El aprendizaje automático y su aplicación radical a la predicción de condiciones meteorológicas adversas

El aprendizaje automático y su aplicación radical a la predicción de condiciones meteorológicas adversas

Una imagen de microondas del huracán Dorian. Según Anthony Wimmers, científico del Instituto Cooperativo de Estudios de Satélites Meteorológicos de la Universidad de Washington, el aprendizaje automático podría permitir a los pronosticadores hacer mejores predicciones sobre la intensidad de los sistemas tropicales como el huracán Dorian utilizando imágenes de satélite de microondas como esta. Crédito: UW 揗 adison CIMSS

En la última década, las aplicaciones de inteligencia artificial (“IA”) se han disparado en varios sectores de investigación, incluida la visión por computadora, las comunicaciones y la medicina. Ahora, la tecnología en rápido desarrollo está dejando su huella en la predicción del tiempo.

Los campos de la ciencia atmosférica y la meteorología satelital son ideales para la tarea, ya que ofrecen un rico campo de entrenamiento capaz de alimentar el apetito interminable de datos de un sistema de inteligencia artificial. Anthony Wimmers es un científico del Instituto Cooperativo de Estudios de Satélites Meteorológicos Adison de la Universidad de Wisconsin (CIMSS) que ha estado trabajando con sistemas de IA durante los últimos tres años. Su última investigación investiga cómo un modelo de IA puede ayudar a mejorar el pronóstico a corto plazo (o “pronóstico inmediato”) de huracanes.

Conocido como DeepMicroNet, el modelo utiliza aprendizaje profundo, un tipo de red neuronal dispuesta en capas interactivas “profundas” que encuentra patrones dentro de un conjunto de datos. Wimmers explora cómo un sistema de inteligencia artificial como DeepMicroNet puede complementar y respaldar los sistemas convencionales de predicción del tiempo.

En un artículo de 2019 publicado en la revista Revisión mensual del clima, Wimmers y sus colegas Chris Velden, de CIMSS, y Josh Cossuth, del Laboratorio de Investigación Naval de EE. UU., Describen una forma de aprovechar el aprendizaje profundo para estimar la fuerza de los huracanes en función de datos de satélites meteorológicos particulares. A medida que pasan por encima, estos satélites recopilan información clave sobre la estructura de un huracán a través de mediciones en la parte de microondas del espectro electromagnético. Con 30 años de datos de microondas, el documento demuestra cómo el modelo puede estimar, con una precisión creciente, la intensidad de un ciclón tropical.

“Los resultados del estudio son muy prometedores, no solo por la precisión del pronóstico inmediato del modelo, sino también porque estos resultados provienen de datos que no se utilizan normalmente para estimar la intensidad de los huracanes”, dice Wimmers.

Los análisis rápidos como estos pueden brindar a los pronosticadores información vital sobre el comportamiento de una tormenta y qué esperar, como si la tormenta se someterá a reemplazos de la pared del ojo o se intensificará rápidamente.

Al predecir los vientos máximos sostenidos de un huracán, los resultados de DeepMicroNet difirieron del registro histórico de valores estimados por los pronosticadores en aproximadamente 16 millas por hora. Sin embargo, los resultados de DeepMicroNet mejoraron cuando los conjuntos de datos se limitaron a datos medidos directamente por aviones. Entonces, DeepMicroNet se desvió por menos de 11.5 mph. En comparación, las estimaciones que utilizan métodos de vanguardia suelen tener una diferencia de alrededor de 10 millas por hora.

Wimmers se propuso responder a tres preguntas principales. Primero, quería determinar qué tan bien se desempeñaba el modelo en comparación con los métodos más avanzados para predecir la intensidad de los huracanes. En segundo lugar, era importante evaluar si los resultados eran significativos y avanzaban en la ciencia de la meteorología. Por último, quería demostrar nuevas formas de incorporar datos de uso menos común, como imágenes de microondas, en modelos de predicción, al tiempo que ofrece información valiosa sobre una tormenta.

“La razón por la que los sistemas de aprendizaje profundo han crecido tanto en la meteorología satelital es porque están listos para este tipo de aplicaciones, donde hay decenas de miles de imágenes disponibles para entrenar un modelo”, dice Wimmers. “También se aplica a situaciones en las que necesita una respuesta rápida”.

Wimmers diseñó su experimento para probar qué tan bien un sistema de inteligencia artificial podía reproducir la historia de un huracán. Las intensidades históricas de los huracanes provienen de una combinación de estimaciones de pronosticadores basadas en otros datos satelitales y observaciones de aeronaves. Sin conocimiento de los tipos de datos, el trabajo de DeepMicroNet era estimar las intensidades de un gran conjunto de datos independientes de imágenes de microondas medidas en las frecuencias de 37 GHz y 89 GHz.

“Esas dos frecuencias son útiles para revelar diferentes estructuras de huracanes”, dice Wimmers. “Su resolución relativamente tosca también significa que pueden analizarse y procesarse en una computadora rápidamente”.

El aprendizaje automático y su aplicación radical a la predicción de condiciones meteorológicas adversas
El ojo del huracán Isabel. Investigadores del Instituto Cooperativo de Estudios de Satélites Meteorológicos de la Universidad de Washington y del Laboratorio de Investigación Naval de EE. UU. Están explorando formas en las que el aprendizaje automático podría ayudar a mejorar la previsión meteorológica para condiciones meteorológicas adversas, como los huracanes. Crédito: NASA

El programa de inteligencia artificial de Wimmers es capaz de reproducir más de 50.000 imágenes de huracanes en menos de dos horas. Fue codificado con Python, un lenguaje de programación que se ha convertido en el estándar para poderosas aplicaciones de aprendizaje automático. Wimmers dice que estos sistemas alcanzan el máximo rendimiento después de ejecutar al menos decenas de miles de ejemplos. A través del procesamiento repetitivo de imágenes de entrenamiento, el sistema demostró que podía detectar y memorizar patrones en la estructura de un huracán.

DeepMicroNet entregó los resultados finales después de una prueba de validación utilizando un subconjunto más pequeño de solo 3,000 imágenes. Aquí aplicó lo aprendido durante el entrenamiento y evaluó con precisión la intensidad de los ciclones tropicales. En el pasado, la ejecución de modelos con grandes conjuntos de datos podía tardar hasta una semana en calcularse. Hoy, sin embargo, los avances en computación han reducido una tarea de entrenamiento como la de DeepMicroNet a 90 minutos.

“Estos resultados fueron una demostración prometedora del tipo de cosas que podemos hacer con el aprendizaje automático en el futuro”, dice Wimmers. “Podemos interpretar los resultados de las redes de aprendizaje profundo para mejorar nuestros modelos físicos. Podemos encontrar patrones que solían estar fuera de nuestro alcance porque eran demasiado complicados”.

Si bien los sistemas de aprendizaje profundo pueden tener potentes capacidades predictivas, su diseño tiene un inconveniente inherente. Fuera de la comunidad de IA, las palabras “caja negra” se utilizan a menudo para describir los sistemas de IA y sus resultados. Una fuente de largo debate, la “caja negra” se refiere a lo difícil que puede ser, a veces, trazar el camino que tomó un modelo de IA para llegar a su conclusión. Presenta un problema importante para la comunidad científica, ya que se basa en la transparencia y la reproducibilidad.

Wimmers argumenta que a pesar de algunas de las metodologías opacas de la IA, los investigadores tienen mucho que ganar al sondear los sistemas de IA y sus procesos.

“Por un lado, un modelo de aprendizaje profundo de procesamiento de imágenes puede decirle bastante sobre sí mismo en función de su rendimiento, o dónde centró sus esfuerzos y qué áreas de una imagen fueron de mayor importancia”, dice Wimmers. “Pero por otro lado, no tenemos un buen sistema para traducir toda esa información a su física básica e interpretarla para decirnos lo que está sucediendo en el mundo natural”.

Los modelos meteorológicos más tradicionales se basan en una serie de ecuaciones y conjuntos de datos derivados de la física de la atmósfera. Por el contrario, un sistema de inteligencia artificial a menudo ignora cualquier suposición existente y se enfoca únicamente en encontrar patrones en los datos. En el mejor de los casos, el sistema de inteligencia artificial incorpora procesos naturales en la atmósfera que antes eran ignorados por los modelos tradicionales.

Los hallazgos de IA, entonces, podrían usarse para complementar los modelos meteorológicos actuales y revelar tendencias que merecen una mayor investigación. Wimmers ve que ambos enfoques juegan roles complementarios, cada uno con sus fortalezas y debilidades.

“Si bien (los modelos meteorológicos convencionales) y los modelos de aprendizaje profundo ya comparten muchas similitudes en su funcionamiento, son dos herramientas diferentes que sirven para diferentes propósitos, y podemos hacer uso de ambos”, dice.

El campo de la investigación de la IA está evolucionando tan rápidamente que Wimmers dice que puede ser un desafío mantenerse al día. Sin embargo, su trabajo está a la vanguardia del uso de la IA como herramienta para mejorar los pronósticos meteorológicos. El director del CIMSS, Tristan L, “Ecuyer considera que la IA desempeña un papel cada vez más importante en varias áreas de las ciencias atmosféricas, como la identificación de condiciones meteorológicas adversas, la identificación de turbulencias, la predicción de nieve con efecto lago, la medición del movimiento del aire y el seguimiento de los movimientos del hielo marino.

“Ahora que las imágenes satelitales de alta resolución se capturan cada pocos minutos y generan enormes volúmenes de datos para analizar, existe la necesidad de desarrollar nuevas formas innovadoras de extraer información práctica de ellas”, dice L “Ecuyer”. La IA va a jugar un papel fundamental en la transición de la recopilación de datos a la producción y acción de información en la próxima década y CIMSS se está posicionando para liderar este esfuerzo en los próximos años “.


Similar Posts

Leave a Reply