La IA mejora las predicciones de lluvia del monzón

1 de abril 2024

Esta artículo ha sido revisado de acuerdo al proceso editorial y políticas de Science X. Los editores han destacado los siguientes atributos mientras garantizaban la credibilidad del contenido:

• Verificado
• Publicación revisada por pares
• Fuente confiable
• Corregido

por Lori Dajose, Instituto de Tecnología de California

Cada año, la temporada de monzones del sur de Asia trae fuertes lluvias a más de mil millones de personas en el subcontinente indio entre junio y septiembre. La lluvia cae en oscilaciones: algunas semanas ven de 1 a 4 pulgadas de agua, mientras que otras semanas son en su mayoría secas. Predecir cuándo ocurrirán estos períodos secos y húmedos es fundamental para la planificación agrícola y urbana, permitiendo a los agricultores saber cuándo cosechar los cultivos y ayudando a los funcionarios de la ciudad a prepararse para las inundaciones. Sin embargo, aunque las predicciones del tiempo son en su mayoría precisas dentro de uno o dos días, predecir el tiempo con precisión una semana o un mes por adelantado es muy difícil.

Ahora, un nuevo pronóstico basado en machine learning ha demostrado predecir con mayor precisión la lluvia del monzón del sur de Asia con 10 a 30 días de antelación, una mejora significativa en los pronósticos actuales de última generación que utilizan la modelización numérica en lugar de la inteligencia artificial para hacer predicciones. Comprender el comportamiento de los monzones también es importante porque este tipo de lluvia es una característica atmosférica importante en el clima global.

La investigación fue dirigida por Eviatar Bach, el Asociado de Investigación Postdoctoral de Foster y Coco Stanback, en Ciencias y Ingeniería Ambiental, quien trabaja en los laboratorios de Tapio Schneider, profesor de Ciencias e Ingeniería Ambiental Theodore Y. Wu, y científico investigador senior de JPL; y Andrew Stuart, el Profesor Bren de Informática y Ciencias Matemáticas.

Un documento que describe el nuevo método aparece en los Anales de la Academia Nacional de Ciencias.

'Existe mucha preocupación sobre cómo el cambio climático afectará el monzón y otros eventos climáticos como huracanes, olas de calor y así sucesivamente,' dice Bach. 'Mejorar las predicciones en plazos más cortos es una parte importante de la respuesta al cambio climático porque necesitamos ser capaces de mejorar la preparación para estos eventos.'

Pronosticar el tiempo es difícil porque la atmósfera contiene numerosas inestabilidades, por ejemplo, la atmósfera se calienta continuamente desde la tierra debajo, lo que conduce a un aire más frío y denso sobre un aire más caliente y menos denso, así como la inestabilidad causada por el calentamiento irregular y la rotación de la Tierra. Estas inestabilidades conducen a una situación caótica en la que los errores e incertidumbres en la modelización del comportamiento de la atmósfera se multiplican rápidamente, lo que hace prácticamente imposible predecir más adelante en el futuro.

Los modelos actuales de última generación utilizan la modelización numérica, que son simulaciones informáticas de la atmósfera basadas en las ecuaciones físicas que describen el movimiento de los fluidos. Debido al caos, el tiempo predecible máximo para el clima a gran escala suele ser de alrededor de 10 días. Predecir el comportamiento promedio a largo plazo de la atmósfera, es decir, el clima, también es posible, pero predecir el tiempo en el intervalo de tiempo de dos semanas a varios meses ha sido un desafío con los modelos numéricos.

Con los monzones del sur de Asia, la lluvia tiende a caer en ciclos de ráfagas intensas seguidas de períodos secos. Estos ciclos se conocen como oscilaciones intraestacionales de monzón (MISO). En la nueva investigación, Bach y sus colaboradores añadieron un componente de machine learning a los modelos numéricos actuales de última generación. Esto permitió a los investigadores recoger datos sobre los MISOs y hacer mejores predicciones de las precipitaciones en la difícil escala de tiempo de dos a cuatro semanas. El modelo resultante pudo mejorar las correlaciones de las predicciones con las observaciones en hasta un 70%.

'En los últimos años, ha habido un creciente interés en el uso del machine learning para la predicción del tiempo', dice Bach. 'Nuestro trabajo muestra que una combinación de machine learning y modelización numérica más tradicional puede producir resultados precisos.'

El documento lleva por título 'Mejora de la predicción subestacional de las lluvias del monzón del sur de Asia utilizando pronósticos basados en datos de modos oscilatorios'. Además de Bach, los coautores son V. Krishnamurthy y Jagadish Shukla de la Universidad George Mason; Safa Mote de la Universidad Estatal de Portland; A. Surjalal Sharma y Eugenia Kalnay de la Universidad de Maryland; y Michael Ghil de la École Normale Supérieure en París, UCLA, y el Imperial College de Londres.

Información del diario: Anales de la Academia Nacional de Ciencias

Proporcionado por Instituto de Tecnología de California