\n<\/p>\n
En dos estudios, los expertos chinos en aprendizaje autom\u00e1tico presentan sus \u00faltimos modelos de pron\u00f3stico del tiempo. Los modeladores meteorol\u00f3gicos est\u00e1n impresionados con su desempe\u00f1o. <\/p>\n
<\/div>\n<\/div>\n
<\/p>\n Noaa \/ Imago<\/span><\/p>\n<\/div>\n<\/figcaption><\/figure>\n <\/p>\n En el pron\u00f3stico del tiempo, el progreso generalmente ocurre a un ritmo pausado. A menudo se necesitan muchos a\u00f1os para que un nuevo m\u00e9todo se establezca y acepte. Pero ahora los cient\u00edficos est\u00e1n usando palabras como \u00abposible cambio de paradigma\u00bb o \u00abavance inminente\u00bb.<\/p>\n <\/p>\n El motivo del entusiasmo son los m\u00e9todos de aprendizaje autom\u00e1tico, que se clasifican como inteligencia artificial. Estos m\u00e9todos se han refinado tan r\u00e1pidamente en los \u00faltimos a\u00f1os que ahora est\u00e1n comenzando a rivalizar con los modelos tradicionales de pron\u00f3stico del tiempo.<\/p>\n <\/p>\n <\/p>\n En dos estudios, que se pueden leer en la revista cient\u00edfica \u00abNature\u00bb, los expertos chinos ahora describen nuevos modelos para el pron\u00f3stico del tiempo que funcionan con el aprendizaje autom\u00e1tico. Un modelo puede Precipitaciones para las pr\u00f3ximas tres horas<\/a> predecir que el otro es adecuado Previsiones meteorol\u00f3gicas de hasta una semana<\/a> crear. <\/p>\n <\/p>\n Los resultados no son solo impresionantes, algunos de ellos son excepcionalmente buenos. <\/p>\n <\/p>\n El modelo para pron\u00f3sticos meteorol\u00f3gicos de una semana es particularmente notable. Sus inventores, que trabajan en Huawei Cloud, una unidad comercial de Huawei en Shenzhen, lo llamaron \u00abPangu-Weather\u00bb. Los autores compararon su modelo con el que actualmente es el mejor modelo de pron\u00f3stico del mundo, que fue Centro Europeo de Previsiones Meteorol\u00f3gicas a Medio Plazo<\/a> (ECMW), con sede en Reading, Inglaterra. Seg\u00fan el estudio, los pron\u00f3sticos de Pangu-Weather, por ejemplo, de temperatura, presi\u00f3n atmosf\u00e9rica o viento, son al menos tan precisos, si no un poco m\u00e1s precisos.<\/p>\n <\/p>\n El hecho de que Pangu-Weather se acerque al modelo ECMWF es impresionante, dice Peter Dueben. El f\u00edsico alem\u00e1n dirige el Departamento de Modelado del Sistema Terrestre en el Centro Meteorol\u00f3gico Europeo.<\/p>\n <\/p>\n <\/p>\n Para comprender cu\u00e1n significativo es el desarrollo, hay que retroceder unos a\u00f1os. Como explica Dueben, en 2018 los primeros grupos comenzaron a alimentar modelos de aprendizaje autom\u00e1tico con datos de observaci\u00f3n y los utilizaron para construir modelos globales para el pron\u00f3stico del tiempo. \u201cPero los centros meteorol\u00f3gicos y muchos cient\u00edficos no se lo tomaron en serio\u201d, dice el f\u00edsico. <\/p>\n <\/p>\n En los \u00faltimos meses, han aparecido m\u00e1s y m\u00e1s estudios sobre el tema en r\u00e1pida sucesi\u00f3n. El centavo cay\u00f3 para \u00e9l en diciembre de 2022, dice Dueben. Cuando Deep Mind de Google present\u00f3 un modelo de este tipo, not\u00f3 que los nuevos modelos realmente hab\u00edan mejorado. Hab\u00edan llegado a un punto en el que pod\u00edan competir con los modelos convencionales en algunas \u00e1reas. En algunos aspectos, incluso podr\u00edan vencerlos en niveles de clase mundial.<\/p>\n <\/p>\n Los modelos de pron\u00f3stico convencionales se basan en ecuaciones f\u00edsico-matem\u00e1ticas que describen en detalle c\u00f3mo cambia el clima. Comenzando con lecturas de temperatura, presi\u00f3n atmosf\u00e9rica y otras variables, las supercomputadoras resuelven estas ecuaciones y finalmente emiten pron\u00f3sticos. <\/p>\n <\/p>\n Los modelos de aprendizaje autom\u00e1tico, por otro lado, ignoran por completo la f\u00edsica. \u00abAprendes todo a partir de los datos\u00bb, dice Dueben. Estos modelos se entrenan utilizando datos derivados de una combinaci\u00f3n matem\u00e1tica de simulaciones de modelos convencionales con datos de medici\u00f3n. <\/p>\n <\/p>\n <\/p>\n Una de las ventajas de los nuevos modelos de pron\u00f3stico es que se pueden calcular m\u00e1s r\u00e1pido que con los modelos convencionales, entre mil y diez mil veces m\u00e1s r\u00e1pido. Una de las razones de esto es que tienen una estructura mucho m\u00e1s simple. El modelo principal de ECMWF tiene un mill\u00f3n de l\u00edneas de c\u00f3digo, mientras que los modelos de aprendizaje autom\u00e1tico como Pangu-Weather necesitan unas pocas miles de l\u00edneas.<\/p>\n <\/p>\nLas mediciones globales se incorporan a los modelos convencionales para el pron\u00f3stico del tiempo. Esto tambi\u00e9n incluye mediciones usando sat\u00e9lites. La imagen muestra el globo terr\u00e1queo con el hurac\u00e1n Ian el 26 de septiembre de 2022.<\/h2>\n
Los modelos de aprendizaje autom\u00e1tico se est\u00e1n volviendo competitivos<\/span><\/h2>\n
Los modelos de inteligencia artificial han sido subestimados<\/span><\/h2>\n
El tiempo se puede predecir mucho m\u00e1s r\u00e1pido<\/span><\/h2>\n