Un modelo de IA simula 1.000 años del clima actual en un solo día

En un estudio publicado en AGU Advances, investigadores de la Universidad de Washington utilizaron IA para simular el clima actual de la Tierra y su variabilidad interanual durante hasta 1.000 años.

El modelo se ejecuta en un solo procesador y genera un pronóstico en tan solo 12 horas. En una supercomputadora de última generación, la misma simulación tardaría aproximadamente 90 días.

Los llamados "fenómenos meteorológicos de 100 años" parecen ahora casi comunes, ya que inundaciones, tormentas e incendios siguen marcando nuevos estándares de magnitud, intensidad y destrucción.

Sin embargo, para clasificar el clima como un verdadero fenómeno de 100 años, debe haber solo un 1% de probabilidad de que ocurra en un año determinado. El problema radica en que los investigadores no siempre saben si el clima se ajusta al clima actual o desafía las probabilidades.

Los modelos tradicionales de pronóstico meteorológico funcionan con supercomputadoras que consumen mucha energía y que suelen estar alojadas en grandes instituciones de investigación. En los últimos cinco años, la inteligencia artificial se ha convertido en una herramienta poderosa para realizar pronósticos más económicos y rápidos, pero la mayoría de los modelos basados en IA solo pueden pronosticar con precisión a 10 días de antelación. Aun así, los pronósticos a largo plazo son cruciales para la ciencia del clima y para ayudar a las personas a prepararse para las próximas estaciones.

"Estamos desarrollando una herramienta que examina la variabilidad de nuestro clima actual para ayudar a responder a esta pregunta persistente: ¿Es un evento dado algo que ocurre de forma natural o no?", afirmó Dale Durran, profesor de ciencias atmosféricas y climáticas de la Universidad de Washington.

Durran fue uno de los primeros en introducir la IA en el pronóstico meteorológico hace más de cinco años, cuando él y el exestudiante de posgrado de la Universidad de Washington, Jonathan Weyn, se asociaron con Microsoft Research. Durran también es investigador conjunto con Nvidia, empresa con sede en California.

"Para entrenar un modelo de IA, hay que proporcionarle una gran cantidad de datos", explicó Durran. "Pero si se desglosan los datos históricos disponibles por temporada, no se obtienen muchos fragmentos".

Los conjuntos de datos globales más precisos para el clima diario datan aproximadamente de 1979. Si bien existen muchos días entre esa fecha y la actualidad que pueden usarse para entrenar un modelo de pronóstico meteorológico diario, el mismo período contiene menos estaciones. Esta falta de datos históricos se percibía como una barrera para el uso de la IA en el pronóstico estacional.

Irónicamente, la última contribución del grupo Durran a la predicción, el Modelo del Sistema Terrestre de Aprendizaje Profundo (DLESyM), se entrenó para pronósticos de un día, pero aun así aprendió a capturar la variabilidad estacional.

El modelo combina dos redes neuronales: una que representa la atmósfera y la otra, el océano. Si bien los modelos tradicionales del sistema terrestre suelen combinar pronósticos atmosféricos y oceánicos, los investigadores aún no habían incorporado este enfoque en modelos impulsados únicamente por IA.

"Fuimos los primeros en aplicar este marco a la IA y descubrimos que funcionaba muy bien", afirmó el autor principal, Nathaniel Cresswell-Clay, estudiante de posgrado en ciencias atmosféricas y climáticas de la Universidad de Washington. Presentamos este modelo como un desafío a muchas de las suposiciones actuales sobre la IA en la ciencia del clima.

Dado que la temperatura de la superficie del mar cambia más lentamente que la del aire, el modelo oceánico actualiza sus predicciones cada cuatro días, mientras que el modelo atmosférico lo hace cada 12 horas. Cresswell-Clay trabaja actualmente en la incorporación de un modelo de superficie terrestre a DLESyM.

"Nuestro diseño abre la puerta a la incorporación de otros componentes del sistema terrestre en el futuro", afirmó en un comunicado, especialmente componentes que han sido difíciles de modelar en el pasado, como la relación entre el suelo, las plantas y la atmósfera. En lugar de que los investigadores creen una ecuación para representar esta compleja relación, la IA aprende directamente de los datos.

Los investigadores demostraron el rendimiento del modelo comparando sus pronósticos de eventos pasados con los generados por los cuatro modelos principales de la sexta fase del Proyecto de Intercomparación de Modelos Acoplados (CMIP6), todos ellos ejecutados en supercomputadoras. Las predicciones climáticas del clima futuro a partir de estos modelos fueron recursos clave utilizados en el último informe del Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC).

DLESyM simuló ciclones tropicales y el ciclo estacional del monzón de verano indio mejor que los modelos CMIP6. En latitudes medias, DLESyM capturó la variabilidad mensual e interanual de los patrones meteorológicos al menos tan bien como los modelos CMIP6.

Por ejemplo, el modelo capturó eventos de "bloqueo" atmosférico tan bien como los principales modelos basados en la física. El bloqueo se refiere a la formación de dorsales atmosféricas que mantienen regiones cálidas y secas, y otras frías o húmedas, al desviar los sistemas meteorológicos entrantes.

"Muchos de los modelos climáticos existentes no captan este patrón de forma adecuada", afirmó Cresswell-Clay. "La calidad de nuestros resultados valida nuestro modelo y aumenta nuestra confianza en sus proyecciones futuras".

Ni los modelos CMIP6 ni el DLESyM son 100% precisos, pero el hecho de que el enfoque basado en IA fuera competitivo con un consumo de energía mucho menor es significativo.