Sens dubte, els mètodes numèrics utilitzats tant en els models meteorològics com climàtics han millorat significativament els darrers anys, oferint cada cop prediccions meteorològiques i projeccions climàtiques més acurades. Un paper important en aquesta millora la tenen les parametritzacions estocàstiques a l’hora de reduir la incertesa pròpia d’aquests models numèrics, especialment per a modelitzar les relacions entre els processos atmosfèrics a petita escala i els processos a gran escala. Un segon procediment molt utilitzat és la combinació de mètodes (en anglès, ensemble), ja que permet conèixer la incertesa de cadascuna de les prediccions meteorològiques.

 

Aquests mètodes es basen en models numèrics avançats que resolen les equacions diferencials parcials que expliquen el sistema atmosfera-oceà. Aquest fet comporta nombrosos inconvenients: l’alt cost computacional i, per tant, la necessitat d’importants recursos informàtics; la complexitat de la parametrització física dels models, i la necessitat de disposar i tractar  un gran volum de dades provinents de diverses fonts: estacions meteorològiques, radiosondes, satèl·lits, avions, etc.

 

Aquests inconvenients han fet que, com en gairebé tots els camps de la ciència, els darrers anys estigui creixent l'interès a aplicar la intel·ligència artificial per a millorar l’eficàcia dels models meteorològics i climàtics.

 

De fet, un dels principals camps de la intel·ligència artificial i, sens dubte, la més utilitzada actualment, és la capacitat que té d’aprendre i evolucionar de forma autònoma, l’anomenat aprenentatge automàtic (en anglès, machine learning). Usant aquesta tècnica avui en dia ja és possible obtenir models entrenats amb dades meteorològiques històriques per a predir variables sense que el model necessiti conèixer de forma explícita processo físics amb bons resultats a curt termini.

 

Per altra banda, la intel·ligència artificial no només pot oferir una millora en la qualitat dels models sinó també un cost computacional més lleuger a l’hora de processar el gran volum de dades necessàries per a generar-los, alleugerir els processos de combinació de mètodes i oferir alternatives a les simulacions, les quals tenen un cost computacional molt elevat.

 

Així, tot i que el procés d’entrenament dels models d'aprenentatge automàtic pot ser costós, un cop aquests han estat entrenats poden realitzar prediccions meteorològiques en un temps molt inferior als mètodes tradicionals.

 

Ara bé, el potencial de la IA no es queda aquí, també és una eina molt útil per a preveure el comportament d’altres fenòmens que estan condicionats per les condicions meteorològiques, com són: la predicció del consum de determinats productes, del consum i també de la producció energètica, de l’afluència de compradors als centres comercials, de turistes en determinades zones, la predicció dels riscos meteorològics, de la producció agrícola, etc.

 

Des de Taikometeorologia no només estem iniciant la incorporació de la intel·ligència artificial en els nostres processos sinó que podem ser l’aliat ideal per a oferir models que ajudin a gestionar el negoci dels nostres clients utilitzant les tecnologies més innovadores.




Fidel Bonet
TAIKOMETEOROLOGIA, SL