Mañana lloverá, decimos. La mayoría de las veces es así, porque la previsión meteorológica se maneja bien en franjas de 24 horas. Pero la meteorología actual no sabe responder a otra pregunta más específica: ¿va a llover cuando salga de casa en 15 minutos? La física no puede contestar, pero la inteligencia artificial está aquí para ayudar.

Este avance se llama nowcasting, que es algo así como la “predicción inmediata del tiempo”. La predicción actual más rápida conlleva al menos seis horas de computación y su ámbito espacial no baja de tres kilómetros, aunque suele ser mayor. Así que la física, como mucho, puede profetizar por la mañana el tiempo que hará por la tarde.

Este avance se llama ‘nowcasting’, que es algo así como la “predicción inmediata del tiempo”

¿Cómo supera la tecnología estos límites de la física? Analiza millones fotos de nubes de un espacio concreto. Al observar cómo han evolucionado en el pasado esas nubes, es capaz de predecir cómo cambiarán las nubes actuales. Por tanto, en lugar de trabajar con un modelo que analiza la complejidad física de que llueva o no, que requiere un esfuerzo computacional que ningún supercomputador actual puede acelerar, predicen cómo será la imagen de un radar tras analizar millones de imágenes anteriores.

Un modelo de machine learning aprende a acertar que un gato es un gato porque lo han alimentado con millones de fotos de gatos. La máquina ve píxeles que son con toda probabilidad un gato. Hace el mismo proceso con las nubes: millones de fotos de nubes hechas por radares permiten al modelo prever cómo será más probablemente la nube en los próximos minutos, y así sucesivamente.

Google acaba de publicar un artículo científico sobre nowcasting de lluvia en Estados Unidos: “Exploramos la eficacia de tratar el nowcasting de precipitaciones como un problema de imagen a imagen”, explican los investigadores de la compañía. Analizan el territorio dividido en cuadrículas de un kilómetro y obtienen los resultados con una probabilidad de lluvia determinada minutos después de que se tomen las imágenes por radar. El método es nuevo y no es infalible, pero no hay nada mejor por ahora para saber el comportamiento exacto de una tormenta. Además, este modelo sirve solo para lluvia, no prevé temperaturas ni otros fenómenos.

La física tradicional no está en condiciones por ahora de despreciar esta ayuda

Cuando en una ciudad va a llover consistentemente durante tres días seguidos, un modelo así es poco útil. Pero los fenómenos climáticos son cada vez más extremos y capaces de crear crisis: saber en qué zonas exactas de una ciudad va a llover a mares puede ser clave para evitar un desastre. “Conforme los patrones del tiempo se alteran con el cambio climático, y mientras crece la frecuencia de acontecimientos extremos, es cada vez más importante proporcionar predicciones útiles con una resolución alta espacial y temporal”, dice el artículo de Google.

La física tradicional no está en condiciones por ahora de despreciar esta ayuda: “Son un avance para la meteorología y sobre todo una solución para episodios complicados y que necesitan una resolución concreta y ajustada, como gotas frías o tormentas de verano muy locales”, dice Mar Gómez, doctora en ciencias físicas y responsable de meteorología de eltiempo.es.

Los sensores del sol

La predicción de la lluvia no es el único campo donde trabaja el nowcasting. También, con fines distintos, en la radiación solar. Con un método similar al de Google, pero con datos de radiación en lugar de imágenes de nubes, un equipo de científicos españoles es capaz de predecir la radiación solar inmediata mediante sensores: “Si queremos predecir valores futuros de radiación de un sensor usamos valores pasados de ese mismo sensor y de otros a su alrededor”, dice Alberto Torres Barrán, investigador postdoctoral en el Instituto de Ciencias Matemáticas (ICMAT).

Estos métodos se están perfeccionando, pero ya pueden tener aplicaciones concretas. Una central solar, por ejemplo, necesita prever la cantidad de sol que recibirán sus espejos para acertar en su colocación y capacidad de generar electricidad. Ahora esa labor se hace con cámaras que hacen fotos al cielo: si viene una nube, prevén que la radiación bajará. Pero las cámaras son caras y menos eficaces que los sensores: “Un sensor detecta la radiación en cada momento, da igual por qué sube o baja, las cámaras en cambio a veces no perciben nubes débiles o polvo”, explica Torres.

Si en un futuro las azoteas de las casas tienen placas solares, un modelo así permitirá calibrar su capacidad

Además de las centrales, si en un futuro las azoteas de las casas tienen placas solares, un modelo así permitirá calibrar su capacidad. Las compañías eléctricas sabrán con cuánta electricidad puede contar con cada grupo de placas. “Las centrales eólicas ya gastan mucho dinero en predecir cuánta electricidad generarán y, si luego no cumplen, las compañías eléctricas pueden ponerles una multa”, dice Torres. Cuando haya miles de placas en una ciudad, saber la radiación que recibirá cada azotea en las próximas horas será esencial para las eléctricas.

El nowcasting es un producto más de la explosión del big data de hace unos cuatro o cinco años. El motivo de su irrupción es doble: uno, la progresiva disponibilidad de bases de datos, como imágenes de radares, satélites o valores de sensores. La investigación original de Torres se hizo con datos abiertos de sensores del aeropuerto de Hawái. Y dos, por la creciente capacidad de computación de los ordenadores. Todo eso permite que los modelos de machine learning vayan mejorando y sean capaces de producir resultados más refinados.

La predicción no es aún imbatible. Google no tiene aún ningún plazo para llevar su nowcasting de lluvias a una aplicación para usuarios. Debe ajustarla y calcular comportamientos en otros lugares para que sea global y no en todo el mundo hay buenas fotos de sus nubes. Pero está claro que la innovación tiene fines específicos hasta ahora inalcanzables.

Publicidad