Investigadores de Google han desarrollado NeuralGCM, un nuevo modelo de predicción meteorológica que combina el aprendizaje automático con técnicas convencionales, ofreciendo pronósticos precisos a un costo reducido. Este avance se detalla en un artículo publicado en Nature.
El modelo aborda las limitaciones de las técnicas actuales. Los modelos de aprendizaje automático son rápidos y eficientes pero tienen dificultades con predicciones a largo plazo. Por otro lado, los modelos de circulación general, aunque precisos, son lentos y costosos de ejecutar. NeuralGCM integra ambos enfoques, utilizando IA para corregir errores en escalas pequeñas como formaciones de nubes y microclimas regionales, donde los modelos convencionales no son tan efectivos.
NeuralGCM es capaz de producir predicciones de calidad de uno a quince días tan precisas como las del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF), con menos potencia computacional. Este modelo también muestra gran potencial para predecir fenómenos climáticos de mayor escala, como ciclones tropicales y cambios climáticos complejos.
El profesor Aaron Hill de la Universidad de Oklahoma destaca que la verdadera promesa de esta tecnología está en su capacidad para modelar fenómenos climáticos a gran escala, superando el cuello de botella de los altos costos computacionales. Los modelos basados en IA, como GraphCast de Google, son más compactos y eficientes, lo que podría revolucionar la investigación climática.
NeuralGCM será de código abierto, permitiendo su uso no solo en investigaciones académicas sino también en aplicaciones prácticas como predicciones de alta resolución para comerciantes de materias primas, planificadores agrícolas y compañías de seguros.
La comunidad científica ha recibido con interés estos avances en IA para la predicción meteorológica, aunque el rápido ritmo de desarrollo presenta desafíos. Sin embargo, la integración de IA con el conocimiento acumulado sobre la atmósfera promete una nueva era de predicciones meteorológicas más precisas y accesibles.
