Traducido de nuestra edición en inglés. Las fuentes originales figuran a continuación. Leer en inglés
Investigadores del MIT desarrollan una herramienta de IA para mejorar la predicción meteorológica subestacional
Investigadores del MIT han desarrollado un modelo de aprendizaje automático, conocido como Corrección Probabilística de Sesgos (PBC, por sus siglas en inglés), diseñado para mejorar la precisión de los pronósticos meteorológicos en el marco temporal de dos a seis semanas. Este rango subestacional, a menudo llamado el desierto de la predictibilidad, ha sido históricamente difícil de pronosticar con fiabilidad. La nueva capa de posprocesamiento basada en IA funciona como un complemento de los modelos dinámicos existentes, aprendiendo de errores históricos para refinar predicciones futuras. En las pruebas, la herramienta duplicó el poder predictivo del modelo del Centro Europeo de Previsiones Meteorológicas a Plazo Medio y demostró una mejora estadísticamente significativa en la predicción de eventos meteorológicos extremos, como olas de frío e inundaciones.
Puntos clave
- Investigadores del MIT desarrollaron una herramienta basada en IA llamada Corrección Probabilística de Sesgos (PBC) para mejorar los pronósticos meteorológicos subestacionales.
- La herramienta funciona como una capa de posprocesamiento que corrige errores sistémicos en los modelos de pronóstico existentes.
- El PBC duplicó el poder predictivo del modelo del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) en el rango de dos a seis semanas.
- El modelo muestra una mayor precisión para eventos meteorológicos extremos, que los métodos tradicionales de corrección de sesgos a menudo tienen dificultades para predecir.
- La herramienta es de código abierto y puede aplicarse a varios modelos de pronóstico existentes.
Qué ha cambiado
Un equipo de investigadores, incluidos miembros del MIT, Microsoft y el Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), ha introducido una nueva técnica de aprendizaje automático para mejorar las predicciones meteorológicas subestacionales. La herramienta, detallada en la revista Nature, aborda la ventana de pronóstico de dos a seis semanas, un período caracterizado anteriormente por una baja fiabilidad.
La herramienta de Corrección Probabilística de Sesgos (PBC) actúa como un envoltorio para los sistemas de pronóstico existentes. Al analizar datos históricos para identificar y eliminar sesgos sistemáticos, el modelo mejora sus correcciones de forma adaptativa. A diferencia de los métodos tradicionales de corrección de sesgos que a menudo regresan hacia la media, la herramienta PBC mantiene la precisión para eventos meteorológicos extremos.
Disponibilidad
La herramienta de Corrección Probabilística de Sesgos es de código abierto y está diseñada para ser de bajo costo. Aunque los investigadores utilizaron un clúster de supercomputación en el MIT para construir el modelo, el sistema resultante no requiere una supercomputadora para operar. La oficina meteorológica de la República de Kenia ha expresado supuestamente interés en implementar el modelo para ayudar con la planificación agrícola.
Por qué importa
Una mejor predicción subestacional podría permitir a los sectores energético y agrícola prepararse para eventos meteorológicos extremos con semanas de antelación, mitigando potencialmente fallos en la infraestructura y protegiendo el rendimiento de los cultivos.
Lo que sabemos
- Investigadores del MIT desarrollaron el modelo de aprendizaje automático de Corrección Probabilística de Sesgos (PBC).
- El modelo PBC mejora la precisión de los pronósticos meteorológicos en el rango subestacional de dos a seis semanas.