Un equipo de investigadores de la Universidad de Ingeniería y Tecnología de Vietnam ha desarrollado un modelo mejorado con técnicas de aprendizaje profundo basado en la red Transformer para prever trayectorias de ciclones tropicales. Mediante este nuevo enfoque, la predicción de storm path se logra con mayor precisión y eficiencia en comparación con los métodos tradicionales.
El modelo hace uso de datos proporcionados por la Administración Nacional Oceánica y Atmosférica (NOAA), abarcando información de ciclones tropicales desde 1944 hasta 2022. Cada serie de datos contiene ubicaciones del centro del ciclón, velocidad del viento y presión mínima a intervalos de seis horas. Esta información es procesada por un sistema de coordenadas de cuadrícula, que facilita la reducción de errores de truncamiento al pronosticar movimientos de tormentas.
La técnica propuesta permite al modelo Transformer captar relaciones no lineales entre factores meteorológicos con gran efectividad. Gracias a su estructura particular de capas de atención y red neuronal de alimentación, es capaz de predecir trayectorias de tormentas en períodos sucesivos de 6 horas. El modelo no solo supera en precisión a otros métodos vigentes, como redes de memoria a largo plazo (LSTM), sino que también reduce considerablemente los tiempos de entrenamiento estándar.
Con un Error Cuadrado Medio (MSE) de 0,0086 y una precisión de 0,783, el Transformer propuesto muestra un desempeño prometedor, resolviendo limitaciones previas de escalabilidad en la predicción de trayectorias largas y manejo de múltiples fuentes de datos.
Comparado con estimaciones realizadas por el Centro Nacional de Huracanes de EE.UU., el Transformer ofrece una mayor exactitud en las predicciones de trayectoria en su modelo experimental. No obstante, se enfrentarán retos en la regulación del modelo para evitar sobreajustes y se requiere de un manejo de recursos considerable debido a su complejidad computacional.
El uso de modelos de aprendizaje profundo como el Transformer representa un avance notable en la previsión de trayectorias de tormentas. Con mejoras continuas, se auguran aplicaciones para la toma de decisiones efectivas ante situaciones meteorológicas extremas, especialmente en las áreas propensas a desastres naturales.