En la era de la inteligencia artificial, los modelos de predicción del tiempo han prometido revolucionar la precisión de las previsiones meteorológicas. Un estudio reciente liderado por el Departamento de Ciencias Atmosféricas de la Universidad Estatal de Colorado evaluó dos de estos modelos basados en IA, GraphCast de Google y Pangu-Weather, al compararlos con el sistema tradicional de predicción múltiple del clima (UFS GEFS), para prever eventos extremos como las olas de calor.
Durante este análisis, el rendimiento de estos modelos fue probado en 60 olas de calor a lo largo de las cuatro estaciones boreales en diversas regiones de los Estados Unidos continentales (CONUS) durante un período de 20 días. A pesar de una mejora prometedora respecto a los métodos tradicionales, ambos modelos de IA mostraron tendencias consistentes hacia sesgos fríos para las olas de calor, sobre todo en sus proyecciones de corto a medio plazo. Por otro lado, GraphCast demostró ser el más certero de los dos modelos de IA, en muchos casos superando al UFS GEFS tradicional.
Entre los hallazgos del estudio, se observó que el modelo Pangu presenta un sesgo cálido en invierno justo antes del inicio de las olas de calor, indicando potenciales errores de temporización en los eventos. De manera interesante, ambos modelos de IA exhibieron una promesa particular en la previsibilidad a medio y largo plazo de estos fenómenos de calor extremo.
Las implicaciones de estos resultados son vastas, especialmente en un contexto donde las olas de calor se vuelven más severas, intensas y frecuentes. La capacidad de prever eventos de calor extremo con mayor precisión podría mejorar significativamente la respuesta y preparación de sectores críticos como la salud pública, la agricultura y la gestión de recursos hídricos.
Sin embargo, el campo de la predicción meteorológica basada en inteligencia artificial aún enfrenta desafíos sustanciales. Estos incluyen la representación incompleta de procesos dinámicos y termodinámicos fundamentales y la necesidad de verificaciones más rigurosas. A pesar de estas limitaciones, el avance de modelos como GraphCast sugiere que las herramientas de IA podrían propiciar un progreso notable en la previsibilidad a medio y largo plazo de eventos meteorológicos extremos.