En el contexto del aumento de los fenómenos meteorológicos extremos en todo el mundo, billones de dolares esforzarse por desarrollar modelos de pronóstico del tiempo basados en inteligencia artificial (IA) y aprendizaje automático (ML). Científicos técnicos avanzados, como Google y IBMse esfuerzan por lograr predicciones más precisas y rápidas.
En la India, los científicos del clima también han iniciado experimentos artificiales. En diciembre 2023Kiren Rijiju, ministro del Ministerio de Ciencias de la Tierra (MoE), dijo que el departamento ha establecido un centro virtual dedicado al desarrollo y mejora de diversas técnicas de inteligencia artificial y aprendizaje automático para mejorar el pronóstico del tiempo.
Desde entonces, ha habido mucho entusiasmo en el país sobre el pronóstico del tiempo basado en IA. Pero hay un problema: la falta de datos fiables.
Amitabha Bagchi, profesora de informática en el Instituto Indio de Tecnología de Delhi, explica que el modelado basado en IA “extrapola y construye escenarios basados en datos disponibles y tendencias pasadas”. Según Bagchi, el 95 por ciento del proceso de desarrollo de modelos de IA gira en torno a la gestión de datos, y contar con datos fiables es fundamental para este proceso.
Recopilar esos datos es difícil en la India, especialmente en el Himalaya, dice Irfan Rashid, profesor asistente de geoinformática en la Universidad de Cachemira. Rashid está trabajando en un proyecto VME para perfilar 15 lagos glaciares en Jammu y Cachemira y Ladakh para mejorar la recopilación de datos en la criosfera del Himalaya (la parte congelada del sistema terrestre) que puede mejorar las predicciones de la IA sobre las inundaciones de los lagos glaciares (GLOF).
El Servicio Geológico de la India ha registrado esto 9575 glaciar En el Himalaya todavía hay menos de 30 estudios glaciológicos detallados, afirma. Esta falta de datos obstaculiza el desarrollo de sistemas de alerta temprana (EWS) basados en IA. “Actualmente, si queremos saber el volumen de agua del lago glacial, aquí no hay información fiable. Los datos basados en modelos empíricos están asociados con un alto grado de incertidumbre. Utilice esos datos para crear modelos de IA y ML para simular escenarios/predicciones que pueden no cumplirse”, dice Rasheed.
“
Normalmente, los modelos de pronóstico del tiempo utilizan varios puntos de partida diferentes y luego usan ecuaciones físicas para crear modelos que sugieren diferentes escenarios posibles.
Mohak Shah, fundador, Praescivi Consultants
Madhavan Nair Rajivan, uno de los principales científicos climáticos de la India y ex secretario de ciencias de la tierra, se hace eco de sus preocupaciones. Señala que los conjuntos de datos nacionales no se extienden hasta el Himalaya, lo que afecta la confiabilidad de las predicciones de IA/ML para el complejo terreno de la región: “En India, tenemos un buen conjunto de datos sobre precipitaciones, temperatura, humedad, velocidad del viento, etc., que Parámetros meteorológicos básicos. Sin embargo, no sabemos lo suficiente sobre el Himalaya y casi no hay datos para trabajar con los GLOF”, afirma Rajeevan.
Aprendizaje automático y previsión meteorológica.
El pronóstico del tiempo tradicional generalmente se basa en cálculos informáticos basados en la física para predecir el tiempo. Por el contrario, la IA y el aprendizaje profundo (un subconjunto del aprendizaje automático) utilizan grandes cantidades de datos sin procesar, sin filtrar y procesados para predecir el clima. Cuando se utilizan junto con modelos físicos y métodos estadísticos tradicionales, pueden aumentar la precisión y confiabilidad de los pronósticos meteorológicos.
Mohak Shah, fundador y director general de Praescivi Advisors, una firma de consultoría estratégica en inteligencia artificial con sede en California, EE. UU., dice a Dialogue Earth: “Por lo general, los modelos de pronóstico del tiempo utilizan varios puntos de partida diferentes y luego aplican ecuaciones físicas para construir los modelos”. Pero el ML acelera el pronóstico del tiempo mediante el uso de correlaciones con datos históricos.
Según Shah, como cualquier tecnología, el aprendizaje automático tiene sus ventajas y desafíos: “Es relativamente rentable… también es escalable y puede democratizar la previsión meteorológica. Pero suponemos que hay suficiente información como para que este no sea el caso. [in India], al menos no todavía. La falta de información a nivel local puede crear un problema fundamental”.
Para reducir la falta de datos, ML puede aproximar datos incompletos utilizando datos de regiones similares, dando a los pronosticadores una ventaja, aunque no hay sustituto para los datos de alta calidad para obtener mejores resultados, dice Shah a Earth Dialogue.
A Shah le preocupa la naturaleza opaca de “caja negra” de los modelos de aprendizaje automático. Los modelos meteorológicos tradicionales vienen con un margen de error cuantificable que permite identificar y corregir errores específicos en función de las ecuaciones físicas en las que están integrados. Los modelos de IA/ML a menudo carecen de esa transparencia porque se basan en correlaciones pasadas, lo que dificulta identificar las razones exactas de sus inexactitudes.
El dilema de los datos
Roxy Mathew Call, científica climática del Instituto Indio de Meteorología Tropical (IITM) dependiente del Ministerio de Salud, luchó por obtener los datos necesarios para construir un modelo de predicción artificial para el dengue, una enfermedad sensible al clima.
“Utilizamos datos anteriores sobre varios factores que influyen en la propagación del dengue, incluidas las precipitaciones, la temperatura y la humedad. Pero obtener información sanitaria sobre la carga diaria de morbilidad en la ciudad fue un gran desafío. Las instituciones pertinentes no estaban dispuestas a compartir información. Tuvimos que tocar varias puertas y conseguir permiso para utilizar y publicar los datos fue tedioso”, afirma Coll.
Coll enfatiza la correlación directa entre la calidad de los datos y las capacidades predictivas de la IA: “Si la IA se entrena con datos muy altos, puede proporcionar predicciones de alta calidad. [for] enfermedades sensibles al clima como el dengue, la malaria, el chikungunya, etc.”, afirma. “El modelo basado en IA para el dengue en Pune se puede replicar en otros lugares, siempre que haya acceso a los datos de los departamentos de salud pertinentes, lo cual es un desafío”.
Los científicos estatales también se han enfrentado a este problema. “Incluso cuando era secretaria [the highest level administrative officer in the government], Traté de recopilar información de salud de altos funcionarios del gobierno. No llegó nada. Carecemos de la cultura de recopilar y archivar datos sociales y económicos a escala de asamblea. Si queremos hacer estudios de impacto, necesitamos este tipo de datos”, afirma Rajeevan. Sin él, la investigación no se traducirá en beneficios reales, añade el exsecretario. Al igual que Coll, insiste en que las tecnologías son tan buenas como los datos que alimentan.
Bagchi también está de acuerdo. “El aprendizaje automático tiene las mejores herramientas matemáticas para nosotros y es el futuro. Sin embargo, en el contexto indio, la integridad, la calidad y la cantidad de los datos es un desafío que puede obstaculizar el desarrollo de la previsión meteorológica basada en IA.
Shah ve la IA/ML como un complemento, no como un reemplazo de todo. “Necesitamos ver el aprendizaje automático como una herramienta adicional a nuestro arsenal”, afirma.
¿Puede la IA ayudar a predecir GLOF en el Himalaya indio?
El Instituto Wadiya de Geología del Himalaya, ubicado en Doon Valley, Uttarakhand, es pionero en el desarrollo de un sistema avanzado de alerta de peligro de glaciares, y su director, Kalachand Sain, aboga por la integración de la IA y el aprendizaje automático en estos esfuerzos.
Sain pasó ampliamente investigación a Desastre de Chamolidonde una avalancha en febrero de 2021 dañó gravemente dos proyectos hidroeléctricos en el distrito de Chamoli de Uttarakhand y mató a más de 200 personas.
“Nuestro estudio demostró que las avalanchas de rocas fueron provocadas por precursores sísmicos que estuvieron continuamente activos 2,5 horas antes de la ruptura principal, pero no monitoreamos la actividad sísmica alrededor de los glaciares”, dijo Sain a Earth Dialogue.
El Instituto Sain ha identificado áreas de riesgo potenciales para GLOF en Uttarakhand. Destaca como área prioritaria la cuenca tectónicamente activa Alaknanda-Dhauliganga-Rishiganga, entre 29 proyectos hidroeléctricos existentes en distintas etapas de finalización, además de 54 propuestos.
“Para un sistema integrado de alerta temprana basado en inteligencia artificial para los peligros de los glaciares, necesitamos datos satelitales, datos meteorológicos en tiempo real, datos hidrológicos en tiempo real, datos sísmicos y GPS, y estudios generales de campo”, dijo Sain. Destaca la urgencia de establecer un centro de glaciología especializado en la región, lo que requeriría una inversión de 10 a 12 millones de rupias (entre 1,2 y 1,4 millones de dólares).
Rashid destacó este punto refiriéndose al trágico Chamoli de 2021 y al GLOF de 2023 en Sikkim, que ocurrieron a pesar de la presencia de equipos de control que no funcionaron.
“Hasta el momento no se han recopilado datos sísmicos alrededor de los glaciares en toda la región del Himalaya de la India. Además, no existe ningún riesgo GLOF detallado”, afirma. Los estudios existentes están fragmentados y proporcionan una imagen incompleta del riesgo de glaciación del Himalaya.
Rashid aboga por un método estandarizado para recopilar datos de campo sobre glaciares y lagos glaciares en toda la región. Esta información será esencial para desarrollar un sistema integral de pronóstico y alerta basado en inteligencia artificial. “Este ejercicio masivo requerirá dinero, y el dinero sólo llegará si hay una fuerte voluntad política”, concluye Rasheed.
Este artículo fue publicado originalmente. Diálogo de la Tierra bajo una licencia Creative Commons.
