Vea También
El huracán Ida fue uno de los más intensos y dañinos de la historia de Luisiana. La violenta tormenta ascendió a huracán de categoría 1 el viernes 27 de agosto. Luego subió otras dos categorías en dos días, saltando de la categoría 3 a la 4 en sólo una hora.
Afortunadamente, los modelos de previsión nos ayudan a predecir cuándo, dónde y con qué fuerza pueden golpear los huracanes. Pero una intensificación tan rápida -Ida es el ejemplo más reciente- puede eludir las predicciones incluso de los mejores modelos. Predecir con exactitud las breves ventanas en las que estas violentas tormentas surgen y se fortalecen es un punto ciego persistente dentro de la comunidad de predicción de huracanes.
Ahora, gracias a un nuevo modelo desarrollado por investigadores del Laboratorio Nacional del Noroeste del Pacífico del Departamento de Energía, es posible predecir mejor la intensidad de los huracanes tanto en un futuro próximo como en futuros escenarios climáticos. Utilizando técnicas de inteligencia artificial, el equipo creó un modelo que puede, por término medio, predecir con mayor exactitud la intensidad de los huracanes en relación con los modelos utilizados a nivel nacional. Y puede funcionar en un ordenador portátil comercial.
Llenar un vacío en las predicciones de huracanes
Algunos modelos de huracanes siguen las relaciones estadísticas entre el comportamiento de las tormentas y su ubicación. Otros calculan los complejos movimientos que se producen en la atmósfera terrestre. Cuando se combinan, estos modelos ayudan a los comandantes de incidentes a preparar recursos como helicópteros o barcos de rescate para que las comunidades costeras estén mejor preparadas para hacer frente a estas catástrofes naturales.
Pero, como cualquier simulación de un sistema enormemente complejo, esos modelos cometen errores.
"Hay muchos ejemplos de previsiones de huracanes que fallan", dijo el científico de la Tierra del PNNL Karthik Balaguru, coautor del estudio. "Si se le dice a todo el mundo que la tormenta será de categoría 2, pero de repente se convierte en una categoría 4, por supuesto que es un gran problema".
Para abordar la necesidad de mejorar las predicciones de intensidad, Balaguru y sus coautores recurrieron al aprendizaje profundo: un tipo de aprendizaje automático en el que los investigadores alimentan la información a algoritmos que, en este caso, detectan las relaciones entre el comportamiento de los huracanes y factores climáticos como el calor almacenado dentro del océano, la velocidad del viento y la temperatura del aire. A continuación, los algoritmos elaboran predicciones sobre la trayectoria que puede seguir una tormenta, la fuerza que podría alcanzar y la rapidez con que podría intensificarse.
El nuevo modelo, explicó el científico de datos del PNNL Wenwei Xu, que dirigió el estudio, se basa en los mismos datos que otros modelos de huracanes. Pero difiere en el uso de redes neuronales: un sistema de neuronas artificiales que imitan la computación del cerebro humano, lo que permite al modelo hacer predicciones.
"Ha habido una explosión de las capacidades de modelado que ha hecho posible el aprendizaje profundo desde alrededor de 2015", dijo Xu. "Hemos visto la incorporación del aprendizaje automático en otros campos, pero no en las previsiones operativas de huracanes". Solo un puñado de estudios han aplicado técnicas de inteligencia artificial para formar predicciones en torno a los huracanes.
Entender los huracanes en un mundo más cálido
Lo que más entusiasma al equipo es la capacidad del modelo para proyectar cómo puede cambiar el comportamiento de los huracanes en diferentes escenarios climáticos. La Administración Nacional Oceánica y Atmosférica predice que la intensidad de los huracanes aumentará, por término medio, entre un 1% y un 10% en un futuro más cálido, lo que traerá consigo una mayor fuerza destructiva, según los modelos que proyectan un calentamiento global de dos grados centígrados.
Investigaciones anteriores realizadas por Balaguru y otros científicos del PNNL demostraron que los grandes huracanes se intensifican más fuerte y rápidamente ahora que en los últimos 30 años. El nuevo modelo puede generar miles de huracanes simulados, dijo Balaguru, lo que ofrece la posibilidad de comprender mejor cómo evoluciona el riesgo en un mundo más cálido.
"Si se conoce el estado del océano y de la atmósfera hoy", dijo Balaguru, "y se conoce el estado de la tormenta, ¿se puede predecir cómo será 24 o 48 horas después? ¿Y 30 años después, cuando haya un gran calentamiento global y tengamos un clima diferente? Ese es un problema diferente, un conjunto diferente de preguntas, y nuestro modelo puede abordarlas".
Este poder también puede ayudar a resolver un problema de escasez de datos que existe desde hace tiempo en la comunidad de pronósticos. Según Balaguru, sólo se producen entre 8 y 10 huracanes al año, y los registros sólidos de datos sobre huracanes sólo comenzaron a utilizarse por satélite hace unos 40 años. Producir más huracanes simulados significa disponer de más datos para ayudar a desarrollar una comprensión básica del comportamiento de los huracanes.
Técnicas de prueba
Para explorar la capacidad de predicción del modelo, el equipo realizó pruebas para simular una previsión operativa en tiempo real. En primer lugar, entrenaron el nuevo modelo alimentándolo con datos climáticos conocidos de huracanes anteriores, hasta 2018. A continuación, el modelo elaboró predicciones para los años 2019 y 2020 basándose en lo que había aprendido de los datos anteriores. Los investigadores compararon las predicciones del nuevo modelo con las de otros modelos de predicción utilizados a nivel nacional, contabilizando los errores de predicción de cada modelo.
La nueva técnica redujo los errores de predicción de la intensidad hasta en un 22% en comparación con los modelos convencionales. "Incluso un 5% de mejora es una gran cosa", dijo Balaguru. Por término medio, añadió, la magnitud del error se reduce en los modelos convencionales de huracanes en aproximadamente un uno por ciento cada año. La nueva técnica también predijo correctamente más casos de intensificación rápida que los modelos de comparación.
La nueva técnica requiere una potencia de cálculo significativamente menor que la de muchos otros modelos, tan pequeña que puede funcionar en un ordenador portátil comercial, facilitando el acceso a quienes no trabajan con ordenadores de alto rendimiento.
Este trabajo contó con el apoyo de la Inversión Ágil en Aprendizaje Profundo para el Descubrimiento Científico del PNNL, así como del área del programa de Dinámica Multisectorial de la Oficina de Ciencia del DOE. El área del programa de Análisis de Modelos Regionales y Globales de la Oficina de Ciencia proporcionó apoyo adicional. El código del modelo aplicado en el estudio está disponible para su uso público. Los autores planean compartir los resultados del modelo con otros grupos de investigación colaborativa sobre huracanes.
Fuentes, créditos y referencias:
Xu Wenwei et al, Deep Learning Experiments for Tropical Cyclone Intensity Forecasts, Weather and Forecasting (2021). DOI: 10.1175/WAF-D-20-0104.1
Más temas acerca de:
Tierra