\n<\/p>\n
Aquellos de nosotros que tenemos la suerte de estar sentados junto a una ventana podemos predecir el tiempo con s\u00f3lo mirar hacia afuera, pero para los menos privilegiados, la previsi\u00f3n y el an\u00e1lisis del tiempo son cada vez mejores. Tomorrow.io acaba de publicar los resultados de sus dos primeros sat\u00e9lites de radar que, gracias al aprendizaje autom\u00e1tico, resultan competitivos con tecnolog\u00edas de pron\u00f3stico m\u00e1s grandes y de la vieja escuela en la Tierra y en \u00f3rbita.<\/p>\n
La compa\u00f1\u00eda ha estado planeando esta misi\u00f3n desde que se llam\u00f3 ClimaCell, all\u00e1 por 2021, y los resultados que se publicar\u00e1n hoy (y que se presentar\u00e1n formalmente pr\u00f3ximamente en una conferencia sobre meteorolog\u00eda) muestran que su enfoque de alta tecnolog\u00eda funciona.<\/p>\n
La predicci\u00f3n del tiempo es compleja por muchas razones, pero la interacci\u00f3n entre el hardware de alta potencia pero heredado (como redes de radar y sat\u00e9lites m\u00e1s antiguos) y el software moderno es importante. Esa infraestructura es poderosa y valiosa, pero mejorar su producci\u00f3n requiere mucho trabajo en el lado de la computaci\u00f3n y, en alg\u00fan momento, comienzas a obtener rendimientos decrecientes.<\/p>\n
No se trata s\u00f3lo de \u00ab\u00bfva a llover esta tarde?\u00bb, sino de predicciones m\u00e1s complejas e importantes, como en qu\u00e9 direcci\u00f3n se mover\u00e1 una tormenta tropical o exactamente cu\u00e1nta lluvia cay\u00f3 en una regi\u00f3n determinada durante una tormenta o sequ\u00eda. Estos conocimientos son cada vez m\u00e1s importantes a medida que cambia el clima.<\/p>\n
El espacio es, por supuesto, el lugar obvio para invertir, pero la infraestructura meteorol\u00f3gica es prohibitivamente grande y pesada. El sat\u00e9lite de medici\u00f3n de la precipitaci\u00f3n global de la NASA, el est\u00e1ndar de oro para este campo lanzado en 2014, utiliza radares de banda Ka (26-40 GHz) y Ku (12-18 GHz) y pesa unos 3.850 kilogramos.<\/p>\n
El plan de Tomorrow.io es crear una nueva infraestructura de radar espacial con un toque moderno. Sus sat\u00e9lites son peque\u00f1os (s\u00f3lo 85 kilogramos) y utilizan exclusivamente la banda Ka. Los dos sat\u00e9lites, Tomorrow R1 y R2, lanzados en abril y junio del a\u00f1o pasado, reci\u00e9n ahora, despu\u00e9s de un largo per\u00edodo de remodelaci\u00f3n y pruebas, comienzan a mostrar su calidad.<\/p>\n
En una serie de experimentos que la compa\u00f1\u00eda planea publicar en una revista a finales de este a\u00f1o, Tomorrow afirma que con solo una banda de radar y una fracci\u00f3n de la masa, sus sat\u00e9lites pueden producir resultados a la par con el GPM de la NASA y los sistemas terrestres. En una variedad de tareas, los sat\u00e9lites R1 y R2 pudieron realizar predicciones y observaciones igualmente precisas o incluso mejores y m\u00e1s precisas que GPM, y sus resultados tambi\u00e9n coincidieron estrechamente con los datos del radar terrestre.<\/p>\n
Ejemplos de datos de los sat\u00e9lites R1 y R2. Cr\u00e9ditos de imagen:<\/strong> Ma\u00f1ana.io<\/p>\n<\/div>\n Lo logran mediante el uso de un modelo de aprendizaje autom\u00e1tico que, como lo describi\u00f3 el director meteorol\u00f3gico Arun Chowla, act\u00faa como dos instrumentos en uno. Fue entrenado con datos de ambos radares del GPM, pero al aprender la relaci\u00f3n entre la observaci\u00f3n y la diferencia entre las dos se\u00f1ales de radar, puede hacer una predicci\u00f3n similar usando solo una banda. Como dice su publicaci\u00f3n de blog:<\/p>\n El algoritmo se entrena con estos perfiles de precipitaci\u00f3n derivados de doble frecuencia, pero solo utiliza las observaciones de la banda Ka como entrada. Sin embargo, el algoritmo \u00abaprende\u00bb la compleja relaci\u00f3n entre la forma del perfil de reflectividad y la precipitaci\u00f3n, y se recupera el perfil de precipitaci\u00f3n completo incluso en los casos en que la reflectividad de la banda Ka est\u00e1 completamente atenuada por fuertes precipitaciones.<\/p>\n<\/blockquote>\n Es un gran \u00e9xito para Tomorrow.io si estos resultados se concretan y se generalizan a otros patrones clim\u00e1ticos. Pero la idea no es reemplazar la infraestructura estadounidense: el GPM y la red de radar terrestre est\u00e1n aqu\u00ed para un largo plazo y son activos invaluables. El verdadero problema es que no se pueden duplicar f\u00e1cilmente para cubrir el resto del mundo.<\/p>\n La esperanza de la compa\u00f1\u00eda es tener una red de sat\u00e9lites que puedan proporcionar este nivel de predicci\u00f3n y an\u00e1lisis detallados a nivel mundial. Los ocho sat\u00e9lites de producci\u00f3n previstos ser\u00e1n m\u00e1s grandes (alrededor de 300 kg) y m\u00e1s capaces.<\/p>\n \u00abEstamos trabajando para proporcionar datos de precipitaci\u00f3n en tiempo real en cualquier parte del mundo, lo que creemos que cambia las reglas del juego en el campo del pron\u00f3stico del tiempo\u00bb, dijo Chowla. \u00abEn ese sentido, estamos trabajando en la precisi\u00f3n, la disponibilidad global y la latencia (medida como el tiempo entre que la se\u00f1al es capturada por el sat\u00e9lite y los datos est\u00e1n disponibles para ser ingeridos en los productos)\u00bb.<\/p>\n Tambi\u00e9n est\u00e1n haciendo el inevitable juego de datos, con un conjunto m\u00e1s detallado de im\u00e1genes de radar orbitales para entrenar sus propios sistemas y otros. Sin embargo, para que eso funcione, necesitar\u00e1n muchos m\u00e1s datos, y planean acelerar el ritmo de su recopilaci\u00f3n con m\u00e1s lanzamientos de sat\u00e9lites este a\u00f1o.<\/p>\n<\/p><\/div>\n\n