![](\"https:\/\/imagenes.elpais.com\/resizer\/v2\/PORTAPEEXZ45E3JHBK3NKJXV5M.jpg?auth=a591c77b852a88fc13364ca57c821a3e97c27ccfa5fe7ed37be5425f65c50413\")
<\/p>\n \n<\/p>\n
Una predicci\u00f3n del tiempo atmosf\u00e9rico precisa y con la mayor anticipaci\u00f3n posible no es solo fundamental para conocer la disponibilidad de energ\u00edas renovables, planificar rutas o gestionar de forma eficaz la agricultura o inversiones en infraestructuras. Tambi\u00e9n est\u00e1n en juego vidas. Las inundaciones han afectado en dos d\u00e9cadas a 2.500 millones de personas, matado a un cuarto de mill\u00f3n de ellas y causado da\u00f1os evaluados en 936.000 millones, seg\u00fan la base de datos mundial sobre desastres naturales (EM-DAT) de la Universidad Cat\u00f3lica de Lovaina (Bruselas). Los gigantes tecnol\u00f3gicos pugnan por conseguir el mejor modelo de predicci\u00f3n. Naturaleza<\/i> recoge este mi\u00e9rcoles el desarrollo de Aurora, el modelo de inteligencia artificial (IA) desarrollado por Microsoft en colaboraci\u00f3n con las universidades de Pensilvania, Cambridge y \u00c1msterdam, entre otras entidades. El objetivo es la mayor precisi\u00f3n y anticipaci\u00f3n de forma eficaz, una carrera en la que tambi\u00e9n est\u00e1n IBM y la ESA (TerraMind) y Google (GraphCast).<\/p>\n
Augurar el tiempo es uno de los procesos m\u00e1s complejos. En la evoluci\u00f3n atmosf\u00e9rica intervienen cientos de factores de comportamiento err\u00e1tico. Cualquier alteraci\u00f3n de uno de ellos puede arruinar un pron\u00f3stico. Por esta raz\u00f3n, las predicciones m\u00e1s fiables no van m\u00e1s all\u00e1 de tres d\u00edas. Pero la inversi\u00f3n para romper esta limitaci\u00f3n compensa: permitir\u00eda salvar vidas y evitar p\u00e9rdidas econ\u00f3micas que un estudio publicado en Comunicaciones de la naturaleza<\/i> cifra en 143.000 millones de d\u00f3lares anuales (128.000 millones de euros).<\/p>\n
Microsof asegura que Aurora facilita un pron\u00f3stico meteorol\u00f3gico de alta resoluci\u00f3n m\u00e1s preciso y eficiente, as\u00ed como de la calidad del aire, las trayectorias de los ciclones tropicales y la din\u00e1mica de las olas oce\u00e1nicas. El programa ha sido entrenado con m\u00e1s de un mill\u00f3n de horas de datos diversos del sistema terrestre y su modelo se ha ajustado para \u201csuperar\u201d en velocidad y precisi\u00f3n, seg\u00fan defiende Microsoft, \u201ca varios sistemas operativos existentes\u201d. La compa\u00f1\u00eda afirma que su modelo ha arrojado \u201cmejores resultados que los num\u00e9ricos de \u00faltima generaci\u00f3n en el 92% de los objetivos y mejorando el rendimiento en eventos extremos\u201d.<\/p>\n
Los modelos num\u00e9ricos habituales se fundamentan en d\u00e9cadas de datos que exigen una gran potencia computacional. Algunos factores tardan d\u00edas en recopilarse y procesarse y precisan de supercomputadores y sofisticados equipos. Este gasto de recursos se ha visto reducido recientemente por la IA. En el caso de Aurora, su entrenamiento, seg\u00fan destacan los autores de la investigaci\u00f3n, tan solo llev\u00f3 ocho semanas frente a los a\u00f1os que emplean sistemas convencionales. Los investigadores se\u00f1alan que el modelo de Aurora, adem\u00e1s, podr\u00eda ser la base para el an\u00e1lisis de otros factores clim\u00e1ticos no implicados en su desarrollo actual.<\/p>\n
Paris Perdikaris, profesor asociado de ingenier\u00eda mec\u00e1nica en la Universidad de Pensilvania y coautor de la investigaci\u00f3n, afirma que Aurora ha sido \u201cun desaf\u00edo\u201d porque no solo se trataba de dise\u00f1ar y desarrollar herramientas de pron\u00f3stico confiables y precisas, sino que estas, adem\u00e1s, fueran \u201caccesibles para todos y requirieran muy pocos recursos computacionales\u201d.<\/p>\n
\u201cAurora no utiliza directamente principios f\u00edsicos, sino que se basa en observaciones e informaci\u00f3n y aprende de un conjunto muy diverso de datos geof\u00edsicos, incluidos pron\u00f3sticos, observaciones, an\u00e1lisis y rean\u00e1lisis, que es, b\u00e1sicamente, una reconstrucci\u00f3n de los patrones clim\u00e1ticos hist\u00f3ricos\u201d, explica Perdiakis.<\/p>\n
Para avalar la precisi\u00f3n del sistema, es investigador destaca: \u201cPor primera vez, demostramos que un sistema de IA puede superar a todos los centros operativos de predicci\u00f3n de huracanes. Solo con datos hist\u00f3ricos, [Aurora] pudo pronosticar correctamente todos los huracanes en 2023 con mayor precisi\u00f3n que los centros de operativos\u201d. Perdikaris tambi\u00e9n resalta que el modelo demuestra \u201cpotencial para resolver con precisi\u00f3n tormentas y eventos extremos a escala muy local\u201d.<\/p>\n
En esta carrera est\u00e1n tambi\u00e9n otros gigantes. IBM ha publicado en el repositorio abierto ArXiv los resultados de TerraMind, un modelo de la\u202fAgencia Espacial Europea (ESA) y la multinacional que, de forma muy resumida, consiste en dotar de cerebro a los sistemas satelitales de observaci\u00f3n terrestre, los ojos de la tierra, y a la informaci\u00f3n de d\u00e9cadas sobre el comportamiento de la atm\u00f3sfera. <\/p>\n
\u201cHemos empezado nuevas modalidades. A los datos del radar, a\u00f1adimos otros como el \u00edndice diferencial de vegetaci\u00f3n, que ayuda a entender la vida en la superficie de la tierra; perfiles de elevaci\u00f3n para entender todo en tres dimensiones, geocoordenadas \u2026 Si tenemos una imagen de sat\u00e9lite visual, nuestro sistema puede generar todos los otros modelos\u201d, explica Juan Bernab\u00e9-Moreno, director de la divisi\u00f3n de investigaci\u00f3n de IBM para Irlanda y Reino Unido y responsable de la Estrategia de Descubrimiento Acelerado para el Clima y la Sostenibilidad. <\/p>\n
El sistema no solo puede mostrar qu\u00e9 sucede bajo las nubes que dificultan el trabajo de los sat\u00e9lites. Tambi\u00e9n es capaz de detectar, por ejemplo, la poluci\u00f3n en el oc\u00e9ano, rastrear flotas, la recuperaci\u00f3n de una zona afectada por un incendio, las especies invasoras en un ecosistema, la degradaci\u00f3n de la biodiversidad o del suelo, la evoluci\u00f3n de un fen\u00f3meno o generar predicciones a partir de simulaciones con datos hist\u00f3ricos. \u201cLo puedes aplicar a cualquier cosa que tenga una manifestaci\u00f3n en la atm\u00f3sfera, te a\u00f1ade un nivel de entendimiento del planeta que no hab\u00eda antes\u201d, resume Bernab\u00e9-Moreno. <\/p>\n
TerraMind se ha generado con c\u00f3digo abierto y con necesidades de memoria muy reducidas (1,5 gigas) para que sea accesible para cualquiera sin necesidad de equipos sofisticados. \u201cPara nosotros es muy importante que la comunidad lo adopte y lo use\u201d, argumenta el cient\u00edfico. En las futuras versiones, se trabaja con sistemas de inteligencia artificial que permitan al usuario, como un ganadero que quiera conocer los recursos naturales con los que cuenta y su posible evoluci\u00f3n, interactuar con el programa a trav\u00e9s del di\u00e1logo. <\/p>\n
La empresa de origen espa\u00f1ol Xoople trabaja tambi\u00e9n en este \u00e1mbito de \u201crecopilaci\u00f3n y an\u00e1lisis de datos terrestres para permitir una comprensi\u00f3n sistem\u00e1tica de los cambios f\u00edsicos en la superficie de la Tierra\u201d. Acaba de alcanzar una financiaci\u00f3n de 115 millones de euros gracias al apoyo de AXIS, la gestora de capital riesgo del Instituto de Cr\u00e9dito Oficial (ICO), y el CDTI, una entidad del Ministerio de Ciencia, Innovaci\u00f3n y Universidades de Espa\u00f1a que la ha calificado como Empresa Estrat\u00e9gica. El objetivo es aplicar la IA para reconocer patrones, detectar cambios y proporcionar an\u00e1lisis predictivos en plataformas comunes. <\/p>\n