Los investigadores utilizan el aprendizaje profundo para mejorar la resolución espacial temporal de los mapas de precipitación gruesa

Un nuevo método de IA desarrollado por investigadores del KIT mejora la precisión de los modelos climáticos globales, lo que ayuda a pronosticar y prepararse para los desastres naturales.

El impacto de las fuertes precipitaciones en desastres naturales como inundaciones y deslizamientos de tierra está bien documentado. Los modelos climáticos globales son cruciales para predecir la frecuencia de fenómenos meteorológicos extremos, particularmente en el contexto del cambio climático. Investigadores del Instituto Tecnológico de Karlsruhe (KIT) han desarrollado un método innovador basado en inteligencia artificial (IA) para mejorar la precisión de los campos de precipitación gruesa generados por estos modelos.

El equipo logró una mejora significativa en la resolución espacial y temporal de los campos de precipitación, de 32 a dos kilómetros y de una hora a 10 minutos, respectivamente. Esta resolución mejorada es esencial para pronosticar con precisión la creciente aparición de fuertes precipitaciones locales y los posteriores desastres naturales que se esperan en el futuro. Su innovador estudio ha sido publicado en la prestigiosa revista Earth and Space Science.

Las precipitaciones extremas son un factor directo de muchos desastres naturales y, con el aumento de las temperaturas globales, se prevé que estos eventos se volverán más frecuentes y graves. Como tal, los datos locales y globales precisos sobre el ciclo del agua actual y futuro son fundamentales para adaptarse a un clima cambiante y mitigar el impacto de los desastres.

El Dr. Christian Chwala del Instituto de Meteorología e Investigación Climática de KIT (IMK-IFU) enfatiza los desafíos de pronosticar las precipitaciones debido a su alta variabilidad en el espacio y el tiempo, particularmente a nivel local. El objetivo de los investigadores es mejorar la resolución de los campos de precipitación generados por los modelos climáticos globales y mejorar su capacidad para identificar amenazas potenciales como inundaciones.

Los modelos climáticos globales existentes están limitados por la resolución de su cuadrícula, lo que dificulta su capacidad para representar con precisión la variabilidad de las precipitaciones. Los investigadores abordaron este problema desarrollando una red neuronal generativa basada en IA, conocida como GAN, y entrenándola con campos de precipitación de radar de alta resolución. Este enfoque innovador permite a la red generar mapas de precipitación de radar de alta resolución a partir de datos de resolución aproximada, ofreciendo una representación más precisa de los patrones y estadísticas de precipitación.

El método de aprendizaje profundo del equipo supera significativamente a los modelos meteorológicos numéricos tradicionales en términos de velocidad y eficiencia computacional. Además, produce un conjunto de diferentes campos potenciales de precipitación, lo que proporciona una comprensión más completa de la incertidumbre asociada, similar a un pronóstico meteorológico.

Los resultados de este estudio tienen implicaciones de gran alcance para el futuro de la modelización climática. El modelo y la metodología de IA desarrollados por los investigadores permitirán una mejor resolución espacial y temporal de las precipitaciones en simulaciones climáticas, lo que permitirá un análisis más preciso de los impactos y la evolución de las precipitaciones en un clima cambiante.

De cara al futuro, los investigadores planean aplicar su método a simulaciones climáticas globales, proyectando situaciones climáticas específicas a gran escala en un mundo futuro con un clima cambiado. Esto proporcionará información invaluable sobre los impactos potenciales del cambio climático en los eventos climáticos extremos, informando estrategias cruciales de adaptación al clima.

Compartir