Un gran paso adelante: cómo la IA ya está influyendo en el pronóstico de huracanes

El modelo con mejor rendimiento para el huracán Erin del mes pasado fue Google DeepMind, una IA relativamente nueva en el campo de la predicción de tormentas.

Sí, es una muestra pequeña. Pero aunque la tecnología puede estar sobrevalorada en algunos ámbitos, ya es muy prometedora en el campo, notoriamente voluble, de la predicción meteorológica. Algunos expertos afirman que sus predicciones meteorológicas y de tormentas podrían ser —y quizá ya lo sean— más rápidas, precisas, económicas y con menor consumo energético que los modelos tradicionales.

El Centro Nacional de Huracanes ya ha comenzado a consultar con la IA. Este año, los meteorólogos han empezado a utilizar el modelo DeepMind —además de una nueva herramienta impulsada por IA desarrollada en la Universidad de Miami— para elaborar sus pronósticos.

Los expertos insisten en que hay muchas precauciones. Por ahora, estos modelos son simplemente la herramienta más novedosa del mercado. De ninguna manera sustituyen a los modelos tradicionales, y mucho menos a los humanos que los analizan para hacer predicciones. Y como todo modelo de predicción informática, incluyendo los modelos europeo y estadounidense, tienen sus defectos y desventajas.

“Ninguna herramienta, por muy buena que sea, es perfecta, especialmente cuando se trata del clima. Confío en que nos ayudarán, pero aún estamos en las primeras etapas”, dijo Wallace Hogsett, oficial de operaciones científicas del NHC, con sede en el campus de la Universidad Internacional de Florida en West Miami-Dade. “Nuestra esperanza es que seamos carpinteros más efectivos, por así decirlo, al tener todas estas herramientas”.

“Quizás necesitemos comprar una caja de herramientas más grande”, bromeó.

Chat, ¿viene un huracán?

La predicción meteorológica con IA no significa que los meteorólogos simplemente pregunten a ChatGPT sobre qué podría hacer una tormenta a continuación.

Al igual que los “modelos de lenguaje extensos” que impulsan las populares aplicaciones de chat con IA como Copilot o Claude, estos modelos meteorológicos utilizan el aprendizaje automático para detectar patrones. Excepto que, en lugar de predecir qué palabra es más probable que aparezca a continuación en una oración al responder la pregunta de un usuario, predicen cómo podrían evolucionar los patrones climáticos globales.

Los modelos meteorológicos tradicionales se ejecutan en supercomputadoras gigantescas que ejecutan millones o miles de millones de ecuaciones matemáticas para simular la física que compone la atmósfera, cuyos resultados son predicciones sobre cómo el clima mundial podría cambiar hora a hora.

Estas supercomputadoras generan estimaciones sobre cómo los cambios en los patrones climáticos afectarán a otros en todo el mundo, como por ejemplo, cómo un frente frío que barre la costa este de Estados Unidos empujará al huracán Erin en un patrón curvo hacia el mar en lugar de dejar que la tormenta avance directamente hacia el Caribe.

Los modelos basados ​​en IA funcionan de forma ligeramente diferente. Para empezar, no “comprenden” la física como los modelos tradicionales. En cambio, hacen lo que mejor sabe hacer el aprendizaje automático: la coincidencia de patrones.

Estos modelos se basan en 40 años de descripciones detalladas del clima mundial y están entrenados para estimar qué sucederá con las condiciones meteorológicas actuales (como una tormenta tropical) a la luz de décadas de observaciones pasadas que han asimilado.

Además, consumen menos energía y son más rápidos de usar; pueden ejecutarse en computadoras portátiles en lugar de supercomputadoras gigantescas. Los modelos tradicionales utilizan “entre 10,000 y 100,000 veces más tiempo y energía”, según declaró un experto a la Universidad de California.

Los resultados de estos nuevos modelos de IA son, aunque parezca sorprendente, bastante precisos.

Google DeepMind lanzó su modelo de IA específico para tormentas en junio. El mes pasado, realizó su primera gran prueba con el huracán Erin, que alcanzó la categoría 5 en aguas abiertas, pero evitó en gran medida los impactos terrestres en Estados Unidos y el Caribe al realizar un giro brusco a la derecha al acercarse a las islas.

Durante los primeros tres días del pronóstico de Erin, DeepMind tuvo un mejor rendimiento que cualquier otro modelo, incluidos los conocidos modelos europeos y estadounidenses. A lo largo del período de pronóstico de cinco días, estuvo entre los mejores, según mostraron los datos del exjefe de la rama del NHC, James Franklin.

“Ver que tuvo un desempeño tan favorable es alentador. Es un gran avance y refuerza la credibilidad al instante”, afirmó Matt Lanza, meteorólogo residente en Houston y cofundador de Eyewall, un popular blog que rastrea los sistemas meteorológicos tropicales.

Lanza comentó que le ha impresionado mucho la creciente eficacia de los modelos de IA y que recientemente incorporó DeepMind a su rotación de cinco a siete modelos que revisa diariamente para sus propios pronósticos. Sin embargo, advirtió que el hecho de que DeepMind haya tenido el mejor rendimiento general en Erin no significa necesariamente que los pronosticadores deban confiar completamente en este modelo en el futuro.

“Ese es el promedio a lo largo del ciclo de vida de la tormenta. No significa que haya tenido un rendimiento excelente en todo momento, sino que ha tenido un rendimiento excelente en general”, afirmó.

Así funcionan la mayoría de los modelos para la mayoría de las tormentas, explicó Lanza. Distintos modelos funcionan mejor para distintas tormentas, y no existe un modelo “mejor” que acierte siempre, por lo que los meteorólogoss consultan varios para ver qué podría suceder. “Francamente, la mayoría de los demás modelos también obtuvieron buenos resultados”, afirmó. “Esto indica que estos modelos de IA pueden crear pronósticos tan buenos como cualquier otro modelo actual”.

Sin embargo, el éxito de DeepMind con el huracán Erin también apunta a otra tendencia que los meteorólogos están notando. Estos modelos están mejorando en el seguimiento de la intensidad de una tormenta, o su fuerza. Anteriormente, realizaban un buen trabajo estimando la trayectoria de la tormenta, pero no tan bien con la intensidad.

También son menos propensos al efecto de “limpiaparabrisas”, donde los modelos espagueti para una futura tormenta se mueven rápidamente de un lado a otro sobre un área a medida que esta se acerca. Esto se debe a que los modelos están optimizados para evitar errores y no correr riesgos.

Sin embargo, este “efecto de suavizado” significa que los modelos de IA pueden pasar por alto las pequeñas oscilaciones que las tormentas producen cerca de tierra: pequeños pero cruciales movimientos que pueden tener los peores impactos a 80 kilómetros o más de distancia. Y debido a que solo están entrenados con datos de los últimos 40 años, investigaciones recientes han descubierto que, hasta ahora, no son muy eficaces para predecir eventos extremos, aquellos que se volverán más comunes a medida que el cambio climático afecta la atmósfera.

Hogsett, del centro de huracanes, explicó que, a diferencia de los modelos basados ​​en la física que se construyen con ecuaciones matemáticas resueltas, es difícil verificar el funcionamiento de un modelo de IA y ver si las suposiciones que realizó se basaron en una lógica sólida.

“Debido a cómo funcionan estos modelos, es difícil llegar a la conclusión de cómo llegaron a esa conclusión”, dijo Hogsett. “Como son nuevos, todavía necesitamos probar y aprender. Realmente necesitamos una temporada completa de datos”.

Hogsett y otros pronosticadores también advierten que estas nuevas herramientas impulsadas por IA no son útiles sin la revisión y el análisis de humanos, y mucho menos para emitir alertas oportunas y precisas antes de futuras tormentas.

“Estoy seguro de que nuestros meteorólogos siempre tendrán un papel que desempeñar porque estos modelos no son perfectos”, concluyó. “Cuando se trata de comunicar riesgos y ayudar a las personas a mantenerse seguras ante los peligros de los huracanes, siempre habrá un papel para el ser humano”.

Al igual que la mayor parte del gobierno federal, el Servicio Meteorológico Nacional sufrió un recorte de personal por parte de la administración Trump a principios de este año, aunque la agencia ha comenzado recientemente a recontratar para cubrir esos puestos vacantes, incluyendo algunos en Florida.

Seguimiento mejorado de las ondas tropicales

Más allá del mundo de los modelos de IA que muestran el estado del tiempo de todo el planeta, existe una industria de personas que utilizan la IA para crear pronósticos más especializados.

El NHC también ha adoptado recientemente una herramienta propia de investigadores de la Universidad de Miami. Esta herramienta ayuda a los científicos a detectar ondas tropicales, las pequeñas y desorganizadas masas giratorias de nubes de lluvia que a veces se convierten en depresiones tropicales, tormentas y huracanes.

“Son importantes plántulas para la formación de huracanes”, afirmó Will Downs, estudiante de doctorado de la Escuela Rosenstiel de Ciencias Marinas, Atmosféricas y de la Tierra de la Universidad de Miami y autor principal del estudio publicado sobre la nueva herramienta de seguimiento de ondas de su equipo.

Downs y su equipo utilizaron las descripciones escritas que los meteorólogos del centro de huracanes han recopilado para cada onda tropical que han rastreado durante los últimos 20 años, las introdujeron en un modelo y le pidieron que identificara cualquier onda similar detectada en el Atlántico o el Pacífico.

Los resultados, según Downs, son mejores que el algoritmo que el NHC utilizaba anteriormente para detectar ondas tropicales.

“Detecta muy bien estos sistemas”, afirmó. “Es particularmente mejor en el Caribe para detectar ondas tropicales, sobre todo las más débiles”.

Esto es impresionante, ya que las corrientes de viento en el Caribe pueden ser bastante turbulentas, y distinguir un pequeño remolino de posible acción de tormenta en medio de un panorama más amplio de giro caótico no es tarea fácil.

Downs comentó que cree que la razón por la que esta herramienta funciona mejor que los modelos físicos anteriores para detectar ondas tropicales es que programar un modelo basado en la física con las largas explicaciones —y múltiples excepciones a la regla— de qué es una onda tropical puede ser complicado. “Es como si lo supiera cuando lo viera, pero es muy difícil de programar explícitamente”, dijo.

Para un modelo de aprendizaje automático, es mucho más fácil mostrarle varios ejemplos de olas anteriores y pedirle que busque algo similar.

Sin embargo, la herramienta tiene sus defectos. Por ejemplo, dijo Downs, es bastante buena para detectar una onda tropical joven y sin desarrollar. Pero cuando una onda se desarrolla y empieza a parecerse más a una tormenta tropical, la herramienta de repente no puede reconocerla.

No solo los huracanes pueden ser útiles con los modelos de IA. Empresas privadas también se han unido a la iniciativa en todo el país.

Andrew Brady, meteorólogo e ingeniero de IA con sede en Georgia, lanzó el jueves un producto llamado StormNet que permite a los usuarios identificar mejor tornados y rayos mediante aprendizaje automático basado en años de datos meteorológicos pasados. Su empresa fue adquirida por Open Snow, una empresa que utilizaba modelos de aprendizaje automático para predecir mejor las nevadas y ayudar a esquiadores y snowboarders a elegir el día perfecto para disfrutar de la nieve. Su objetivo es desarrollar un producto que pueda advertir con la mayor antelación posible sobre la inminente caída de un tornado o un rayo.

“En el caso de los tornados, por ejemplo, no comprendemos del todo muchos elementos de su génesis, pero los modelos de aprendizaje automático pueden examinar toda la atmósfera y detectar patrones basados ​​en elementos que ni siquiera conocemos”, afirmó.

Sin embargo, reconoció que, a pesar de lo emocionantes que han sido los avances recientes en el campo de la IA meteorológica, se están encontrando con algunos límites. Por ejemplo, solo se dispone de 40 años de datos de alta calidad para entrenar. Cualquier dato anterior no es tan útil para entrenar modelos meteorológicos de IA.

“No disponemos de datos de mayor resolución que se remonten a un periodo tan lejano, como sí lo tenemos con los de menor resolución”, afirmó. “Sin duda, es un problema enorme”.

Pero, según Brady, los científicos ya están trabajando en la próxima generación de modelos —un híbrido entre los modelos basados ​​en la física y los de aprendizaje automático— que ya muestran un gran potencial.

“Quién sabe”, concluyó. Quizás en 20 o 30 años, un pronóstico de tormenta de 10 días podría ser tan preciso como el cono de cinco días, o la gente podría recibir un aviso de hasta un día antes de que llegue un tornado.

“Las posibilidades son realmente tentadoras”, dijo Lanza.