Inteligencia artificial contra las catástrofes naturales: así va a revolucionar la meteorología

Durante la mayor parte de la historia de la humanidad, el tiempo meteorológico ha sido una incógnita que hacía temblar a los humanos y tambalearse a las civilizaciones. De las lluvias o de una helada a destiempo podía depender que ese año hubiese alimento o hambruna. Es por ello que la predicción meteorológica ha sido una ambición desde hace milenios. Se podría decir que hoy está esencialmente resuelta. Sin embargo, se abre paso una nueva revolución gracias a la tecnología que está presente ya en tantos ámbitos: la Inteligencia Artificial (IA).

El origen de la meteorología

La meteorología en tiempos anteriores a la ciencia moderna estaba dominada por la superstición, la religión y el folclore: se buscaban respuestas en la astrología; las rogativas, con procesiones incluidas, invocaban la intervención divina para traer las lluvias, y se creía en mitos populares sin el menor fundamento ni fiabilidad, como las cabañuelas en España. Pero incluso en tiempos antiguos hubo intentos de comprender sistemáticamente cómo funcionaba la meteorología.

Más de seis siglos antes de nuestra era, los babilonios ya observaban los patrones de nubes y los fenómenos ópticos como los halos para intentar predecir el tiempo. En Oriente se hizo algo similar, y en la Grecia clásica Aristóteles publicó hacia el 340 a.C. su tratado Meteorologica, en el que combinó observaciones agudas con errores de bulto.También los patrones han sido el fundamento de los primeros métodos modernos de predicción. Con los instrumentos de medida adecuados, en el siglo XIX los registros detallados se utilizaban para pronosticar el tiempo cuando aparecían condiciones similares a otras pasadas, y la invención del telégrafo permitió enviar las predicciones a larga distancia para asistir a los navegantes. Los primeros pronósticos se atribuyen a los oficiales de la Marina inglesa Francis Beaufort y Robert FitzRoy —capitán del HMS Beagle durante el famoso viaje de Charles Darwin—; FitzRoy creó en 1854 lo que sería después la Met Office de Reino Unido. En 1861 el diario The Times publicaba su primer pronóstico del tiempo.

Modelos numéricos para predecir el tiempo

Fue ya en el siglo XX cuando el noruego Vilhelm Bjerknes y el británico Lewis Fry Richardson sentaron las bases de los métodos de predicción utilizados hoy, los modelos numéricos: ecuaciones que describen el funcionamiento de la atmósfera. Pero por entonces el conocimiento aún era limitado. Richardson imaginaba un enorme equipo de técnicos realizando los cálculos necesarios en cadena, algo impracticable que vino a suplir la computación. En 1950 la primera computadora electrónica programable de uso general, ENIAC, elaboró el primer pronóstico meteorológico numérico informatizado, una predicción a 24 horas que la máquina tardó casi el mismo tiempo en completar. En 1955 la predicción mediante estos modelos comenzó a convertirse en una herramienta práctica.

Estos modelos predictivos, refinados y mejorados con el tiempo, son la fuente habitual de los pronósticos actuales. Según los científicos atmosféricos Russ Schumacher y Aaron Hill, de la Universidad Estatal de Colorado, hoy se predicen fuertes lluvias a dos días con la precisión que en los años 90 solo podía alcanzarse para el mismo día, y en 30 años se ha recortado a la mitad el error en la trayectoria de los huracanes. Pero aún hay mejoras posibles en la predicción de fenómenos extremos, y un factor de caos que dificulta los pronósticos a más de 10 días. Además, la predicción necesita para cada cálculo infinidad de datos de estaciones terrestres y satélites, dividiendo la atmósfera en una enorme rejilla para aplicar la resolución de ecuaciones a cada cuadrícula; todo ello requiere horas de procesamiento por supercomputadores que solo pueden actualizar las previsiones unas cuatro veces al día.

Nuevas técnicas para predecir el tiempo atmosférico

Frente a estos sistemas ya tradicionales, una nueva revolución surge a través del aprendizaje automático. Curiosamente, los algoritmos de IA vuelven al concepto de Beaufort y FitzRoy: comparar patrones del pasado, pero con una capacidad inasequible para el ser humano. En 2023 Google DeepMind presentaba su sistema GraphCast, y Huawei el suyo, Pangu-Weather. Estos algoritmos de IA requieren un aprendizaje complejo; GraphCast se entrenó con 40 años de datos históricos en 32 ordenadores durante cuatro semanas.

Pero una vez entrenado, el algoritmo puede ejecutarse en un ordenador de sobremesa. Según los científicos de DeepMind, el sistema “predice cientos de variables meteorológicas para los próximos 10 días con una resolución global de 0,25 grados en menos de un minuto”, superando la precisión de los modelos numéricos en el 90% de los casos, también en los fenómenos extremos. Todo ello, a un coste energético 1.000 veces más barato que el uso de modelos numéricos en los supercomputadores. El Centro Europeo de Previsiones Meteorológicas a Plazo Medio, cuyo modelo numérico es considerado el mejor del mundo, ha comenzado a introducir la predicción por IA de manera experimental. Google dispone también de un sistema, MetNet-3, para pronósticos de alta resolución a 24 horas.

Según los expertos, a corto plazo la IA no va a desbancar los modelos numéricos. Schumacher y Hill apuntan que, al aprender solo de datos históricos y no estar constreñidos por las ecuaciones de la dinámica atmosférica, los algoritmos podrían producir resultados poco realistas —como ocurre en las imágenes generadas por IA—; al fin y al cabo, y como señala la revista Science, una IA entrenada es una caja negra. “Encontrar el equilibrio correcto entre las herramientas automatizadas y el conocimiento de los humanos expertos ha sido un largo desafío en la meteorología”, dicen los dos investigadores.

Pero el progreso de estos modelos ayudará también en un campo más amplio, clima y cambio climático. Según 'Science', estos sistemas de IA podrán impulsar una nueva generación de modelos climáticos de alta resolución en los nuevos supercomputadores de exaescala, que producirán suficientes datos climáticos para después entrenar IA capaces de predecir la evolución del clima con gran precisión a largo plazo.