La rápida intensificación (RI) de los ciclones tropicales (CT), que se define como un aumento de intensidad de al menos 13 m/s en un periodo de 24 horas, representa uno de los fenómenos más difíciles de prever debido a su naturaleza impredecible y destructiva. Aunque la RI solo representa el 5% de todos los CT, su desarrollo repentino y severo conlleva riesgos significativos para las regiones afectadas.
Los métodos tradicionales de previsión, como la predicción numérica del tiempo y los enfoques estadísticos, a menudo no logran considerar los complejos factores ambientales y estructurales que impulsan la RI. Si bien la inteligencia artificial (IA) ha sido explorada como una posible solución para mejorar las predicciones de RI, la mayoría de las técnicas de IA han enfrentado altas tasas de falsas alarmas y una fiabilidad limitada.
Un nuevo modelo de previsión basado en el aprendizaje contrastivo
Investigadores del Instituto de Oceanología de la Academia China de Ciencias (IOCAS) han desarrollado un nuevo modelo de previsión para la RI de CT, basado en el «aprendizaje contrastivo». Este estudio fue publicado en los Proceedings of the National Academy of Sciences el 21 de enero.
El nuevo modelo tiene dos entradas: la Entrada A, que consiste en una muestra conocida de RI de CT, y la Entrada B, una muestra desconocida que se va a prever. El modelo extrae características de ambas entradas y calcula su distancia en un espacio de alta dimensión. Si la distancia es pequeña, la Entrada B se prevé como un CT de RI; si es grande, se clasifica como un CT no-RI. Cada muestra desconocida se compara con diez muestras conocidas de RI de CT, y si más de cinco de las comparaciones la clasifican como un CT de RI, se clasifica así.
Además, este estudio utiliza imágenes satelitales junto con datos atmosféricos y oceánicos para equilibrar los datos de RI y no-RI. El modelo aprende a diferenciar entre CT de RI y no-RI al comparar las dos entradas durante el entrenamiento.
Cuando se probó en datos del Noroeste del Pacífico entre 2020 y 2021, el método logró una impresionante precisión del 92,3% y redujo las falsas alarmas al 8,9%. En comparación con las técnicas existentes, mejoró la precisión en un 12% y redujo las falsas alarmas en un factor de tres, lo que representa un avance significativo en la previsión.
Si bien el modelo fue inicialmente entrenado utilizando datos de reanálisis, los investigadores crearon un escenario de previsión operacional al sustituir los datos de reanálisis por los datos de previsión del modelo numérico ECMWF-IFS de 2020 a 2021 como entrada. Los resultados demostraron una precisión de previsión comparable, validando aún más la fiabilidad de este enfoque y confirmando su idoneidad para escenarios de previsión en tiempo real. Esta capacidad para la previsión en tiempo real puede mejorar significativamente los sistemas de alerta temprana, aumentando así la preparación global ante desastres.
El profesor Li Xiaofeng, autor principal del estudio, afirmó que este trabajo aborda los retos de baja precisión y altas tasas de falsas alarmas en la previsión de RI de CT. «Nuestro método mejora la comprensión de estos eventos extremos y apoya mejores defensas contra sus devastadores impactos», concluyó.
Más información:
Chong Wang et al, Avanzando en las capacidades de previsión: un modelo de aprendizaje contrastivo para prever la rápida intensificación de los ciclones tropicales, Proceedings of the National Academy of Sciences (2025). DOI: 10.1073/pnas.2415501122
