por Aaron Sidder, Unión Geofísica Americana
Según un estudio de 2009 , los adultos estadounidenses consultan las previsiones meteorológicas casi 300 000 millones de veces al año. Los pronósticos confiables pueden predecir el clima peligroso, como ventiscas, huracanes e inundaciones repentinas, tan pronto como 9 o 10 días antes del evento. Las estimaciones valoran estas previsiones en 31.500 millones de dólares al año.
Aunque la predicción del tiempo sigue mejorando año tras año para los pronósticos a más corto plazo, la habilidad de pronóstico disminuye en el marco de tiempo de 2 semanas a 2 meses. Estos pronósticos a más largo plazo pueden desempeñar un papel fundamental para muchos sectores , incluida la conservación del agua, la demanda de energía y la preparación para desastres.
En un nuevo estudio, Weyn et al. se propuso mejorar este pronóstico subestacional a estacional, como se le conoce, utilizando un enfoque novedoso para la predicción meteorológica. Usando una red neuronal convolucional , los autores desarrollaron un sistema de predicción meteorológica de aprendizaje automático llamado Predicción meteorológica de aprendizaje profundo (DLWP). El modelo se entrena con datos meteorológicos pasados, que difieren de los modelos numéricos estándar de predicción meteorológica que crean representaciones matemáticas de leyes físicas. DLWP proyecta de 2 a 6 semanas en el futuro para todo el mundo.
Los autores compararon el modelo DLWP con los modelos meteorológicos numéricos de última generación. La evaluación mostró que los pronósticos numéricos estándar funcionan mejor para plazos de entrega cortos, por ejemplo, de 2 a 3 semanas. Sin embargo, el modelo DLWP se comparó bien cuando se proyectó de 4 a 6 semanas más adelante.
Aunque el modelo DLWP aún no compite con los modelos existentes, y actualmente no puede pronosticar la precipitación, el enfoque de aprendizaje automático se muestra prometedor, dicen los autores. Por un lado, el modelo es computacionalmente más eficiente que otros enfoques. El modelo DLWP requiere solo 3 segundos para calcular un pronóstico de conjunto que consta de 320 ejecuciones de modelos independientes. Además, el modelo proporcionó con precisión un nuevo pronóstico de 4,5 días para el huracán Irma utilizando el vapor de agua total de la columna y sin precipitación. El huracán de categoría 5 asoló el norte del Caribe y los Cayos de Florida en 2017.
Los investigadores dicen que su estudio representa un importante paso adelante en el uso del aprendizaje automático para el modelado del tiempo y el clima. Los autores observaron que era notable en su capacidad para aprender fenómenos basados en la física. También señalaron que el modelo podría complementar los pronósticos en los trópicos y en los meses de primavera y verano, donde la mayoría de los modelos de predicción meteorológica actualmente tienen problemas.
