El Centro Europeo de Previsiones Meteorológicas a Plazo Medio (CEPMPM) acaba de lanzar su estrategia para 2021–2030 y su hoja de ruta para impulsar el machine learning.
En su planificación, el CEPMPM destaca las actividades que llevarán a cabo durante los próximos diez años y hace especial énfasis en ofrecer previsiones aún más precisas tanto a los estados miembros como a los estados cooperantes, además de usuarios de todo el mundo.
En cuanto a los futuros desafíos informáticos, la inteligencia artificial juega un papel muy importante, sobre todo el machine learning o aprendizaje automático, que formará parte de la predicción numérica del tiempo y el flujo de trabajo de los servicios climatológicos.
El lanzamiento conjunto de ambos documentos ilustra cómo el segundo facilitará la primera, la estrategia. La hoja de ruta de las actividades de ’machine learning’ del Centro Europeo de Previsiones viene a ofrecer un marco de acción que ayudará a canalizar las diversas actividades de aprendizaje automático para un esfuerzo coordinado de las predicciones meteorológicas y climáticas .
El machine learning es el desarrollo de algoritmos informáticos que mejoran de forma automática aprendiendo de los datos. Es especialmente relevante para las ciencias de la Tierra y avanza a una velocidad sin precedentes, junto con los crecientes volúmenes de datos que ahora están disponibles.
El autor principal de este documento, Peter Dueben, comentó: «Con esta hoja de ruta queremos mostrar cómo el machine learning se integra, beneficia o sustituye los desarrollos existentes para mejorar la predicción numérica del tiempo y los servicios climáticos. Asimismo, nos permitirá colaborar con los Estados miembros y cooperantes del Centro Europeo de Previsiones y la comunidad europea para la modelización del tiempo y el clima con el objetivo de sacar el máximo provecho del aprendizaje automático. Nuestra visión es que para el 2031 el aprendizaje automático esté completamente integrado en la predicción numérica del tiempo y los servicios climáticos y que haya mejorado las predicciones y su uso en muchas áreas del flujo de trabajo».
Comparación de modelo de previsión
El CEPMPM ya hace uso del ’machine learning’ en muchas áreas de su trabajo, entre otras, en la asimilación de datos. Aquí, las observaciones y el modelo de previsión (‘forecast model’) se comparan para deducir las condiciones iniciales de la siguiente predicción meteorológica.
Si se diagnostican diferencias entre el modelo y las observaciones, se pueden utilizar herramientas de aprendizaje automático para aprender a estimar los errores del modelo en situaciones meteorológicas específicas. Esta representación de errores se puede utilizar para analizar el comportamiento del error, o bien para corregir el error dentro de la asimilación de datos para mejorar las condiciones iniciales y, por tanto, las predicciones.
En los últimos años, esta ciencia también se ha integrado en el desarrollo de los componentes de cambio climático (C3S) y de vigilancia atmosférica (CAMS) del programa de observación de la Tierra Copérnico de la UE, que implementa el CEPMPM en su nombre.
Un ejemplo reciente del valor aportado por el aprendizaje automático en los procesos del Centro Europeo de Previsiones procede precisamente de los científicos del CAMS y sus contratistas, que estudian el impacto de las medidas tomadas para la Covid-19 en la calidad del aire en Europa, simulando las emisiones que se habrían producido de no haberse aplicado las medidas de confinamiento y haciendo uso de la inteligencia artificial.
