¿Por qué la IA es incapaz de predecir inundaciones como las causadas por la DANA en Valencia con antelación suficiente?


La inteligencia artificial (IA) ha revolucionado múltiples sectores, desde la medicina hasta la industria automotriz. Sin embargo, cuando se trata de predecir fenómenos meteorológicos extremos, como las inundaciones provocadas por una Depresión Aislada en Niveles Altos (DANA) en Valencia, la tecnología aún enfrenta importantes desafíos. A continuación, se exploran las razones por las cuales la IA no ha logrado predecir estos eventos con la antelación necesaria.

La previsión meteorológica es un campo complejo que depende de numerosos factores interrelacionados. Si bien los modelos de IA han avanzado significativamente, todavía luchan por lidiar con la inmensa cantidad de variables que afectan el clima. Las DANAs, en particular, son fenómenos atmosféricos difíciles de prever debido a su naturaleza errática y a la influencia de múltiples variables meteorológicas que pueden cambiar rápidamente.

Una de las principales razones por las que la IA encuentra dificultades al predecir inundaciones es la falta de datos precisos y completos. La calidad y cantidad de los datos históricos son cruciales para entrenar modelos de IA efectivos. En el caso de las DANAs, las bases de datos disponibles pueden no ser lo suficientemente extensas o detalladas para capturar todos los matices de este fenómeno. Esto limita la capacidad de la IA para aprender patrones y realizar predicciones precisas.

Además, las DANAs no solo dependen de las condiciones atmosféricas locales, sino también de los patrones climáticos globales. La interacción entre estos factores a diferentes escalas agrega una capa adicional de complejidad. Los modelos de IA actuales pueden no ser capaces de procesar y analizar de manera efectiva esta información multifacética, lo que limita su capacidad para ofrecer pronósticos precisos a largo plazo.

Otro obstáculo es la rápida evolución de las condiciones meteorológicas. Las DANAs pueden desarrollarse y cambiar en cuestión de horas, lo que requiere una capacidad de respuesta instantánea por parte de los modelos predictivos. La IA, aunque rápida, puede no ser lo suficientemente ágil para adaptarse a estos cambios repentinos y proporcionar alertas anticipadas.

Además, la infraestructura de IA y los algoritmos utilizados para la previsión meteorológica también juegan un papel crucial. Algunos de los modelos más avanzados requieren una gran capacidad de procesamiento y recursos computacionales, lo que puede no estar siempre disponible. La actualización y el mantenimiento de esta infraestructura son esenciales para mejorar la precisión y rapidez de las predicciones.

Por último, es importante reconocer que la IA es solo una herramienta y que su efectividad depende en gran medida de la colaboración con expertos en meteorología. La interpretación de los datos y los resultados generados por los modelos de IA requiere una comprensión profunda de los fenómenos atmosféricos. La integración de conocimientos humanos y tecnológicos es fundamental para mejorar las predicciones y minimizar el impacto de eventos climáticos extremos como las DANAs.

En conclusión, aunque la inteligencia artificial ha hecho grandes avances, aún enfrenta desafíos significativos al predecir inundaciones causadas por DANAs con suficiente antelación. La falta de datos completos, la complejidad de los patrones climáticos y la necesidad de una infraestructura avanzada son algunos de los obstáculos que limitan su efectividad. A medida que la tecnología continúa evolucionando, es esencial que se desarrolle en colaboración con expertos en el campo para mejorar la precisión y la rapidez de las predicciones meteorológicas.

EL PAÍS

La inteligencia artificial y su papel en la predicción de desastres naturales

En la era de la digitalización, la inteligencia artificial (IA) se ha convertido en una herramienta poderosa con aplicaciones que van desde la identificación de tumores hasta la optimización de procesos industriales. Sin embargo, su capacidad se ve notablemente limitada ante fenómenos adversos como las inundaciones, que, después de los terremotos y tsunamis, son las catástrofes más dañinas. Según la base de datos mundial sobre desastres naturales de la Universidad Católica de Lovaina, en dos décadas, las inundaciones han afectado a 2.500 millones de personas, cobrado la vida de un cuarto de millón y causado daños de 936.000 millones de dólares. Pese a los esfuerzos de gigantes tecnológicos y diversas instituciones, los desarrollos predictivos para mitigar sus efectos aún no son efectivos. ¿Cuál es la razón detrás de esta limitación?

Los retos de los modelos climáticos existentes

Según Dim Coumou, experto en climatología de la Universidad de Ámsterdam, los actuales modelos climáticos no son adecuados para ciertos fenómenos meteorológicos extremos, que están aumentando más rápido de lo que predicen los modelos. «Es crucial pronosticar los extremos para implementar alertas tempranas», señala. Uno de los desafíos para mejorar los pronósticos es la calidad y cantidad de información disponible para entrenar la inteligencia artificial. Aunque hay datos acumulados por décadas, estos pueden no ser relevantes para comprender los fenómenos más adversos. «Los eventos extremos son, por definición, raros. Esto representa un gran obstáculo si se quieren utilizar métodos de inteligencia artificial», explica Coumou en Horizon.

La IA ofrece resultados basados en el análisis de grandes cantidades de datos. Puede identificar un tumor en una imagen si tiene miles más para comparar y estas son de alta calidad. «La IA necesita grandes cantidades de datos de alta calidad para ser útil para la ciencia, y las bases de datos con este tipo de datos son escasas», advierte David Baker, reciente Nobel de Química.

La complejidad de los fenómenos meteorológicos

Además de la falta de datos, predecir con exactitud fenómenos meteorológicos complejos como una dana (depresión aislada en niveles altos) es un desafío. Estas ocasionan fuertes lluvias y tormentas que pueden ser localizadas y variables en intensidad. Su comportamiento errático depende de múltiples factores como la temperatura, humedad, presión, vientos, orografía y la interacción con otros elementos geográficos y atmosféricos.

Incluso con datos anticipados, no se garantiza un patrón preciso. «Las tormentas intensas no provocan daños automáticamente. Hay muchos otros factores en juego», señala Kevin Collins, profesor de Medio Ambiente y Sistemas de Open University. Los profesores Víctor Resco de Dios y Domingo Molina de la Universidad de Lleida coinciden: «No basta con saber cuánto y dónde va a llover; también necesitamos establecer cómo esa lluvia se transformará en riadas y cuáles serán las zonas potencialmente afectadas», escriben en The Conversation.

La importancia de la anticipación

La variabilidad de los factores, la escasez de datos específicos y su heterogénea calidad limitan a la IA para identificar patrones y generar mecanismos de prevención y alerta. Un sistema con capacidad de antelación de 24 horas «reduciría los daños en un 30%», según la Comisión Mundial de Adaptación. Esto es vital, ya que los daños anuales se elevan a 143.000 millones de dólares, según un estudio en Nature Communications.

Geon-Wook Hwang, del Instituto Coreano de Ingeniería Civil y Tecnología de la Construcción, subraya que un pronóstico, aunque preciso, no tiene valor si no llega a tiempo para reducir significativamente las víctimas y daños. A pesar de las dificultades, gigantes tecnológicos como Google e IBM, en colaboración con la NASA y otras instituciones mundiales, trabajan en el desarrollo de herramientas de inteligencia artificial para mejorar las predicciones y sistemas de alerta temprana.

Avances tecnológicos en la predicción del clima

Google DeepMind ha presentado en Science un modelo de pronóstico del tiempo basado en aprendizaje automático que ofrece predicciones a 10 días «mejores, más rápidas y más accesibles». El modelo, llamado GraphCast, superó a los sistemas tradicionales en el 90% de los casos. Este sistema se basa en el Centro Europeo de Previsiones Meteorológicas a Medio Plazo, que utiliza una supercomputadora con una potencia de 30 petaflops. GraphCast, sin embargo, no requiere estas capacidades y utiliza datos históricos para ofrecer pronósticos de 10 días en menos de un minuto.

Por su parte, IBM, en colaboración con la NASA, también apuesta por el aprendizaje automático. «Los modelos fundacionales de IA que utilizan datos geoespaciales pueden cambiar las reglas del juego, permitiéndonos comprender mejor los fenómenos climáticos», explica Alessandro Curioni, vicepresidente de Accelerated Discovery en IBM. Para Kate Royse, directora del centro británico de supercomputación Hartree, estos modelos permitirían decisiones más inteligentes en la planificación futura de las ciudades.

Andrew Charlton-Pérez, profesor de meteorología en la Universidad de Reading, considera que «un buen uso de los pronósticos meteorológicos basados en IA sería complementar y mejorar nuestras herramientas de predicción, permitiéndonos evaluar e interpretar con precisión la probabilidad de eventos extremos».

Además, dos centros del consorcio científico alemán Helmholtz han desarrollado un modelo que combina previsiones de precipitación con datos sobre la humedad del suelo y caudales, para pronosticar zonas y profundidades de inundación, así como el impacto en infraestructuras críticas. «Las autoridades no solo tendrán información sobre un posible nivel de agua, sino también un mapa de inundación que muestra los impactos», concluye Sergiy Vorogushyn, hidrólogo del Centro Alemán de Investigación en Geociencias.

artículo original de: https://elpais.com/tecnologia/2024-11-07/por-que-la-ia-es-incapaz-de-predecir-inundaciones-como-las-causadas-por-la-dana-en-valencia-con-antelacion-suficiente.html

Deja una respuesta