Científicos ya pensaron que una red neuronal artificial sería capaz de «aprender» los patrones que gobiernan la propagación de las tormentas de polvo. ¿Es factible esto?
Las tormentas de arena son eventos meteorológicos característicos de los climas áridos y semiáridos. Se producen cuando vientos intensos levantan grandes cantidades de arena y polvo y forman una nube densa que se desplaza sobre la superficie terrestre a gran velocidad. Estas tormentas pueden durar desde unas pocas horas hasta varios días y suelen tener un impacto significativo en la vida de las personas.
Las partículas de arena y polvo transportadas por los vientos son muy pequeñas y livianas. Por esta razón pueden alcanzar más de 4000 metros de altura y volar miles de kilómetros hasta regiones muy alejadas.
Para formar una tormenta de arena se requiere de un viento lo suficientemente intenso para levantar las partículas de polvo o arena del suelo y enviarlas a la atmósfera. A medida que el viento avanza y la nube se mueve, más partículas se incorporan y las tormentas pueden crecer en tamaño y fuerza.
Para anticiparse a estos eventos, que en algunos casos pueden presentar características importantes, la tecnología ofrece avances que pueden alertar con anticipación, en este caso, con el uso de la Inteligencia Artificial.
Alertas tempranas de irrupciones de polvo
Tener una alerta temprana de olas de polvo podría ayudar a proteger a las poblaciones vulnerables y evitar la destrucción de los cultivos y, como beneficio adicional, etc. Pero el rápido desarrollo y propagación de estas tormentas, junto con el hecho de que se extienden sobre áreas masivas, hace que sea difícil predecir cuándo, dónde y con qué intensidad azotarán.
Un estudio publicado recientemente por el Dr. Ron Sarafian, Dori Nissenbaum y el Prof. Yinon Rudich del Departamento de Ciencias Planetarias y de la Tierra del Instituto de Ciencias Weizmann trae un gran avance en el pronóstico de tormentas de polvo. El estudio, publicado en Climate and Atmospheric Science , fue escrito en colaboración con la Dra. Shira Raveh-Rubin, también del mismo departamento de Weizmann.
Originalmente, los investigadores esperaban utilizar los conocimientos adquiridos en el campo de la visión artificial. Dado que los datos meteorológicos de una tormenta de polvo se pueden mostrar como una serie de imágenes de satélite, pensaron que una red neuronal artificial sería capaz de «aprender» los patrones que gobiernan la propagación de las tormentas, tal como estas redes han aprendido a reconocer videos de varios animales u objetos.
Sus esperanzas, sin embargo, sólo se realizaron parcialmente. Una imagen normal se compone de sólo tres colores primarios, con una buena cantidad de superposición entre ellos. Sin embargo, las «imágenes» meteorológicas se componen de no menos de 60 variables: datos de temperatura , humedad, velocidad del viento, etc.
Además, si bien los sistemas de visión computarizados se basan en el aprendizaje automático basado en archivos de millones de imágenes, había muy pocas imágenes disponibles para una red neuronal artificial encargada de identificar las tormentas de polvo: los investigadores israelíes tienen a su disposición solo 60.000 de estas «películas meteorológicas» después de recopilar datos detallados de satélites y estaciones terrestres durante unas dos décadas. En esta colección relativamente limitada, es raro encontrar múltiples instancias de una tormenta de polvo formándose en el mismo lugar.
En tales casos, cualquier red neuronal artificial que intente aprender los patrones que gobiernan la formación de tormentas de polvo en Beersheba, por ejemplo, podría sufrir lo que se conoce como «sobreajuste«. En otras palabras, pueden formular patrones basados en circunstancias limitadas y llegar a conclusiones incorrectas cuando se descubren condiciones nuevas que aún no han sido aprendidas.
Para su sorpresa, los investigadores descubrieron que la previsión podría mejorarse haciendo la vida más difícil para la red neuronal artificial. Le encargaron a la red no solo que aprendiera cuándo se esperaba que una tormenta de polvo alcanzara un punto determinado, sino también que manejara un problema auxiliar: realizar un seguimiento del área mucho más grande en la que se dispersa el polvo.
Por ejemplo, para predecir cuándo una tormenta de polvo probablemente golpearía a Beersheba, la red aprendió qué tan gravemente había afectado la tormenta al Líbano. Con este enfoque, la red tuvo acceso a una colección de datos mucho más grande, a partir de la cual también pudo aprender sobre las circunstancias físicas y meteorológicas en las que se propaga el polvo.
Haciendo uso de los datos recopilados de todas las estaciones meteorológicas de Israel durante los últimos 20 años, los investigadores demostraron que durante el invierno y la primavera cargados de polvo, podían pronosticar con éxito más del 80 por ciento de las tormentas de polvo con 24 horas de anticipación, y alrededor del 70 por ciento por ciento, 48 horas antes de tiempo. La mayoría de los incidentes que el sistema no predijo fueron tormentas que se desarrollaron rápidamente en un área localizada, lo que dificulta la recopilación de datos regionales que pueden ayudar a predecirlas.
“La red entrenada con datos de Israel puede, con algunos ajustes, pronosticar tormentas de polvo en otras partes de Medio Oriente e incluso en todo el mundo”, dice Sarafian. «Además, hemos creado una arquitectura que podría ayudar a predecir otros eventos raros que están vinculados a datos meteorológicos, como lluvias extremas o inundaciones repentinas«.
Rudich agrega: «El logro más significativo de esta investigación, que ya estamos implementando en nuestro estudio de seguimiento, es el uso de inteligencia artificial para escanear una gran y rica colección de datos y para estudiar los principios físicos y los procesos atmosféricos en un forma previamente inaccesible para nosotros«.
Referencia
Ron Sarafian et al, Deep multi-task learning for early warnings of dust events implemented for the Middle East, Climate and Atmospheric Science (2023). DOI: 10.1038/s41612-023-00348-9
Con información de: https://www.tiempo.com/