Sistema de aprendizaje profundo puede predecir con precisión el clima extremo

Los ingenieros de la Universidad de Rice han desarrollado un sistema de aprendizaje profundo que es capaz de predecir con precisión los eventos climáticos extremos hasta con cinco días de antelación. El sistema, que se enseñó a sí mismo, solo requiere información mínima sobre las condiciones climáticas actuales para hacer las predicciones.             

Parte del entrenamiento del sistema implica examinar cientos de pares de mapas, y cada mapa indica las temperaturas de la superficie y las presiones del aire a una altura de cinco kilómetros. Esas condiciones se muestran varios días aparte. El entrenamiento también presenta escenarios que produjeron clima extremo, como olas de calor y frío que pueden causar olas de calor y tormentas de invierno. Una vez completado el entrenamiento, el sistema de aprendizaje profundo pudo hacer predicciones de clima extremo de cinco días basadas en mapas que no había visto antes, con una tasa de precisión del 85%.

Según Pedram Hassanzadeh, coautor del estudio que se publicó en línea en la revista Journal of Advances in Modeling Earth Systems de la Unión Geofísica Americana, el sistema podría usarse como una herramienta y actuar como una alerta temprana para los pronosticadores del clima. Será especialmente útil para aprender más sobre ciertas condiciones atmosféricas que causan escenarios de clima extremo. 

Debido a la invención de la predicción numérica del clima basada en computadora (NWP) en la década de 1950, las predicciones climáticas diarias han seguido mejorando. Sin embargo, la NWP no puede hacer predicciones confiables sobre eventos climáticos extremos, como las olas de calor. 

“Es posible que necesitemos supercomputadoras más rápidas para resolver las ecuaciones que gobiernan los modelos de predicción numérica del clima a una resolución más alta”, dijo Hassanzadeh, profesor asistente de ingeniería mecánica y de ciencias de la Tierra, el medio ambiente y los planetas en la Universidad de Rice. “Pero porque no entendemos completamente la física y las condiciones previas de los patrones climáticos que causan eventos extremos, también es posible que las ecuaciones no sean completamente precisas, y no producirán mejores predicciones, no importa cuánta potencia de cómputo pongamos en ellas”.

En 2017, Hassanzadeh se unió a los coautores del estudio y a los estudiantes de posgrado Ashesh Chattopadhyay y Ebrahim Nabizadeh. Juntos, emprendieron un camino diferente. 

“Cuando obtienes estas olas de calor o frío, si miras el mapa del clima, a menudo verás un comportamiento extraño en la corriente en chorro, cosas anormales como olas grandes o un sistema de alta presión que no se mueve en absoluto”, dijo Hassanzadeh. “Parecía que este era un problema de reconocimiento de patrones. Así que decidimos intentar reformular la predicción de clima extremo como un problema de reconocimiento de patrones en lugar de un problema numérico”.

“Decidimos entrenar a nuestro modelo mostrándole muchos patrones de presión en los cinco kilómetros sobre la Tierra, y diciéndole, para cada uno, ‘Este no causó clima extremo. Este causó una ola de calor en California. Este no causó nada. Este causó una ola de frío en el noreste'”, continuó Hassanzadeh. “No algo específico como Houston versus Dallas, sino más bien una sensación del área regional”.

Antes de las computadoras, se utilizaba la predicción analógica para la predicción del clima. Se hacía de una manera muy similar a la del nuevo sistema, pero eran humanos en lugar de computadoras. 

“Una forma en que se hacía la predicción antes de las computadoras es que miraban el patrón del sistema de presión de hoy, y luego iban a un catálogo de patrones anteriores y comparaban y trataban de encontrar un análogo, un patrón muy similar”, dijo Hassanzadeh. “Si ese patrón llevó a lluvia en Francia después de tres días, la predicción sería lluvia en Francia”.

Ahora, las redes neuronales pueden aprender por sí solas y no necesitan depender de los humanos para encontrar conexiones. 

“No importaba que no entendamos completamente los precursores porque la red neuronal aprendió a encontrar esas conexiones por sí misma”, dijo Hassanzadeh. “Aprendió qué patrones eran críticos para el clima extremo, y los usó para encontrar el mejor análogo”.

Para probar su concepto, el equipo se basó en datos tomados de simulaciones computacionales realistas. Informaron inicialmente sobre resultados tempranos con una red neuronal convolucional, pero el equipo luego se cambió a redes neuronales de cápsulas. Las redes neuronales convolucionales no pueden reconocer relaciones espaciales relativas, pero las redes neuronales de cápsulas sí. Estas relaciones espaciales relativas son importantes cuando se trata de la evolución de los patrones climáticos. 

“Las posiciones relativas de los patrones de presión, los altos y bajos que se ven en los mapas del clima, son el factor clave para determinar cómo evoluciona el clima”, dijo Hassanzadeh.

Las redes neuronales de cápsulas también requieren menos datos de entrenamiento que las redes neuronales convolucionales. 

El equipo continuará trabajando en el sistema para que pueda ser utilizado en la predicción operativa, pero Hassanzadeh espera que eventualmente conduzca a predicciones más precisas para el clima extremo. 

“No estamos sugiriendo que al final del día esto reemplace la NWP”, dijo. “Pero esto podría ser una guía útil para la NWP. Computacionalmente, esto podría ser una forma muy barata de proporcionar alguna orientación, una alerta temprana, que permita enfocar los recursos de la NWP específicamente donde es probable que ocurra el clima extremo”.

“Queremos aprovechar las ideas de la inteligencia artificial explicativa para interpretar lo que la red neuronal está haciendo”, dijo. “Esto podría ayudarnos a identificar los precursores de los patrones climáticos que causan eventos extremos y mejorar nuestra comprensión de su física”.