La inteligencia artificial ya puede predecir el clima en directo y en alta resolución gracias al trabajo de un equipo de investigadores del Instituto de Física de Cantabria (IFCA) y de Predictia. Este ha diseñado un modelo climático utilizando técnicas de deep learning que se usan, por ejemplo, en el conocido ChatGPT. De este modo, obteniendo datos en baja resolución son capaces de transformarlos y convertirlos en alta. De todos modos, la herramienta va mucho más allá.
“Los datos meteorológicos en directo tienen una resolución de 25 kilómetros, lo que podría suponer que para que Peñacabarga y para Santander tengamos la misma temperatura. Lo cual nosotros sabemos que no tiene mucho sentido”, explica Mario Santa Cruz, investigador del IFCA y de Predictia, que recuerda que lo principal es mejorar la precisión geográfica para así obtener una información climática más fiel.
Así que la idea es generar una imagen de alta resolución. “Para lo que antes teníamos un único valor para Peñacabarga y Santander, pues ahora nos permite separarlo en zonas más pequeñas y asignarles un valor ajustado a las características de esa región en particular”.
El investigador del IFCA -que es un centro mixto del Centro Superior de Investigaciones Científicas (CSIC) y la Universidad de Cantabria (UC)- apunta que los modelos físicos pueden realizar también análisis climáticos precisos y rápidos. “Sin embargo -matiza-, tienen un alto coste computacional comparado con estas técnicas, en las que, en cuestión de dos segundos, podemos ejecutar los datos de todo un día”.
La tecnología del modelo climático
De ahí la importancia de la tecnología del modelo climático. Como el IFCA coordina el proyecto europeo AI4EOSC, que pretende promover el uso de la inteligencia artificial en varias disciplinas, han podido aprovechar sus recursos computacionales para llevar a cabo el entrenamiento de la herramienta.
Es Javier Díez, investigador del Grupo de Clima del IFCA, quien explica cómo funciona. “Esto es, básicamente, un modelo climático que se mueve en el pasado, por ejemplo, 50 o 60 años, y que asimila datos observacionales, datos termómetros, datos de cesión, datos que tenemos registrados. Al final es la mejor representación que podemos tener del clima hoy en día: a través de estos modelos de reanálisis que nos sirve para entender cómo varía el clima en el pasado”. Es la mejor manera, según él, de estudiar cuáles son los patrones climáticos existentes, observando cómo variaba la climatología del pasado.
Funciona así: “Seleccionamos en el mapa una región mediterránea y entrenamos dos reanálisis, uno de baja resolución, de datos cada 25 kilómetros y un reanálisis de alta resolución, que tendría datos de cada 0,05 kilómetros, y ajustamos un modelo situado entre esos dos reanálisis, que entiende y aprende cuáles son sus relaciones”.
Es de esta manera como se puede hacer una predicción a 0,05 kilómetros sin necesidad de utilizar “un modelo dinámico y numérico” que, como se ha citado anteriormente, tendría un coste computacional enorme.
Por último, pertenecer a ese proyecto europeo les ha permitido utilizar también “el nodo GPUS, que son computadoras especialmente diseñadas para paralizar procesos que son útiles, precisamente, para ajustar este tipo de modelos de redes neuronales”.
