La OMM ha lanzado esta iniciativa con el objetivo de mejorar los pronósticos subestacionales de temperatura y precipitación con machine learning e inteligencia artificial.
Un equipo de investigadores del departamento de Ciencias de la tierra del Barcelona Supercomputing Center-Centro Nacional de Supercomputación (BSC) ha conseguido el segundo premio en el Desafío para mejorar las predicciones sub-estacionales a estacionales utilizando inteligencia artificial (S2S AI challenge). El premio ha consistido en una aportación de 10.000 CHF.
La Organización Meteorológica Mundial (OMM) ha puesto en marcha esta iniciativa que tiene como objetivo mejorar, a través de la inteligencia artificial y/o el machine learning, las predicciones actuales de precipitación y temperatura entre 3 y 6 semanas vista a partir de los mejores modelos de dinámica de fluidos computacionales disponibles en la actualidad. El reto empezó el pasado mes de junio y finalizó el 31 de octubre, aunque los resultados oficiales no se han hecho públicos hasta ahora. En total han participado 9 equipos de investigación internacionales.
El equipo del BSC ha estado liderado por Lluís Palma y Llorenç Lledó, junto a Sergi Bech, Andrea Manrique y Carlos Gómez, todos del grupo Earth System Services. Este grupo ya tiene diversos proyectos en esta línea, pero, como asegura Lledó “hasta el momento habíamos trabajado con métodos estadísticos y ahora hemos dado el salto utilizando métodos de machine learning. En concreto, hemos utilizado métodos clásicos de machine learning entrenados con las previsiones que genera el centro europeo de meteorología. Esto nos ha permitido entender qué sesgos tiene este modelo dinámico y cómo se pueden corregir para obtener mejores pronósticos”.
Desafío para mejorar los pronósticos S2S
La mejora de la capacidad de pronóstico sub-estacional a estacional (S2S) beneficiaría enormemente a diversos sectores, incluidos el agua, la energía, la salud, la agricultura y la reducción del riesgo de desastres. La creación de una extensa base de datos de pronósticos del modelo S2S ha brindado una nueva oportunidad para aplicar los últimos desarrollos en machine learning para mejorar la predicción S2S de la temperatura y los pronósticos de precipitación total con hasta 6 semanas de anticipación, con foco en las condiciones promediadas quincenales en todo el mundo.
La iniciativa es parte del Proyecto de predicción sub-estacional a estacional (Proyecto S2S), coordinado por el Programa Mundial de Investigación Meteorológica (WWRP) / Programa Mundial de Investigación Climática (WCRP), en colaboración con Swiss Data Science Center (SDSC) y Centro Europeo de Predicción a Plazo Medio (ECMWF).
- Todos los códigos y pronósticos del método utilizado por el equipo del BSC están disponibles aquí: https://renkulab.io/gitlab/lluis.palma/s2s-ai-challenge-bsc
- Consultar resultados aquí: https://s2s-ai-challenge.github.io/#leaderboard