El cambio climático está provocando un aumento en la frecuencia e intensidad de eventos de precipitación extrema, lo que hace que la predicción precisa de la lluvia durante la temporada de inundaciones sea cada vez más crítica. Recientemente, un estudio ha empleado algoritmos de aprendizaje automático (ML) para abordar los desafíos no lineales que enfrentan los modelos tradicionales en la predicción de la lluvia en esta temporada, logrando mejoras significativas en la precisión de las predicciones. Las conclusiones de esta investigación han sido publicadas en la revista Advances in Atmospheric Sciences.
Las predicciones actuales para la lluvia en la temporada de inundaciones dependen en gran medida de los resultados de modelos numéricos del sistema climático, que a menudo contienen sesgos sistemáticos. Para corregir estos resultados y reducir los errores, los investigadores combinan tradicionalmente datos observacionales históricos con métodos estadísticos. Este enfoque, conocido como método dinámico-estadístico, presenta limitaciones, ya que los errores de predicción de los modelos numéricos tienden a crecer de manera no lineal con el tiempo, y los métodos de corrección tradicionales, que se basan principalmente en enfoques lineales, tienen dificultades para abordar eficazmente estos errores.
Integración de Aprendizaje Automático y Modelos Físicos
Reconociendo la capacidad del ML para gestionar relaciones no lineales, el estudio ha aplicado el algoritmo LightGBM para mejorar el método de corrección dinámico-estadístico. En ensayos realizados entre 2019 y 2022, las predicciones mostraron una mejora significativa, con el puntaje de predicción (PS) aumentando de 68.6 a 74, lo que representa una mejora del 7.87%. Esto se traduce en un aumento del 6.63% en comparación con los métodos dinámico-estadísticos tradicionales, lo que aumenta notablemente la precisión de las predicciones de lluvia en la temporada de inundaciones.
A pesar de que muchos métodos de ML utilizados para la predicción climática a menudo carecen de suficiente interpretabilidad física, los investigadores han seleccionado cuidadosamente factores meteorológicos con conexiones físicas claras a la lluvia e integrados en el modelo del sistema climático. Además, el equipo cuantificó la contribución de cada factor de pronóstico, ofreciendo una comprensión más clara de la importancia física de los predictores utilizados.
El estudio enfatiza que confiar únicamente en modelos físicos o en modelos de ML para mejorar las predicciones de la lluvia en la temporada de inundaciones tiene limitaciones inherentes. Esta investigación explora un método de predicción climática que integra eficazmente el ML con modelos físicos. Los campos en rápida evolución de la inteligencia artificial y los grandes datos ofrecen nuevas oportunidades para optimizar y refinar los resultados de los modelos, abordando desafíos no lineales y complejos que los métodos dinámico-estadísticos tradicionales no pueden resolver.
A pesar del progreso alcanzado, persisten desafíos. Según Dr. Yu Haipeng, autor correspondiente del estudio y miembro del Instituto Noroeste de Eco-ambiente y Recursos de la Academia China de Ciencias, «nuestros próximos pasos se centrarán en extraer señales preexistentes y en tiempo real de la investigación sobre los mecanismos de formación de precipitaciones en la temporada de inundaciones para desarrollar un método dinámico-ML con una interpretabilidad física más sólida».
Esta investigación representa un avance significativo en la predicción de precipitaciones y proporciona valiosos conocimientos para el desarrollo de futuros métodos meteorológicos que integren inteligencia artificial y grandes datos. «Nuestro objetivo final es crear un sistema eficiente, estable e interpretable que combine modelos del sistema climático y técnicas de ML para predecir la lluvia en la temporada de inundaciones, ayudando a mitigar los impactos de la precipitación extrema y los desastres relacionados», añadió Dr. Yu.
A medida que la tecnología sigue avanzando, la integración de mecanismos físicos con métodos de predicción basados en ML tiene un gran potencial para abordar los desafíos que plantea el cambio climático.
Más información: Bofei Zhang et al, A Machine Learning-Based Observational Constraint Correction Method for Seasonal Precipitation Prediction, Advances in Atmospheric Sciences (2024). DOI: 10.1007/s00376-024-4191-x
Proporcionado por la Academia China de Ciencias
