La IA mejora la predicción meteorológica: los investigadores duplican la fiabilidad de los pronósticos con entre 2 y 6 semanas de antelación

Las previsiones meteorológicas actuales son relativamente fiables para períodos de hasta 10 días. Las temperaturas, las precipitaciones, el viento y el momento en que se producen determinados fenómenos meteorológicos a menudo pueden predecirse con una precisión razonable.

Sin embargo, los sistemas de predicción actuales tienen dificultades cuando las previsiones se extienden al rango subestacional, aproximadamente entre dos y seis semanas de antelación. En este horizonte temporal, las previsiones se centran más en las probabilidades, las anomalías de temperatura, los patrones de precipitación y un mayor riesgo de determinadas condiciones meteorológicas.

Unas previsiones más precisas podrían aportar beneficios importantes, especialmente para la agricultura. Los agricultores podrían prepararse mejor para los períodos de sequía o de precipitaciones excesivas y ajustar en consecuencia sus planes de siembra, riego, fertilización y cosecha. Estas previsiones también son importantes para la gestión de emergencias y la preparación ante desastres.

Investigadores del MIT están trabajando para mejorar la precisión de las previsiones. En lugar de limitarse a entrenar un modelo de IA para que haga mejores predicciones, utilizan la IA para identificar errores recurrentes o sistemáticos en los modelos de predicción existentes que sus desarrolladores no habían detectado previamente y, después, corregirlos. El estudio se publicó en Nature.

Tras aplicar su modelo de aprendizaje automático al modelo de referencia entre los modelos de predicción existentes, los investigadores lograron duplicar la fiabilidad de las previsiones para el período de dos a seis semanas.

También aplicaron su IA a modelos de predicción menos avanzados, lo que redujo significativamente la brecha de rendimiento entre esos sistemas y el modelo líder. Los investigadores del MIT esperan implementar la técnica en todo el mundo, especialmente en regiones donde las alertas tempranas de desastres naturales son particularmente importantes.