Visitas: 41
Los científicos del KIT usan técnicas de inteligencia artificial para hacer que la previsión del tiempo más precisa
Courtesy KIT : Tempestades, sol, frío, calor – como el tiempo puede ser cambiante, el mayo de este año mostró. Responsable es la atmósfera del «sistema caótico»: las propiedades físicas como la temperatura, la humedad o la nebulosidad están cambiando constantemente. Las previsiones del tiempo tratan de predecir el caos y hacer declaraciones confiables. Los científicos de la meteorología y las matemáticas en el Instituto de Tecnología de Karlsruhe (KIT) desarrollaron un nuevo método que corrige basado en un error de inteligencia artificial en la previsión del tiempo, teniendo en cuenta las relaciones no lineales.
Las masas de aire que están en constante movimiento, las temperaturas que flotan y alteran las condiciones de presión de aire hacen que la atmósfera sobre nosotros sea difícil de predecir. Pero eso es lo que hacen los meteorólogos para hacer previsiones meteorológicas confiables. Como base, ellos utilizan mediciones del estado actual de la atmósfera y simulan escenarios alternativos basados en ella, por ejemplo, alteran conscientemente la temperatura o la humedad y calculan cómo esa modificación puede afectar el clima. Para cada métrica, comparan hasta 50 escenarios. «Asimilándose a resultados indicaron lo que sugiere un pronóstico con estos valores relativamente seguros y el estado de la atmósfera en esta área estable y previsible», dice Peter Knippertz del Instituto de Meteorología e
Investigación de Clima del KIT.
Sin embargo, este método está sujeto a incertidumbres sistemáticas que distorsionan los resultados: «Los escenarios de computadora hacen algunas relaciones físicas no reflejan en el nivel necesario de detalle o resolución espacial», dice Sebastian Lerch del Instituto de Stochastics en la KIT, que trabaja en estrecha colaboración con Knippertz. Por ejemplo, las predicciones sobre la temperatura en determinados lugares son siempre muy leves y muy altas para otras, porque las condiciones locales, a veces son variables temporalmente, y no se pueden suministrar a los modelos. Por lo tanto, sería necesario rehacer los resultados de las simulaciones con métodos estadísticos complejos y conocimientos especializados para obtener mejores predicciones y probabilidades de ocurrencia de eventos climáticos.
«Hemos desarrollado un enfoque que proporciona previsiones mejores que los métodos estándar establecidos», según Lerch, que trabaja al mismo tiempo en el Instituto Heidelberg para Estudios Teóricos (HITS) y una silla en el grupo de Tilmann Gneiting KIT. La base para ello son redes neuronales, es decir, programas informáticos que procesan información sobre el modelo del cerebro. Las neuronas artificiales están dispuestas en capas. Esto permite que los matemáticos «entrenen» a la red para procesar de manera ideal ciertos datos. Con cada información que fluye a través de la red en la fase de entrenamiento, recolecta «experiencia», puede mejorar continuamente y, por ejemplo, determinar con precisión la probabilidad de ocurrencia de eventos climáticos locales.
«Insertamos en nuestra red una capa intermedia en la que las neuronas analizan y evalúan las interacciones caóticas y no lineales entre los datos de las estaciones meteorológicas y los estados físicos de la atmósfera en la simulación», dice Lerch. «Para que pueda aprender, por ejemplo, cómo los cambios afectan la temperatura en una determinada estación de medición.» Para entrenar a su red, los matemáticos usan datos climáticos de Alemania, que registraron 537 estaciones meteorológicas de 2007 a 2016. Las variables de entrada a la red neural incluyeron cobertura de nubes, humedad del suelo y temperatura.
Las previsiones hechas por la red fueron comparadas por matemáticos con previsiones de técnicas establecidas. «Nuestro enfoque hizo previsiones mucho más precisas para casi todas las estaciones meteorológicas y es mucho menos computacionalmente cara», resumió Lerch. Las ventajas de las redes neuronales como métodos de post-procesamiento son, por encima de todo, reconocer las relaciones no lineales de manera independiente y continua, adaptando su conocimiento sobre ellas. Además, pueden procesar grandes cantidades de datos más rápidamente que los métodos anteriores y expertos humanos. «Esta es la primera vez que hemos podido mostrar que las redes neuronales son las más adecuadas para mejorar las previsiones meteorológicas y obtener información sobre los procesos meteorológicos».
Investigación interregional para una mejor predicción del tiempo
La investigación de Lerch forma parte del SFB / Transregios 165 «Waves to Weather» (W2W), cuyo co-portavoz es Knippertz. Científicos del Kit, la Ludwig-Maximilians-University (MMU) de Munich, y la Universidad de Gutenberg Johannes (JGU) como un coordinador nacional trabajan aquí juntos y de forma interdisciplinaria para hacer pronósticos meteorológicos más precisas y más confiables. Así, el W2W es actualmente el mayor desafío en la previsión del tiempo: identificar los límites de la previsibilidad en diferentes situaciones y crear la mejor previsión física posible. La Fundación Alemana de Investigación (DFG) apoya el SFB desde 2015 y ha ampliado su financiamiento desde hace algunas semanas por otros cuatro años.
Detalles sobre el Centro Climático y Ambiental del KIT: http://www.klima-umwelt.kit.edu
Dejar una contestacion