El modelo de inteligencia artificial (IA) de última generación GraphCast de Google DeepMind ofrece predicciones meteorológicas precisas con hasta diez días de antelación en menos de un minuto. Asimismo, advierte de manera temprana sobre fenómenos climáticos extremos, al pronosticar las trayectorias de los ciclones, identificar ríos atmosféricos asociados al riesgo de inundación o la aparición de temperaturas extremas.
En el contexto actual, en el que el clima es cada vez más extremo, la predicción del tiempo de manera rápida y precisa es uno de los principales desafíos de la ciencia. Los pronósticos a medio plazo son de gran utilidad para respaldar la toma de decisiones basadas en datos en todos los sectores, desde la planificación de la generación de energía renovable hasta la logística de eventos, así como pueden ayudar a evitar los efectos de tormentas e inundaciones.
Sin embargo, estas proyecciones son difíciles de hacer con precisión y eficiencia. Generalmente, se basan en la predicción meteorológica numérica (NWP, por sus siglas en inglés), que usa ecuaciones físicas definidas que luego se traducen en algoritmos informáticos ejecutados en superordenadores. La problemática de este enfoque tradicional es que diseñar las ecuaciones y los algoritmos requiere mucho tiempo, una amplia experiencia y costosos recursos informáticos para obtener una elevada precisión.
El aprendizaje profundo ofrece un enfoque diferente: utilizar datos en lugar de ecuaciones físicas para crear un sistema de pronóstico del tiempo. En este sentido, GraphCast supone un avance en la utilización de la inteligencia artificial para la predicción meteorológica, pues se basa en el aprendizaje automático y las redes neuronales de gráficos (Graph Neural Networks, GNN), que conforman una arquitectura útil para procesar datos estructurados espacialmente.
Datos climatológicos históricos
GraphCast se basa en décadas de datos meteorológicos históricos para aprender un modelo de las relaciones de causa y efecto que controlan la evolución del clima, desde el presente hasta el futuro. En concreto, se entrena en base a cuatro décadas de datos de reanálisis meteorológico, desde el conjunto de datos ERA5 del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF). Esta información se cimenta en observaciones climatológicas históricas, como imágenes de satélite, radares y estaciones meteorológicas que utilizan NWP para rellenar los espacios donde las observaciones están incompletas a fin de reconstruir un valioso registro del tiempo histórico a nivel mundial.
Esta herramienta realiza pronósticos con una resolución de 0,25 grados de longitud/latitud (28 km x 28 km en el ecuador), esto es, más de un millón de puntos de entrecruzamiento que cubren toda la superficie de la Tierra. En cada punto el modelo predice cinco variables de la superficie terrestre (incluidas temperatura, velocidad y dirección del viento, y presión media al nivel del mar) y seis variables atmosféricas en cada uno de los 37 niveles de altitud (como humedad específica, temperatura, y velocidad y dirección del viento).
Resultados obtenidos por GraphCast
Aunque el entrenamiento de GraphCast fue computacionalmente intensivo, el modelo resultante es altamente eficiente (realizar pronósticos a diez días le lleva menos de un minuto en una sola máquina Google TPU v4) en comparación con el enfoque convencional que puede requerir horas de cálculo en un superordenador con cientos de máquinas. También puede identificar eventos climáticos extremos antes que los modelos tradicionales.
En la evaluación integral de desempeño frente al sistema de simulación meteorológica estándar de la industria, el Pronóstico de Alta Resolución (HRES), GraphCast proporcionó predicciones más precisas en más del 90% de 1.380 variables de prueba y pronosticó tiempos de ejecución. En la evaluación de la troposfera (la parte de la atmósfera de 6 a 20 kilómetros de altura más cercana a la superficie de la Tierra donde un pronóstico preciso es más importante), el modelo de Google DeepMind superó al HRES en el 99,7% de las variables de prueba sobre el clima futuro.
Para producir los datos, GraphCast requiere solo dos conjuntos de datos: el estado del tiempo hace 6 horas y el estado del tiempo actual. Luego, el modelo predice el clima en intervalos de tiempo de seis horas hasta alcanzar los diez días.
Centro Europeo de Pronósticos Meteorológicos a Medio Plazo
Al abrir el código, se permite que científicos y meteorólogos de todo el mundo puedan adaptar el modelo para fenómenos climáticos concretos u optimizarlo para diferentes partes del mundo con la finalidad de beneficiar a miles de millones de personas en su vida cotidiana. De hecho, GraphCast ya está siendo usado por diversas agencias meteorológicas, como es el caso del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo, que está llevando a cabo un experimento en vivo en torno a las predicciones de este modelo en su sitio web.
ECMWF está evaluando las habilidades de predicción de una serie de modelos basados en datos disponibles públicamente, como es el caso de GraphCast, con el propósito de proporcionar los resultados para fines de prueba y comparación.
El pasado mes de septiembre, una versión del modelo disponible públicamente, implementada en la página web de ECMWF, predijo con precisión con unos nueve días de antelación que el huracán Lee llegaría a Nueva Escocia. Por el contrario, los pronósticos tradicionales presentaban una mayor variabilidad en cuanto al lugar y al momento en el que ocurriría, y solo fijaban el sitio exacto con unos seis días de anticipación.
GraphCast puede aplicar un rastreador de ciclones directamente a los pronósticos y caracterizar ríos atmosféricos, regiones estrechas de la atmósfera que transfieren la mayor parte del vapor de agua fuera de los trópicos y cuya intensidad puede indicar si traerán lluvias beneficiosas o diluvios que provocarán inundaciones. Igualmente, es capaz de caracterizar cuándo el calor aumentará por encima de las temperaturas máximas históricas para cualquier lugar determinado de la Tierra, lo que resulta particularmente útil para anticipar olas de calor.
En previsión de la transformación de los patrones meteorológicos en la coyuntura actual de clima cambiante, GraphCast también evolucionará a medida que haya datos de mayor calidad disponibles. Además de anticipar el tiempo, Google DeepMind pretende ayudar a comprender patrones más amplios del clima. Así, el desarrollo de nuevas herramientas y la aceleración de la investigación contribuirán a que la IA empodere a la comunidad global para abordar los desafíos medioambientales.