La obtención de información climática ha dependido históricamente de estaciones meteorológicas, aunque este enfoque enfrenta desafíos y limitaciones. Gracias a distintas estrategias y utilización de IA es posible optimizar el procesamiento y análisis de estos datos. La IA puede facilitar la integración de información de múltiples fuentes, mejorar la interpretación de las imágenes y permitir la detección de patrones y tendencias que serían difíciles de identificar mediante métodos tradicionales. La IA y el pronóstico climático tendrán cada vez mayor interacción entre si. Por Malena Lozada Montanari & Micaela Abrigo.
Limitantes en la obtención de datos climáticos
La obtención de información climática ha dependido históricamente de estaciones meteorológicas, aunque este enfoque enfrenta desafíos y limitaciones. A nivel global, los registros climáticos organizados, se consolidaron a mediados del siglo XIX. Esto fue posible gracias al establecimiento de estaciones meteorológicas y la introducción de nuevas tecnologías para observaciones más precisas.
Estos datos se obtienen de manera estandarizada y deben cumplir con los requerimientos de la Guía de Instrumentos y Métodos de Observación de la Organización Meteorológica Mundial (OMM).
Sin embargo, su adquisición no siempre es sencilla y presentan diversas limitaciones, como la cobertura espacial limitada, costos elevados y variabilidad en la calidad de los datos.
La distribución y las mediciones de las estaciones meteorológicas plantean desafíos en cuanto a la precisión y cobertura de los datos climáticos. Las estaciones suelen ubicarse en aeropuertos o en grandes centros urbanos, lo que reduce su representatividad geográfica en áreas más remotas.
Y generalmente registran sólo un conjunto limitado de variables meteorológicas, como temperatura, precipitación, dirección e intensidad del viento y presión atmosférica, lo que obliga a estimar indirectamente otras variables importantes para el análisis climático.
El alto costo de mantenimiento y expansión de las estaciones meteorológicas limita la calidad y alcance de los registros climáticos.
Mantener el registro rutinario de datos a menudo resulta en la aparición de datos faltantes o de calidad reducida, lo que dificulta la realización de proyecciones climáticas debido a la falta de robustez métrica necesaria para su inclusión en modelos predictivos.
Además, el establecimiento y mantenimiento de nuevas estaciones, junto con la tecnología requerida, implica una inversión significativa. Esto restringe su distribución, especialmente en regiones vulnerables como países en desarrollo, áreas rurales o zonas remotas, generando brechas espaciales en la cobertura climática. Estas limitaciones afectan el monitoreo y análisis de fenómenos globales, como el cambio climático, comprometiendo la capacidad de tomar decisiones informadas y efectivas.
Revolucionando la Ciencia Climática: El Poder de los Sensores Remotos y la Inteligencia Artificial
Los sensores remotos, aparecen como una alternativa frente a la escasez de datos de zonas remotas, y ofrecen importantes ventajas para el modelado de datos a nivel global. Los sensores remotos permiten recopilar información sobre objetos a distancia. En meteorología, se utilizan principalmente radares y satélites para obtener datos de las condiciones atmosféricas y de la superficie terrestre.
Su principal ventaja radica en que capturan información de áreas remotas, sin cobertura de estaciones meteorológicas, ofreciendo observaciones globales y consistentes. Y generalmente, los datos satelitales son de libre acceso.
No obstante, una de sus limitaciones es que el procesamiento de estos datos puede ser complejo, debido a la variedad de formatos y la necesidad de herramientas especializadas para visualizarlos y analizarlos. Además, es fundamental validar estos datos a nivel local para asegurar la precisión de los productos generados por los sensores.
Nuevo enfoque para la IA y el pronóstico climático
Gracias a distintas estrategias y utilización de IA es posible optimizar el procesamiento y análisis de estos datos. La IA puede facilitar la integración de información de múltiples fuentes, mejorar la interpretación de las imágenes y permitir la detección de patrones y tendencias que serían difíciles de identificar mediante métodos tradicionales.
Además, el uso de algoritmos avanzados puede ayudar a automatizar la validación de datos, reduciendo así el tiempo y esfuerzo necesarios para garantizar la calidad y precisión de las observaciones.
El rápido avance de la IA junto a la obtención de datos con sensores remotos, ha tenido un impacto significativo en la ciencia climática, ayudando a mitigar las limitaciones inherentes a los métodos tradicionales de obtención y análisis de datos.
El uso de capacidades analíticas y de procesamiento avanzadas de la IA permite mejorar la comprensión del sistema climático actual. Y su aplicación es extensa, abarcando una amplia gama de áreas y estudios relacionados con la gestión de datos climáticos (Materia et al., 2024; Salcedo-Sanz et al., 2024).
El Rol Crucial de la Inteligencia Artificial en la Predicción de Eventos Extremos
Los eventos climáticos extremos, como inundaciones, sequías y olas de calor, representan una amenaza para la humanidad. Estos fenómenos naturales no solo afectan la calidad de vida, sino que también amenazan la seguridad alimentaria y la estabilidad socioeconómica.
En este contexto, la IA emerge como una herramienta poderosa para mejorar la predicción y comprensión de estos eventos climáticos. A través del uso de técnicas avanzadas de aprendizaje automático, se están desarrollando modelos que permiten anticipar inundaciones y sequías, optimizar pronósticos de olas de calor, y mejorar la visibilidad en condiciones adversas.
Además, la IA facilita la estimación de variables críticas, como la humedad del suelo, que a menudo no se miden de manera directa y es difícil obtener estimaciones precisas.
A medida que el cambio climático intensifica la frecuencia e intensidad de estos fenómenos, la integración de la IA en la gestión de datos climáticos se vuelve esencial para mitigar sus impactos y promover una respuesta proactiva frente a las amenazas climáticas.
Inundaciones
Las inundaciones se encuentran entre los desastres naturales más destructivos causando grandes daños a la salud humana, la infraestructura, la producción agropecuaria y el sistema socioeconómico.
Por ello, la prevención de estos eventos de precipitación extrema es crucial para la evaluación de riesgos y la gestión de peligros. En respuesta a la necesidad de mejorar la predictibilidad de las inundaciones, se han implementado diversos métodos de IA.
Por ejemplo, Moon et al. (2019) proponen un sistema de alerta temprana para lluvias extremas en Corea del Sur, utilizando diferentes técnicas de aprendizaje automático. Asimismo, Barnes et al. (2023) demuestran que las redes neuronales convolucionales pueden mejorar el pronóstico de lluvias mensuales en el Reino Unido al interpretar patrones de presión y temperatura.
Sequías
Las sequías están relacionadas con condiciones meteorológicas como déficit de precipitación, altas temperaturas y elevada evapotranspiración, además de la variabilidad interanual del sistema climático, como el fenómeno del Niño.
Por lo tanto, generar predicciones precisas de sequía con suficiente antelación es un desafío crítico, especialmente debido a que la frecuencia e intensidad de las sequías tenderá a aumentar en un futuro más cálido (Chiang et al., 2021).
En este contexto, Zhang et al. (2019) utilizan la técnica de Machine Learning conocida como Extreme Gradient Boosting para desarrollar un modelo no lineal que predice el índice SPEI (Índice Estandarizado de Precipitación y Evapotranspiración) en China con una anticipación de seis meses.
Olas de calor
Las olas de calor se han vuelto más frecuentes, persistentes e intensas en las últimas décadas (Seneviratne et al., 2021). Este evento extremo conlleva múltiples consecuencias negativas para la salud, los ecosistemas, la agricultura y la economía, siendo una de las amenazas naturales que más muertes causa.
Por ello, es fundamental comprender mejor sus causas y posibles impactos en el sistema climático. Una forma de lograr esto es mejorando la predictibilidad de los pronósticos estacionales, donde la IA juega un papel crucial. Weirich-Benet et al. (2023) demuestran que, mediante la técnica de bosques aleatorios, es posible mejorar el pronóstico de anomalías de temperatura de verano y olas de calor en Europa.
De manera similar, Lopez-Gomez et al. (2023) utilizan redes neuronales artificiales para optimizar el pronóstico de eventos de temperaturas extremas por más de dos semanas, basado en los datos del Centro Europeo.
Humedad del Suelo
La IA no solo es útil para pronosticar eventos climáticos, sino que también ayuda a estimar variables meteorológicas que no son medidas de forma directa. La humedad del suelo, que representa la cantidad de agua en los poros del suelo, es vital para el desarrollo de cultivos y tiene un impacto significativo en el clima circundante.
Sin embargo, obtener datos continuos de humedad del suelo es complicado, ya que generalmente se derivan de información satelital o de modelos climáticos basados en otras variables meteorológicas. Sungmin y Orth (2021) desarrollaron un conjunto de datos global a largo plazo mediante entrenamiento de aprendizaje automático con más de 1.000 mediciones in situ.
Por otro lado, Mehdizadeh et al. (2017) emplearon distintos tipos de redes neuronales artificiales para estimar la humedad del suelo a nivel mensual, sin utilizar datos meteorológicos directos.
¿Qué ocurre en Argentina?
En Argentina, se están integrando técnicas de IA para mejorar el análisis de datos climáticos. Recientemente, se han explorado diversas aplicaciones de redes neuronales para abordar la incertidumbre en los pronósticos generados por el Servicio Meteorológico Nacional, lo que ha permitido avances significativos en la precisión de estos modelos (Sacco, 2023).
Además, se han evaluado redes neuronales convolucionales como herramientas efectivas para la reducción de escala de las temperaturas extremas diarias en el sur de Sudamérica, mostrando un buen desempeño en la simulación de estas variables (Balmaceda Huarte, 2023).
También se han realizado progresos en la corrección del sesgo de la información producida por el satélite GOES-16, utilizando redes neuronales convolucionales profundas para mejorar la estimación de la precipitación (Gonzalez et al. 2024).
Perspectivas a futuro sobre IA y pronóstico climático
El uso combinado de sensores remotos, IA y modelos avanzados de predicción climática continuará transformando el análisis y la gestión de los datos climáticos. Se espera que la integración de estas tecnologías permita no solo mejorar la precisión y resolución espacial de los datos climáticos, sino también anticipar con mayor efectividad eventos extremos como sequías, inundaciones y olas de calor.
En regiones como Argentina, donde la infraestructura de estaciones meteorológicas puede ser limitada, estas herramientas serán clave para ampliar la cobertura de datos y optimizar la planificación y respuesta ante los impactos del cambio climático. La IA y el pronóstico climático serán cada vez elementos con más interacción.
A medida que el calentamiento global siga exacerbando los eventos climáticos extremos, será crucial el desarrollo de enfoques más robustos de IA que permitan generar pronósticos de largo plazo y tomar decisiones informadas en sectores críticos como la agricultura, la gestión del agua y la seguridad alimentaria.
Además, se prevé que el acceso a bases de datos globales más extensas, junto con el uso de algoritmos de aprendizaje profundo, permitirá a los investigadores y tomadores de decisiones abordar con mayor precisión las incertidumbres inherentes a los escenarios climáticos futuros.
Este artículo es parte del Informe ‘Inteligencia artificial y cambio climático 2024’, DESCARGALO GRATIS AHORA