Las lluvias y los eventos extremos, bajo la lupa de una IA creada por científicos del MIT

Un equipo de Microsoft Research y el Instituto Tecnológico de Massachusetts (MIT) presentó una herramienta de inteligencia artificial que corrige errores recurrentes de los modelos meteorológicos y elevó su rendimiento en pronósticos emitidos con entre dos y seis semanas de anticipación.

El estudio fue publicado el 14 de octubre en la revista Nature .

La propuesta, denominada corrección probabilística de sesgos o PBC por su sigla en inglés, no reemplaza los sistemas que ya emplean los servicios meteorológicos.

Funciona como una capa posterior que revisa sus fallos históricos y ajusta la probabilidad asignada a cada escenario posible.

Las previsiones de este rango, conocidas como subestacionales, cubren un período decisivo para planificar siembras, administrar redes eléctricas o activar protocolos ante inundaciones, olas de frío y otros eventos extremos.

Sin embargo, su fiabilidad suele disminuir a partir de las dos semanas, cuando las pequeñas imprecisiones iniciales se amplifican.

El sistema ajusta probabilidades en lugar de crear un modelo desde cero La herramienta analiza los pronósticos previos de un modelo y los contrasta con las condiciones que finalmente ocurrieron.

Con esa información, identifica sesgos que se repiten según el sitio, la época del año y la variable analizada, como temperatura, precipitación o presión atmosférica.

El sistema combina dos mecanismos.

Uno corrige errores sistemáticos de cada modelo para una ubicación y fecha determinadas.

El otro incorpora observaciones recientes y patrones estacionales para considerar la evolución inmediata de la atmósfera.

“Conforme se dispone de más previsiones y datos, nuestro modelo mejora de forma adaptativa su corrección”, explicó Judah Cohen , investigador del MIT.

Por su parte, Lester Mackey , de Microsoft Research, indicó que el método aprende las formas en que cada modelo suele equivocarse y produce una estimación mejorada para el período subestacional.

Las evaluaciones se hicieron sobre modelos dinámicos, sistemas basados en inteligencia artificial y configuraciones híbridas.