El aprendizaje automático se está convirtiendo en un componente cada vez más importante del pronóstico del tiempo. En el Centro Europeo de Predicción a Medio Plazo (ECMWF), se ha establecido un equipo para coordinar las actividades relacionadas y esperan que el aprendizaje automático siga desempeñando un papel cada vez mayor en el pronóstico del tiempo en los próximos años.

¿Qué es el aprendizaje automático?

El aprendizaje automático (machine learning) es un concepto que se encuentra entre la idea más general de inteligencia artificial y el subcampo más limitado del aprendizaje profundo (Deep learning).

Se refiere a construir modelos basados en datos de muestra para hacer predicciones o tomar decisiones. En la predicción numérica meteorológica este concepto contrasta con el enfoque tradicional de usar las leyes de la física para hacer predicciones.

Esto no significa que el aprendizaje automático suponga una pérdida de control sobre el proceso de predicción meteorológica.

“Al aplicar el aprendizaje automático, no permitimos que una computadora aprenda con muy poco control sobre ella. Más bien, hemos entrenado un algoritmo para realizar una tarea específica. Sabemos cómo fue entrenado para hacer algo y para qué fue entrenado”, dice Matthew Chantry, científico del Departamento de Investigación.

Aprendizaje automático en la previsión meteorológica

En el ECMWF, el aprendizaje automático tiene un papel que desempeñar en muchas partes del proceso de llegar a un pronóstico meteorológico numérico y más allá.

Algunos ejemplos son el control de calidad de las observaciones meteorológicas, el aprendizaje del error del modelo dentro de la asimilación de datos y la emulación de los componentes del modelo.

En el área de observaciones, por ejemplo, ECMWF ha desarrollado una herramienta de aprendizaje automático para la detección y clasificación de las anomalías de observación.

Esto mejorará la clasificación de eventos por severidad y causa y ayudará a monitorear los datos satelitales de un número creciente de plataformas. Todavía se está probando, pero representa una aplicación que ya está próxima al uso operativo.

La asimilación de datos es un campo que tiene algunas similitudes con el aprendizaje automático, ya que los datos de observación se utilizan para corregir la salida del modelo. Además, en la asimilación de datos se están haciendo intentos de combinar un modelo físico con métodos de aprendizaje automático para estimar y corregir el error del modelo.

En el campo de las predicciones meteorológicas numéricas, se ha avanzado en la sustitución de herramientas tradicionales que son muy costosas desde el punto de vista computacional por herramientas de aprendizaje automático, por ejemplo, en las áreas del esquema de radiación y la parametrización del arrastre de ondas de gravedad. Pero se deben cumplir requisitos muy altos en términos de estabilidad y precisión antes de implementar estos métodos.

El crecimiento actual del aprendizaje automático en el área de la predicción meteorológica es en parte el resultado de la disponibilidad de más datos.

Según Christine Kitchen, directora adjunta de Informática: “Algunos de los conceptos detrás del aprendizaje automático han existido durante mucho tiempo, pero en los últimos años la disponibilidad de datos ha experimentado un rápido crecimiento y la tecnología ha evolucionado hasta el punto de permitir que se logren algunos de los niveles más profundos de computación.”

El papel cada vez mayor del aprendizaje automático en las predicciones meteorológicas y climáticas numéricas se refleja en un curso masivo abierto en línea (Massive Open Online Course, MOOC) sobre el tema, que ECMWF está ejecutando hasta abril de este año.

Lo que puede deparar el futuro

Las opiniones varían respecto a en qué medida el aprendizaje automático puede reemplazar a los métodos más tradicionales en el futuro.

En un taller reciente de ECMWF-Agencia Espacial Europea sobre aprendizaje automático para la observación y predicción de la Tierra, algunos participantes sugirieron que eventualmente reemplazará a los actuales métodos de predicción numérica del tiempo.

Esta creencia se ve impulsada por la disponibilidad de conjuntos de datos históricos de alta calidad, como el reanálisis ERA5 de ECMWF de meteorología y clima global. ERA5 cubre muchas décadas y se ha producido utilizando métodos tradicionales.

La mayoría de los que participaron en la conferencia previeron una coexistencia más complementaria de las técnicas tradicionales y de aprendizaje automático en la predicción del tiempo: en aspectos de asimilación de datos, pronóstico y posprocesamiento.

“Sin embargo, no descartaría que el aprendizaje automático sea un componente importante del sistema de pronóstico dentro de diez años si el progreso continúa al ritmo actual”, dice Matthew.

Además, señala que los recursos computacionales necesarios para hacer una predicción utilizando el aprendizaje automático son mucho menores que en los métodos tradicionales. Esto permitiría, por ejemplo, utilizar un número mucho mayor de miembros en las predicciones por conjuntos que en los pronósticos actuales.

Mientras tanto, los coordinadores de aprendizaje automático de ECMWF están atentos a los desarrollos tanto internos como externos.

Para Victoria Bennett, Jefa de la Sección de Servicios al Usuario en el Departamento de Pronósticos: “Nuestro objetivo es asegurarnos de que las personas hablen entre sí internamente, pero también nos veo como puntos de contacto para que las partes externas en este campo establezcan conexiones con el Centro. También tratamos de garantizar que se pueda trasladar más trabajo de aprendizaje automático a las operaciones”.

Publicado en ECMWF, el 16 de enero de 2023.