Artículo de José Luis Camacho Ruiz, Consejero Técnico, Departamento Coordinación Delegaciones Territoriales de AEMET
Estos últimos meses, los medios de comunicación han sido pródigos en noticias sobre avances en Inteligencia Artificial que también afectan al papel de los servicios meteorológicos, a los equipos de comunicación y al sector privado en la manera en que vamos a generar (y comunicar) los pronósticos meteorológicos. ¿estaremos a punto de cruzar una nueva frontera?
Desde los años 50 en que se realizaron los primeros ensayos de predicción del tiempo apoyados en modelos numéricos, la Predicción Numérica del Tiempo (PNT) ha avanzado gracias al esfuerzo de numerosos científicos hasta niveles inimaginables hace 70 años. La PNT se basa en modelos que simulan el comportamiento de la atmosfera capa a capa, que asimilan datos de observación de superficie, altura y procedentes de instrumentos a bordo de satélites o aviones y que establecen relaciones o parametrizan las condiciones e interacciones con otros componentes del sistema Tierra: condiciones del terreno, criosfera, hidrosfera. Para ello hace uso de ordenadores muy potentes e ingesta enormes cantidades de datos.
En estos últimos años, el mundo de la Inteligencia Artificial (IA) y de las técnicas de “Machine Learning” ML han dado un salto cualitativo atreviéndose cada vez más a abordar campos que parecían dominio de la inteligencia humana o de la altísima capacidad de computación.
Modelos basados en AI que parten de la ingesta de un enorme número de datos de la situación del sistema Tierra y que se atreven a simular campos sencillos de representación de la situación atmosférica, están ahora disponibles, sin necesidad de “conocer los mecanismos” de los procesos de la atmósfera ¿hay que dejar en los libros de historia a Richardson y a Rossby?
¿Un nuevo paradigma en la Predicción Numérica del Tiempo?
La nota de prensa publicada en el Centro Europeo de Predicción del Tiempo a Plazo Medio (CEPPM) el 6 de septiembre de 2023 se titula “Como los Modelos basados en Inteligencia Artificial (AI) están modificando los pronósticos meteorológicos”. En ella se dan cuenta de los progresos realizados en la predicción de los campos básicos por tres sistemas de predicción basados en el análisis de grandes cantidades de datos y el concurso de herramientas de IA, sin ningún algoritmo matemático representando el comportamiento o parametrizando variables meteorológicas o físicas. Los progresos se consideran tan prometedores que el Centro pone a disposición de sus usuarios las salidas de los modelos FourCastnet de NVIDIA, GraphCast de Google Deepmind y Pangu-Weather de Huawei en su catálogo. Un hecho relevante es que estos modelos son alimentados con los datos procedentes del reanálisis ERA-5 patrocinado por el Servicio de Cambio Climático de COPERNICUS.
En un artículo titulado “The rise of data-driven weather forecasting”, las predicciones de los campos de altura geopotencial de 500 hPa y temperatura de 850 hPa se comparan de uno de estos modelos apoyados en ML, Pangu/Wather, con el modelo operacional del CEPPM en la predicción de dos episodios de fenónemos extremos. Una primícia.
Se realizan comparaciones de pronósticos de datos de temperatura de superficie a 2 metros, temperatura en 850 hPa, valores de geopotencial a 500 hPa y en posición e intensidad de ciclones tropicales. Parece interesante realizar el ejercicio de comparar los modelos a partir del acceso a ellos que ofrece el CEPPM en diferentes situaciones operativas ya que, mostrando comportamientos característicos, llegan a resultados bastante comparables. Sería un ejercicio similar al que se realiza en los equipos de predicción de AEMET con los diferentes modelos a corto plazo.
Relevancia de estos “nuevos” modelos y conclusiones
¿Cuál es la relevancia de estos modelos basados en ML frente a los modelos cada vez más sofisticados y con mayor resolución basados en la modelización de los fenómenos físicos?. La relevancia de la aparición de modelos de ML con estadísticas de acierto similares a los “clásicos” estriba en el coste de operación. Necesitan mucha menos capacidad de computación (y en consecuencia, menos consumo eléctrico).
Los resultados publicados en el artículo muestras que los indicadores de capacidad de predicción para métricas globales y para eventos extremos son similares en ambos tipos de modelos tras comparar con reanálisis y con observaciones sinópticas. Se han identificado algunos puntos débiles en los modelos tales como un suavizado no progresivo en el tiempo en los pronósticos y una deriva en los valores, factores que podrían corregirse mediante técnicas de posproceso.
Una conclusión principal del artículo es que estamos ante un nuevo paradigma en la Prediccion Numérica del Tiempo basado en la interacción entre los modelos con ML, análisis de datos de última generación y conjuntos de datos provenientes de reanálisis para realizar la inicialización de los modelos de pronóstico y su “entrenamiento”.
En las conclusiones encontramos además, un vía interesante para mejorar los modelos de ML. El uso del análisis del ERA5 como punto de partida, parece limitar la capacidad del modelo ML para representar estructuras de pequeña escala debido a la resolución menor de ERA 5 frente al modelo operativo (el IFS). Si se utilizara el modelo del IFS, se abrirían nuevas posibilidades a este tipo de modelos.
Otro elemento de posible avance sería monitorear la consistencia física del pronóstico de diferentes variables, utilizando técnicas de verificación multivariante y estableciendo correlaciones entre variables.
Finalmente, los pronósticos basados en modelos que corren “solamente a partir de datos” usando técnicas ML muestran buen rendimiento en el caso de representar fenómenos extremos y esto está confirmado mediante casos de estudio, aunque en el caso de los ciclones tropicales, las predicciones de intensidad y estructura aún no son tan buenas como las del IFS.
El Centro Europeo de Predicción del Tiempo a Plazo Medio (CEPPM)
El Centro se estableció en 1973 mediante una convención que comenzó su andadura en 1975 como Organización Internacional. Las primeras previsiones de medio plazo en tiempo real se realizaron en junio de 1979. El Centro ha estado produciendo predicciones meteorológicas de alcance medio desde el 1 de Agosto de 1979 y creciendo en conocimiento en el campo de la Predicción Numérica del Tiempo.
Dotado de ordenadores de alta capacidad de cálculo y alimentados con datos procedentes de redes de observación en tierra, océanos y satélites y con 450 personas empleadas, el Centro proporciona una amplia gama de productos a través de su Catálogo y proporciona un inmenso caudal de datos de predicción y de reanálisis de la que se benefician primordialmente sus 35 Estados Miembros o Asociados.
Los objetivos principales del Centro son: El desarrollo de métodos numéricos para predicciones meteorológicas de medio plazo; la preparación, en una base regular, de dichas predicciones para la distribución a los servicios meteorológicos de los Estados Miembros. La investigación científica y técnica dirigida a la mejora de estas predicciones. La recopilación y almacenamiento de datos meteorológicos.
Para hacer frente al reto de la AI, desde la publicación de los citados artículos y tras contratar personal adecuado, el CEPPM ha puesto en marcha su propio modelo de pronóstico basado en datos, el AIFS (Artificial Intelligence/Integrated Forecasting System). Este modelo es de producción muy veloz, permitiendo elaborar una predicción a 10 días con saltos de 6 horas en aproximadamente 1 minuto.
Comparativa de predicción en las horas previas a las formación de la borrasca Bernard
El CEPPM ha puesto a disposición varios campos previstos por el modelo AIFS y los otros tres modelos citados más arriba. Vamos a realizar un experimento poniendo unos junto a otros los campos previstos a partir del análisis del 21 de octubre de 2023 en el marco de Europa y Atlántico Norte para ver como veían estos cuatro modelos basados en datos y el modelo operacional convencional (IFS) las horas previas a la formación de la borrasca de alto impacto Bernard.
En las dos tablas posteriores se muestran los mapas combinados previstos de geopotencial a 500 hPa y temperatura en 850 hPa en intervalos de predicción de 6 horas desde las 06 UTC del 21 de octubre hasta las 00 UTC del 23 de octubre cubriendo la formación de la borrasca en el Atlántico, su aproximación y desarrollo frente a las costas de Portugal y España y su posterior evolución trasladándose a favor del surco en altura hacia Francia, cruzando en diagonal la Península Ibérica.
El resultado es sorprendente. El análisis visual de estos campos sencillos muestra muy pocas diferencias entre los modelos, incluyendo la referencia del IFS. La formación del pequeño surco en medio del Atlántico dentro de una masa cálida, su progresión y estrangulamiento a bastante distancia de Portugal, constituyendo una circulación cerrada con corazón cálido al estilo de las depresión extratropicales, su captura por una onda posterior (que probablemente llevó a la formación e intensificación de Bernard) y su traslado en diagonal se reflejan de manera muy parecida en los cinco modelos sin aparente retraso temporal en ninguno.
Aquí no pretendemos realizar ningún análisis cuantitativo, solo señalar que cualquiera de los cinco modelos habría servido para realizar una previsión de los grandes rasgos del fenómeno en las capas medias de la troposfera.
Para terminar, añadimos una tabla en la que se muestran dos series de imágenes de satélite, en proyección y área similar a la de los modelos e intervalos de 6 horas: Vapor de agua (WV) que nos permite seguir la evolución de las circulaciones en la troposfera superior incluyendo el desarrollo del vórtice en altura en las fases iniciales, y Masa de Aire (AIRMASS) que es una combinación de una imagen Infrarroja IR 10.8mm y una caracterización de masa de aire en donde podemos ver los desarrollos nubosos asociados a Bernard y la profunda ondulación en pocas horas, pasando de una masa de aire cálido a una importante descarga fría en la parte posterior del surco que absorbió a la circulación asociada a Bernard. ¿Serán los modelos de predicción basados en datos el futuro absoluto y aparcaremos a Richardson y Rossby en los anaqueles de la biblioteca? O, ¿serán los modelos ML una herramienta más de la amplia panoplia del profesional de la meteorología?
Vamos a terminar con una nota positiva para los numerosos expertos en PNT: Los modelos AI están entrenado con uno de los mejores reanálisis disponibles.
Comparativa modelos. Previsión a partir de las 00 UTC del 21 de octubre de 2023.
Evolución comparativa de imágenes de satélite. Vapor de agua y combinado Infrarrojo-Masa de Aire. Se observa la ondulación del aire cálido, en cuyo interior se formó Bernard y la entrada de aire frio posterior de acuerdo a lo modelizado.
