos resultados allí donde esos modelos de mayor envergadura fallan, normalmente para predicciones a escalas inferiores a unos 25 kilómetros, como las que tienen que ver con formaciones nubosas o microclimas regionales (la niebla de San Francisco, por ejemplo). «Ahí es donde inyectamos IA de forma muy selectiva para corregir los errores que se acumulan a pequeña escala», explica Hoyer.
El resultado, dicen los investigadores, es un modelo que puede producir predicciones de calidad más rápidamente con menos potencia de cálculo. Afirman que NeuralGCM es tan preciso como las predicciones de uno a 15 días del Centro Europeo de Predicción Meteorológica a Medio Plazo (ECMWF), organización asociada a la investigación.
Pero la verdadera promesa de una tecnología como esta no consiste en mejorar las predicciones meteorológicas locales, afirma Aaron Hill, profesor adjunto de la Escuela de Meteorología de la Universidad de Oklahoma (EE UU), que no ha participado en esta investigación. Se trata más bien de fenómenos climáticos a gran escala cuyo modelado con técnicas convencionales resulta prohibitivo. Las posibilidades podrían ir desde predecir ciclones tropicales con más antelación hasta modelizar cambios climáticos más complejos para los que faltan años.
«Simular el mundo una y otra vez o durante largos periodos de tiempo requiere muchos cálculos», afirma Hill. Esto significa que los mejores modelos climáticos se ven obstaculizados por los elevados costes de la potencia de cálculo, lo que supone un verdadero cuello de botella para la investigación.
En efecto, los modelos basados en la IA son más compactos. Una vez entrenados, normalmente con 40 años de datos meteorológicos históricos del ECMWF, un modelo de aprendizaje automático como el GraphCast de Google puede funcionar con menos de 5.500 líneas de código, frente a las casi 377.000 líneas necesarias para el modelo de la Administración Nacional Oceánica y Atmosférica, según el artículo.
De acuerdo con Hill, NeuralGCM parece demostrar que la inteligencia artificial puede utilizarse en determinados elementos de la modelización meteorológica para agilizar las cosas sin perder los puntos fuertes de los sistemas convencionales.
«No tenemos por qué tirar por la borda todos los conocimientos que hemos adquirido en los últimos 100 años sobre el funcionamiento de la atmósfera», afirma. «De hecho, también podemos integrar eso con el poder de la IA y el aprendizaje automático».
Hoyer dice que utilizar el modelo para predecir el tiempo a corto plazo ha sido útil para validar sus predicciones, pero que el objetivo es, de hecho, ser capaz de utilizarlo para el modelado a más largo plazo, en particular para el riesgo meteorológico extremo.
NeuralGCM será de código abierto. Aunque Hoyer afirma que espera que los científicos del clima lo utilicen en sus investigaciones, el modelo puede interesar no sólo a los académicos. Los comerciantes de materias primas y los profesionales agrícolas pagan mucho dinero por las predicciones de alta resolución, y los modelos utilizados por las compañías de seguros para productos como los seguros contra inundaciones o fenómenos meteorológicos extremos se esfuerzan por tener en cuenta el impacto del cambio climático.
Aunque muchos de los escépticos de la IA en la predicción meteorológica se han dejado convencer por los últimos avances, según Hill, el rápido ritmo es difícil de seguir para la comunidad investigadora. Parece como si Google, Nvidia o Huawei lanzaran un nuevo modelo cada dos meses. Esto dificulta a los investigadores la tarea de determinar cuáles de las nuevas herramientas serán más útiles y solicitar las subvenciones correspondientes.
«El apetito [por la IA] está ahí », afirma Hill. «Pero creo que muchos seguimos esperando a ver qué pasa».