Cielo rojo al amanecer, el mar se ha de mover.
Durante siglos, la gente ha confiado en las previsiones meteorológicas para proteger sus vidas y medios de subsistencia.
Las técnicas modernas son mucho más sofisticadas que consultar al cielo. Los pronósticos actuales utilizan superordenadores que procesan grandes cantidades de datos utilizando un modelo matemático. Estas gigantescas máquinas pueden realizar más de 10 000 billones de cálculos por segundo, ya que, cada día, filtran cientos de miles de millones de observaciones meteorológicas en todo el mundo.
Sin embargo, el pronóstico de las condiciones meteorológicas sigue siendo una tarea difícil. La atmósfera es un sistema dinámico y caótico con muchas incógnitas. Por si esto fuera poco, el calentamiento global está aumentando la frecuencia de fenómenos meteorológicos graves como olas de calor, inundaciones y tormentas.
La necesidad de unos pronósticos meteorológicos rápidos y precisos nunca han sido mayores, ya que las empresas, las autoridades y los hogares privados quieren salvar vidas, limitar los costes y adaptarse a los peligros meteorológicos que causan daños económicos globales de unos 200 000 millones de USD al año. Swiss Re realiza estimaciones basadas en cuatro peligros meteorológicos: inundaciones, ciclones tropicales, tormentas invernales en Europa y tormentas fuertes. https://www.swissre.com/press-release/Economic-losses-set-to-increase-due-to-climate-change-with-US-and-Philippines-the-hardest-hit-Swiss-Re-Institute-finds/3051a9b0-e379-4bcb-990f-3cc8236d55a1
Afortunadamente, el aprendizaje automático (ML) y la modelización de big data están permitiendo a los científicos predecir cambios atmosféricos a largo plazo con una mayor precisión. Al mismo tiempo, los avances tecnológicos están convirtiendo las previsiones meteorológicas en una actividad comercial, reduciendo los obstáculos para penetrar en lo que tradicionalmente ha sido un servicio público infrafinanciado.
El año pasado se produjo un gran avance gracias a los modelos ML preentrenados de Huawei en China. Una vez entrenado, Pangu-weather es un programa 3D de alta resolución que logra unas previsiones meteorológicas más rápidas y precisas que los métodos convencionales con un solo servidor.
Posteriormente se unió Google, cuya unidad DeepMind presentó a finales de 2023 su sistema de previsión meteorológica basado en IA GraphCast, que se ejecuta en un ordenador de sobremesa. Y en marzo, Nvidia lanzó una plataforma gemela digital, Earth-2, para simular las condiciones meteorológicas y climáticas.
«Los modelos basados en datos... pueden competir con los modelos basados en la física en términos de extremos. La comunidad científica se está poniendo al día con mucha rapidez y el aprendizaje automático puede ayudarnos a avanzar hacia una modelización más rápida y de mayor resolución», afirma el Dr. Nicolas Gruber, profesor de Física Ambiental en la ETH Zurich y experto en modelización climática.
«Actualmente, la mayor parte de las innovaciones en este campo están impulsadas por empresas privadas. Todas las grandes empresas tecnológicas han realizado importantes inversiones en este ámbito. Al mismo tiempo, es importante señalar que el sector privado depende de la gran cantidad de datos abiertos que la comunidad científica y las entidades públicas, como los servicios meteorológicos, proporcionan a título oneroso. Sin esos datos, el entrenamiento de estos modelos basados en datos no habría sido posible.»
Caja negra y cisnes negros
La previsión meteorológica moderna depende de la predicción meteorológica numérica basada en la física (NWP, por sus siglas en inglés), que utiliza las últimas observaciones meteorológicas, como la temperatura, la lluvia, la presión, el viento y la humedad, junto con un modelo matemático informático de la atmósfera para realizar una previsión.
En la actualidad, el Prof. Gruber afirma que los avances en la computación de alta potencia han permitido obtener pronósticos basados en la predicción numérica del tiempo de una mayor resolución con una longitud de malla de alrededor de 1,5 km durante un periodo de 7-10 días, lo que representa un intervalo dos veces mayor que hace 20 años.
Aunque se trata de un avance, la resolución sigue sin ser lo suficientemente buena como para permitir a las autoridades planificar eficazmente la prevención de desastres y el apoyo a la evacuación en caso de fenómenos extremos como huracanes o para evitar que las empresas sufran pérdidas por inundaciones o sequías.
«El reto reside en ser más precisos a la hora de identificar la trayectoria de las tormentas y predecir las áreas que deben evacuarse», afirma el Prof. Gruber.
De hecho, se requiere una resolución aún más fina, del orden de 1 metro, para mostrar con precisión cómo se forman y evolucionan las nubes, lo cual, según los científicos, es la mayor fuente de incertidumbre en los pronósticos. En un método NWP convencional, esto no resulta barato: los modelos de resolución de 1 metro necesitan 100 000 millones de veces más recursos informáticos que los modelos de 1 km más avanzados de hoy en día.https://dl.acm.org/doi/pdf/10,1145/3592979,3593412
«El aprendizaje automático se vuelve problemático si ocurre algo inesperado que no forma parte de la formación. El calentamiento global nos lleva a un territorio desconocido: no sabemos cómo será el mundo si la temperatura sube entre 2 ºC y 4º C.
La IA y el ML de última generación prometen abordar estos desafíos. Por ejemplo, Earth-2 de Nvidia genera imágenes con una resolución 12 veces superior a su homólogo NWP, a una velocidad 1000 veces superior y con una eficiencia energética 3000 veces superior.https://nvidianews.nvidia.com/news/nvidia-announces-earth-climate-digital-twin
Sin embargo, el Prof. Gruber tiene menos confianza en la capacidad de los modelos de ML para hacer frente a condiciones meteorológicas volátiles e intensas sin precedentes que resultarán del cambio climático.
Por lo general, el aprendizaje automático se basa en modelos de regresión estadística que se entrenan con cientos de millones de parámetros de datos meteorológicos históricos, como la presión barométrica o las condiciones del cielo.
Pero los fenómenos graves, como las inundaciones mortales en Dubái en 2024 o la ola de calor récord en Delhi a principios de ese mismo año, no suelen incluirse.
«Los modelos de aprendizaje automático son buenos para reproducir los parámetros y el espacio de datos que ya tiene. Pero solo se obtendrán resultados para los que hayan recibido entrenamiento. Los problemas surgen cuando ocurre algo inesperado que no forma parte de su entrenamiento», afirma el Prof. Gruber.
«El calentamiento global nos lleva a un territorio desconocido: no sabemos cómo será el mundo si las temperaturas suben entre 2 °C o 4 °C».
Agotamiento de energía y recursos
Los modelos ML requieren un entrenamiento exhaustivo en un gran centro de datos equipado con superordenadores. El Prof. Gruber también afirma que el consumo de energía de estas configuraciones se está convirtiendo en una limitación para el desarrollo futuro de los sistemas de modelización climática y meteorológica.
Por ejemplo, un modelo del Prof. Gruber utiliza un superordenador que requiere 1 megavatio (1 MW) de electricidad. Si esta electricidad procede de un servicio eléctrico europeo promedio, se emitirán más de 4000 toneladas de CO2 al año, lo cual equivale a un trayecto de más de 25 millones de millas (más de 40 millones de km) en un coche de gasolina medio. Algunos de los superordenadores más grandes del mundo consumen hasta 20 MW.
Esto ocurre en un momento en el que la IA y los centros de datos que respaldan la tecnología de vanguardia expiezan a sobrecargar las redes eléctricas locales. La Agencia Internacional de la Energía prevé que la electricidad consumida por los centros de datos se multiplique por, al menos, dos en todo el mundo de aquí a 2026, hasta superar los 1.000 teravatios hora, una cantidad casi equivalente a la que consume Japón al año.
«Escalar modelos de ML es un reto, ya que el aumento de la potencia informática no siempre se traduce en mejoras proporcionales del rendimiento», afirma el Prof. Gruber.
«La potencia informática necesaria para mantener el auge de la IA se duplica aproximadamente cada 100 días, lo cual no es sostenible. Es absolutamente necesario que creemos un equilibrio entre los avances de la IA y los imperativos de la sostenibilidad.»
Perspectivas de inversión
por Jennifer Boscardin-Ching, gestor sénior de carteras de clientes, renta variable temática, Pictet Asset Management
-
El aprendizaje automático y la inteligencia artificial tienen unos beneficios enormes. Los centros de datos, que compiten por la energía, el agua y la tierra con otras empresas, industrias y residentes locales, sientan las bases para la tecnología de vanguardia. Su creciente huella medioambiental incrementará la demanda de soluciones más eficientes con el fin de optimizar de una forma más eficaz el uso de la energía y los recursos.
-
La mayor frecuencia de fenómenos meteorológicos extremos está incrementando los esfuerzos para invertir en la adaptación climática, diseñada para impulsar en todas las ciudades la resiliencia urbana y de la infraestructura. Se prevé que el mercado de adaptación climática, que abarca edificios y tecnologías verdes, prácticas agrícolas sostenibles y una mayor preparación ante desastres, alcanzará la cifra de 2000 millones de USD en los próximos años (fuente: Bank of America). Además, la rentabilidad de la inversión es atractiva: cada dólar invertido en estrategias de adaptación podría generar una rentabilidad de entre 2 y 10 USD de aquí a 2030 (fuente: World Resource Institute).
-
Tanto si se trata de tecnologías energéticamente eficientes como de estrategias de adaptación climática, es probable que las empresas que proporcionan soluciones medioambientales ofrezcan una prima de rentabilidad continua a largo plazo. Esto suele deberse a que el mercado subestima a los impulsores del crecimiento medioambiental a largo plazo y su carácter duradero, y resaltan las estimaciones de beneficios a corto plazo.
