Intel·ligència artificial per a la previsió acurada de la precipitació

Una nova eina d’intel·ligència artificial desenvolupada per DeepMind en col·laboració amb el Servei de Meteorologia del Regne Unit es mostra capaç de predir les precipitacions amb més precisió que els models actuals de previsió a molt curt termini.

Resultats superiors als dels sistemes actuals en prop del 90% de casos

DeepMind és una filial britànica del conglomerat Alphabet Inc. des de la seva adquisició per part de Google l’any 2014. Es dedica al desenvolupament d’eines d’intel·ligència artificial (IA). L’aproximació de la companyia, basada en l’aprenentatge profund o deep learning, ara s’ha aplicat a la previsió de les precipitacions a molt curt termini. Es tracta de les previsions que cobreixen les dues hores immediates, i que poden ser de gran importància per exemple per als organitzadors d’esdeveniments a l’aire lliure, els sistemes d’alerta d’inundacions, l’agricultura, la planificació dels serveis d’emergències o el sector de l’aviació.

Les capacitats de les eines IA de DeepMind per a aquesta mena de previsions meteorològiques han estat analitzades a l’estudi “Skilful precipitation nowcasting using deep generative models of radar”, publicat a la revista Nature el mes de setembre de 2021.

Per a l’estudi esmentat, investigadors de DeepMind i del Servei de Meteorologia del Regne Unit (Met Office) van entrenar una xarxa neuronal amb dades de radars meteorològics, britànics i nord-americans, recollides entre 2016 i 2018, i posteriorment la van posar a prova utilitzant dades de 2019. L’eina d’IA es va mostrar capaç de fer previsions generals versemblants per a zones de fins a 1.536 km per 1.280 km, i d’estimar amb precisió la probabilitat de precipitació puntual, així com la intensitat, per a zones d’1 km per 1,5 km, amb noranta minuts d’antelació i a partir solament de cinc minuts de dades històriques de radar.

Draft Echave-Sustaeta 628996013-image1.png

Captura d’animació de deepmind.com: esquema de funcionament del sistema de DeepMind: els proppassats vint minuts de radar s’empren per oferir prediccions probabilístiques per als propers noranta (© DeepMind)

La precisió de l’eina de DeepMind va ser avaluada comparant-ne les previsions amb les de dos altres instruments que solen emprar els meteoròlegs actualment (un de basat en les aproximacions estadístiques i un altre també d’aprenentatge profund). En el marc d’un estudi a cegues dut a terme per una cinquantena de meteoròlegs de la Met Office, el model d’IA de DeepMind va aconseguir classificar-se en primer lloc en el 89% dels experiments realitzats.

Aquesta recerca demostra el potencial de la intel·ligència artificial com a eina potent per a la millora de les previsions meteorològiques en el curt termini i la comprensió de l’evolució dels esquemes meteorològics, segons la Met Office. De la seva banda, segons DeepMind, els models actuals en el llarg termini (entre sis hores i dues setmanes) tenen tendència a basar-se en simulacions matemàtiques amb una important intensitat de càlcul (NWP), cosa que en compromet la resolució i la precisió per a horitzons temporals curts. Diu la companyia que els models meteorològics entre zero i dues hores són especialment mediocres, i és aquest interval el que es pretén cobrir amb les tecnologies de DeepMind, en actuacions anomenades de nowcasting (de now + forecast), de pronòstic immediat.

Malgrat les bones prestacions dels instruments d’IA de DeepMind per a aquests terminis tan curts, un dels autors de l’estudi “Skilful precipitation nowcasting ...” creu que les persones seguiran tenint un paper en les previsions meteorològiques, fins i tot quan l’ús de la intel·ligència artificial es popularitzi definitivament: caldran experts humans per assegurar-se de la correcta interpretació de les dades realitzada per les eines d’IA: a hores d’ara si més no es fa difícil d’imaginar un sistema absolutament automatitzat capaç de fer-ho.

Els autors de l’estudi esperen que el seu treball posi les bases per a una més gran integració de l’aprenentatge automàtic i la ciència ambiental, i que serveixi per donar suport a la presa de decisions encertada en un època de clima canviant. Reconeixen també les limitacions d’aquesta llur nova aproximació, especialment en el referent a les prediccions en el llarg termini i a la precisió de previsió per a fenòmens altament infreqüents i de gran intensitat. Caldrà doncs, conclouen, seguir treballant en el desenvolupament de noves maneres d’avaluació de les prestacions dels seus mètodes.

Draft Echave-Sustaeta 628996013-image2.png

El model generatiu profund per a pluja (Deep Generative Model of Rain, DGMR) sembla el més adient a l’hora de predir la cobertura espacial i la convecció, en comparació amb altres models, sense sobreestimar tampoc la intensitat de precipitació. A la imatge, extreta de l’article “Skilful precipitation nowcasting...”, s’hi veu, a l’esquerra, un esquema de l’arquitectura del model, i el context geogràfic per a les prediccions; a la dreta, una única predicció per a un quadrat de 256 km de costat, a trenta, seixanta i noranta minuts vista, segons diferents models, amb el DGMR a la segona filera (© 2021, Suman Ravuri, Karel Lenc, Matthew Willson)

Draft Echave-Sustaeta 628996013-image3.png

Captura d’animació de deepmind.com: un esdeveniment de precipitació intensa a l’est dels Estats Units. Target és l’observació de radar. El DGMR equilibra intensitat i extensió de la pluja millor que no ho fa l’aproximació a l’advecció PySTEPS, que sol preveure intensitats massa elevades, i alhora ofereix una imatge menys borrosa que la que proporciona el model d’aprenentatge profund UNet (© DeepMind)

Autors

Redactat per: Alfonso Martínez Jaume

Per saber-ne més: DeepMind, Nature

Back to Top

Informació del document

Publicat a 01/12/21
Acceptat a 01/12/21
Presentat el 01/12/21

Volum Més enllà del Departament, 2021
llicència: CC BY-NC-SA license

Descarrega el document

Per descarregar-te el document original, prem el botó:

Tradueix el document

Si desitges traduïr el text a un altre idioma, selecciona'l aquí:

Categories

Eixos transversals

Governança

Mecanismes col·laboratius

Eixos temàtics de Medi Ambient i Sostenibilitat

Canvi climàtic i energia

Adaptació

Meteorologia

Meteorologia d'escala local

Millora de la qualitat de la predicció

Eixos instrumentals

Previsió

Prediccions meteorològiques

Observació territorial, ambiental i climatològica

Observació meteorològica

Localització

Puntuació document

0

Visites 0
Recomanacions 0