Se ha desplegado un nuevo sistema de inteligencia artificial para la predicción operativa de ciclones tropicales, que ofrece una mayor precisión y plazos de entrega en comparación con los modelos existentes. Desarrollado por investigadores que incluyen científicos de Google DeepMind, la Administración Nacional Oceánica y Atmosférica (NOAA) y varias instituciones académicas, el sistema llamado WeatherNext Cyclones (WN-C) proporciona pronósticos avanzados de conjuntos para el seguimiento, la intensidad y el tamaño de los ciclones tropicales a nivel mundial. Según el estudio publicado en Nature, el rendimiento del modelo demuestra una mejora mensurable en la predicción del comportamiento de los ciclones, lo que potencialmente mejora los sistemas de alerta temprana y los esfuerzos de preparación para desastres.
El equipo de investigación entrenó a WN-C utilizando una combinación de datos de análisis global y una base de datos completa de ciclones tropicales históricos que abarca décadas. Este entrenamiento permitió al modelo generar grandes conjuntos de posibles escenarios meteorológicos, que se extienden hasta 15 días por delante. Cuando se probó contra ciclones del mundo real de 2023 a 2025, el modelo mostró una ventaja promedio de tiempo de entrega de un día o más en comparación con los modelos de pronóstico operativo actuales.
A diferencia de los modelos tradicionales de alta resolución, WN-C opera de manera efectiva con datos de entrada que son significativamente más gruesos en detalle. Los investigadores notaron que esto sugiere que los datos de alta resolución no siempre pueden ser esenciales para un pronóstico preciso de la intensidad. Además, encontraron que los datos atmosféricos más gruesos utilizados por WN-C contenían señales más relevantes relacionadas con la intensidad del ciclón de lo que se suponía anteriormente. Este descubrimiento podría tener implicaciones en cómo se diseñan y optimizan los modelos meteorológicos en el futuro.
El diseño del modelo permite conjuntos escalables de hasta 1,000 miembros, que es mucho mayor que los conjuntos típicos de 50 miembros utilizados en el pronóstico convencional. Los conjuntos más grandes permiten una mejor representación de eventos meteorológicos raros y extremos, mejorando la confiabilidad de los pronósticos de largo alcance. El desarrollo de WN-C implica la colaboración entre múltiples organizaciones, incluidas Google DeepMind con sede en Londres, la Universidad de Waterloo en Canadá, Google Research en los Estados Unidos, el Centro Nacional de Huracanes de la NOAA en Florida y el Instituto Cooperativo de Investigación en la Atmósfera de la Universidad Estatal de Colorado.
Los principales contribuyentes incluyen a Ferran Alet, Tom R. Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi y Dominic Masters de Google DeepMind, junto con Wallace Hogsett, David Zelinsky, John Cangialosi y Jonathan Martinez de NOAA, y James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain y Helen Titley de otras instituciones. Los hallazgos destacan el papel creciente de la inteligencia artificial en el avance de las tecnologías de predicción del tiempo. Si bien el estudio reconoce la necesidad de una mayor validación e integración en las prácticas de pronóstico operativo, subraya el potencial de los modelos impulsados por IA para complementar y mejorar la experiencia humana en pronósticos meteorológicos.
La capacidad de WN-C para proporcionar una guía de conjunto detallada a los pronosticadores humanos marca un cambio significativo hacia predicciones meteorológicas más confiables y oportunas, que en última instancia podrían ayudar a reducir los riesgos asociados con los ciclones tropicales. Los investigadores enfatizaron que, si bien el modelo es prometedor, su implementación requiere una evaluación cuidadosa dentro de los marcos operativos existentes.
A medida que el modelo se acerca al despliegue operativo, se espera que los meteorólogos y los científicos del clima realicen evaluaciones extensas para evaluar su efectividad en condiciones variables. Estas evaluaciones implicarán comparar las predicciones de WN-C con los desarrollos reales de la tormenta y refinar el modelo basado en la retroalimentación de las observaciones de campo. El objetivo final es integrar esta tecnología en los servicios meteorológicos nacionales e internacionales para mejorar la seguridad pública y las estrategias de respuesta a desastres.
★
Mantengamos las noticias honestas.
ObjectiveNews se financia con los lectores y no tiene anuncios: te mostramos el sesgo en lugar de ocultarlo. Apoya el periodismo independiente por 4 €/mes.
Hazte suscriptor
United Kingdom
