En una investigación que podría mejorar la previsión meteorológica y la seguridad vial en invierno, un estudio dirigido por la Universidad de Michigan distinguió nueve tipos distintos de precipitación (variedades de lluvia, nieve y fase mixta, como el aguanieve) mediante aprendizaje automático no supervisado y casi una década de datos de cámaras de alta velocidad. La investigación se publicó en Science Advances .
por Patricia Delacey, Universidad de Michigan
La lluvia y la nieve tienen la misma probabilidad a temperaturas superiores e inferiores al punto de congelación (entre -3 °C y 5 °C), lo que dificulta realizar predicciones precisas. Este estudio forma parte de un esfuerzo de la NASA para que las observaciones sirvan para informar y mejorar los modelos meteorológicos .
«A corto plazo, una mejor previsión meteorológica puede ayudar a las personas a adaptar sus desplazamientos diarios o a prepararse para grandes eventos como inundaciones o tormentas de hielo. A mayor escala, puede ayudar a predecir cómo la acumulación de nieve o el ritmo de la escorrentía modificarán la disponibilidad de agua dulce en una región», afirmó Claire Pettersen, profesora adjunta de ciencias climáticas y espaciales e ingeniería en la UM.
Los investigadores emplearon técnicas estadísticas y aprendizaje automático para identificar los factores subyacentes que distinguen la precipitación y ordenar los datos en función de ellos. Su sistema de clasificación incluye dos tipos de lluvia, dos de nieve y cinco combinaciones únicas:
- Llovizna: lluvia ligera y constante
- Lluvias intensas: lluvias intensas con numerosas gotas pequeñas
- Transición de lluvia ligera a mezcla: aguanieve ligera con densos gránulos de hielo
- Transición de lluvia intensa a mezcla: aguanieve intensa con densos gránulos de hielo
- Fase mixta ligera: un volumen bajo de partículas fangosas y parcialmente congeladas
- Fase mixta pesada: un gran volumen de partículas parcialmente congeladas y pastosas
- Transición de nieve intensa a mezcla: grandes copos de nieve y partículas de agregado
- Nevadas ligeras—nevadas ligeras y esponjosas
- Fuertes nevadas: una intensa y fuerte tormenta de nieve
Centrándose en las transiciones de fase de lluvia a nieve
Predecir la fase —sólida o líquida— de la precipitación es un desafío hoy en día por varias razones. Temperaturas entre -3 °C (26,6 °F) y 5 °C (41 °F) pueden producir nieve o lluvia con la misma probabilidad . Los modelos meteorológicos se aproximan a la compleja microfísica que ocurre dentro de las nubes, lo que introduce errores. Y los satélites, que rastrean los sistemas meteorológicos desde el espacio, se basan en observaciones de precipitación de campañas de campo que podrían no reflejar las condiciones actuales.
Para ampliar y actualizar los datos que se utilizan en los modelos meteorológicos, la NASA desarrolló un sistema de cámara especializado llamado Paquete de Imágenes de Precipitación (PIP) y lo implementó en siete sitios en Estados Unidos, Canadá y Europa. El instrumento, un disdrómetro de video, utiliza una cámara impermeable de alta velocidad y una luz brillante para registrar la precipitación que cae a través del campo de visión de la cámara. Sus mediciones de tamaño de partículas, distribución de tamaño , densidad, concentración y velocidad de caída ayudan a delinear la nieve y la lluvia. (Un disdrómetro es un instrumento que mide la velocidad y la distribución de tamaño de las partículas de precipitación).
En este estudio, los investigadores aprovecharon los datos PIP recopilados continuamente durante nueve años en esos siete sitios, lo que equivale a 1,5 millones de mediciones de partículas a escala diminuta. Los complementaron con mediciones de estaciones meteorológicas de superficie para obtener un panorama completo de las condiciones ambientales, que incluían temperatura, humedad relativa, punto de rocío, presión y velocidad del viento.
Descubrimiento de la estructura del conjunto de datos con reducción de dimensionalidad UMAP
Para comprender este enorme conjunto de datos, el equipo de investigación empleó la reducción de dimensionalidad, una técnica estadística que simplifica datos con muchas variables para comprender los patrones subyacentes. De los dos modelos probados, un método no lineal, que permite relaciones indirectas o condicionales entre variables, superó a un método lineal convencional que requiere relaciones directas.
En comparación con los datos de radar meteorológico independientes de Marquette, Michigan, el método no lineal rastreó las transiciones de precipitación que coincidieron con las observaciones de radar y al mismo tiempo redujo los casos ambiguos en un 36% en comparación con el método lineal.
«Los procesos de precipitación son muy no lineales. Muchos factores influyen en la precipitación a medida que cae y afectan lo que experimentamos en la superficie», dijo Pettersen.
Este método no lineal, denominado UMAP (Aproximación y Proyección de Variedad Uniforme), redujo la dimensionalidad en un 75%, identificando tres factores principales que distinguen la precipitación: fase, intensidad y características de las partículas. Estos factores ayudaron a identificar y definir estos distintos tipos de precipitación. Cabe destacar que UMAP también destaca las vías entre los tipos, lo que proporciona una comprensión más profunda de transiciones como la de lluvia intensa a aguanieve.
Para difundir ampliamente sus resultados, el equipo de investigación ofrece un gráfico interactivo para visualizar los datos y una interfaz pública para que cualquiera pueda probar su sistema de clasificación. Sin conocimientos previos de programación, los usuarios pueden introducir las variables climáticas disponibles y obtener una distribución de probabilidad de la clase de precipitación.
«Estamos entusiasmados por ver cómo otras personas usarán esto y esperamos que proporcione algún beneficio a la comunidad de modelado a través de la interfaz y la tabla de búsqueda que hemos creado aquí», dijo Fraser King, investigador de ciencias climáticas y espaciales e ingeniería en la UM y autor principal del estudio.
Los datos están disponibles en Deep Blue Data .
Más información: Fraser King et al., Decodificación de los procesos de precipitación global y la evolución de partículas mediante aprendizaje no supervisado, Science Advances (2025). DOI: 10.1126/sciadv.adu0162
