Investigadores Emplean IA para la Predicción del Tiempo
Crédito: CC0 Dominio Público
La predicción del clima no es fácil. La verdad es que predecir las condiciones climáticas futuras sobre amplias, o incluso estrechas, franjas de la superficie de la Tierra se reduce a procesos microfísicos complejos. Como lo expresa la profesora asociada del Colegio de Ingeniería y líder del Grupo de Modelado de Calidad del Aire y la Atmósfera de UConn, Marina Astitha, la naturaleza es caótica.
Astitha y su grupo de investigación están a la vanguardia de la exploración de maneras de mejorar la predicción del clima utilizando IA y aprendizaje automático para mejorar los modelos físicos existentes. Han desarrollado nuevos métodos para la predicción de la acumulación de nieve y las ráfagas de viento asociadas con eventos meteorológicos extremos en tres documentos recientes publicados en el Journal of Hydrology, Artificial Intelligence for the Earth Systems, y otro en el Journal of Hydrology.
La investigadora postdoctoral Ummul Khaira, Ph.D. '24, lideró el trabajo de predicción de nieve durante su tiempo como estudiante de doctorado. La candidata a doctorado Israt Jahan está apasionada por construir modelos que mejoren las predicciones de ráfagas de viento dañinas de las tormentas.
Los investigadores se reunieron con UConn Today para discutir la importancia y las aplicaciones cotidianas de las capacidades de predicción mejoradas utilizando estas nuevas tecnologías.
¿Existen desafíos de predicción que sean únicos para el noreste?
Astitha: Hay características en el noreste que hacen que sea particularmente difícil hacer predicciones meteorológicas. Esto es especialmente cierto para el clima invernal porque tenemos Nor'easters que pueden venir del centro del país o del Golfo. Algunos se mueven lentamente y son altamente predecibles. Algunos pueden ser lo que llamamos un ciclón bomba, donde se apresuran aquí y descargan mucha nieve en poco tiempo.
Para la predicción del clima, tradicionalmente utilizamos modelos de predicción meteorológica numérica basados en principios físicos y que han visto grandes mejoras en los últimos 20-30 años. Hemos estado ejecutando nuestro propio sistema de predicción del clima en UConn desde 2014, basado en modelos físicos. Sin embargo, la predicción meteorológica numérica conlleva sus propios desafíos debido a la incertidumbre en las parametrizaciones que son necesarias cuando no se conocen leyes físicas para un proceso específico.
Para las tormentas de viento, las ráfagas de viento específicamente son una variable complicada. Es viento, pero la forma en que lo observamos y la forma en que lo modelamos es diferente.
¿Puedes explicar más sobre la física utilizada en los modelos de predicción meteorológica numérica?
Astitha: La precipitación es un proceso a microscale. A medida que el aire se eleva y se enfría, se forman nubes, y dentro de esas nubes, pequeñas gotas de nube se desarrollan a través de interacciones microfísicas complejas. Con el tiempo, algunas de estas gotas crecen lo suficiente como para convertirse en gotas de lluvia o copos de nieve. Una vez que alcanzan un tamaño crítico, la gravedad las hace caer al suelo como precipitación. Este proceso entero está gobernado por procesos microfísicos.
Intentamos predecir tales procesos microfísicos incrustados en los modelos meteorológicos numéricos resolviendo muchas ecuaciones y parametrizaciones. Estos modelos describen nuestra atmósfera como una cuadrícula 3D, dividiéndola en cajas discretas donde resolvemos ecuaciones basadas en principios fundamentales (movimiento, termodinámica y más). Este enfoque plantea un gran desafío: incluso con una resolución aumentada, cada celda de la cuadrícula a menudo representa un gran volumen de aire, típicamente de uno a cuatro kilómetros cuadrados. A pesar de los esfuerzos por refinar la cuadrícula, estas celdas aún abarcan áreas vastas, limitando la capacidad del modelo para resolver procesos a escalas más pequeñas.
La predicción numérica es lo que me trajo aquí. Hace 20 años, podía ejecutar un código para resolver numéricamente las ecuaciones de la física de la atmósfera, y luego podía decir aproximadamente cómo sería el clima al día siguiente. ¡Eso, para mí, fue asombroso!
Una vez que ejecutas un modelo determinista, obtienes una respuesta sobre cuál será la temperatura, digamos, 75 grados mañana en Storrs. Esa es una posible realización del futuro. Modelos como ese no son capaces de darnos una respuesta exacta, porque la naturaleza es caótica. Siempre he tenido la mentalidad de mirar múltiples modelos para tener una idea de esa incertidumbre y variabilidad, y si 10 realizaciones diferentes te dan 74, 75 o 76 grados, sabes que estás cerca.
Khaira: Pocas cosas son más humildes que una nevada que desafía la predicción. Mi trabajo consiste en abrazar esa incertidumbre en el caos y construir modelos no para prometer perfección, sino para ofrecer a las comunidades y a los tomadores de decisiones una ventana más clara sobre lo que podría venir.
¿Cómo está ayudando su reciente investigación con los desafíos de la predicción meteorológica numérica?
Astitha: Imagina un Nor'easter que viene hacia nosotros durante el invierno; llegan con mucha nieve y viento. Trabajamos con el Centro de Energía Eversource y estamos interesados no solo en el avance científico, sino también en el impacto y la precisión en la predicción de cuándo y dónde ocurrirá esa tormenta en Connecticut. La precisión de la predicción del clima influye en la estimación de impactos; por ejemplo, cortes de energía. Podríamos subestimar o sobreestimar el impacto por mucho. Eso hace que las tormentas invernales sean de particular interés debido al impacto que tienen en nuestra sociedad, nuestras redes de transporte y las redes de distribución de electricidad.
Hace cinco años, decidimos probar si un marco de aprendizaje automático podría ayudar con la predicción de ráfagas de viento y nieve. Viene con sus propios desafíos e incertidumbres, pero rápidamente vimos que hay mucha promesa en estas herramientas para corregir errores y hacerlo mejor que lo que la predicción meteorológica numérica puede hacer y en una fracción del tiempo. El aprendizaje automático y la IA pueden ayudar a mejorar el análisis de ráfagas de viento y nieve, pero estos sistemas tampoco son perfectos.
Queremos poder predecir mejor las tormentas sobre Connecticut y el noreste de EE. UU., razón por la cual comenzamos esta exploración con ML/IA, a pesar de que la mayoría de la investigación disponible sobre cómo implementar IA en la predicción del clima es a nivel global o de resolución mucho más gruesa, pero estamos llegando allí.
¿Puedes hablar sobre el impacto cotidiano de la investigación?
Astitha: Un ejemplo es cuando los árboles están llenos de hojas como lo están a finales de primavera y verano, y una tormenta llega con mucha lluvia y viento intenso. Árboles enteros pueden caer y derribar las líneas de energía, lo que causa muchas interrupciones en todo el estado.
Nuestra estrecha colaboración con el Centro de Energía Eversource implica que nuestros colaboradores inmediatos toman esta información de predicción climática y predicen operativamente cortes de energía para Connecticut y otros territorios de servicio. Esa información puede ir a los gerentes de servicios públicos, para que puedan prepararse con dos a tres días de anticipación, lo que indica un vínculo directo entre la ciencia y la ingeniería con la aplicación y el gerencia.
Entiendo las frustraciones de la gente y la necesidad de respuestas sobre predicciones meteorológicas y los impactos de las tormentas. Quieres saber si tu familia estará a salvo y si debes o no salir durante tiempos particulares del día. Estamos realizando esta investigación para mejorar la fiabilidad y la precisión de la predicción del clima, de modo que las comunidades y los interesados estén al tanto de lo que sucede cuando la tormenta impacta su área y puedan tomar acciones adecuadas.
Jahan: Es increíblemente gratificante saber que mi trabajo tiene el potencial de mejorar las advertencias tempranas y dar a las comunidades más tiempo para prepararse. Al combinar IA y análisis de incertidumbre, no solo estamos haciendo que las predicciones de ráfagas sean más precisas, sino ayudando a los tomadores de decisiones a planificar con mayor confianza.
Suscríbete a nuestro boletín gratuito y recibe actualizaciones sobre avances, innovaciones e investigaciones que importan—diarias o semanales.
Comments ()