IA desarrollada por Google que puede predecir lluvias en un rango de 6 horas, en menos de 10 minutos

in #ialast year

Fuente: albertonews.com  

Saludos amigos lectores, en esta oportunidad de vuelta acá les traigo algo que me pareció muy interesante. Particularmente porque en mi tiempo libre de vez en cuando o cuando hay alguna fecha importante, recurro a ello, y es ver el informe meteorológico del día y la semana.

Como aprendí en geografía general, hace ya un par de años atrás, el tiempo se predice pero el clima no, y vaya que a pesar de ser posible determinar el tiempo en un periodo dado, suele ser complicado acertar al 100% (ojo complicado, más no imposible). Todo esto gracias a los cambios que se pueden producir, que afectan al tiempo durante un intervalo determinado (suponiendo que el informe meteorológico sea de un día, por ejemplo).

Cabe destacar que fue en el año 340 a.C cuando el filósofo griego Aristóteles, comenzó con aquello de la “meteorología”, en lo cual el trataba de hacer las predicciones del tiempo. Según Aristóteles, la meteorología, no era más que “todos los efectos que se pueden llamar comunes al aire y el agua, las formas y partes de la tierra y sus efectos”. Y a ciencia cierta no estaba tan alejado de la realidad.

Puesto que mucho ha pasado desde aquellos tiempos y en la actualidad, se emplean diversas herramientas para lograr el objetivo, tales como estaciones terrestres, radares Doppler, imágenes multiespectrales, etc.

Ahora, como sabemos de un tiempo para acá, se ha empezado a emplear la IA para todo, desde sistemas para vigilancia, carros autónomos, realización de cálculos, etc. Y bueno la empresa de la gran G, decidió desarrollar una IA para realizar informes meteorológicos, de una forma “distinta” por decirlo de alguna manera.

Como sabemos hemos convivido y aun seguiremos conviviendo en mayor escala con un cambio climático muy drástico, es por esto que se ha visto sequias y lluvias en zonas que comúnmente no suele suceder en determinadas fechas por ejemplo.

Por lo que desde Google aportan que un sistema de pronóstico inmediato de alta resolución, es una herramienta esencialmente necesaria, para adaptarse al cambio climático, particularmente aún más en climas extremos.

Fuente: Google  
Acá tenemos tres recuadros, en los cuales el de la izquierda es la predicción elaborada por la HRRR, en el centro esta lo que realmente ocurrió en dicha fecha y de último a la derecha las predicciones elaboradas por el modelo de Google.

El modelo propuesto es de aprendizaje automático, el cual está diseñado para afrontar esta clase de eventos, haciendo énfasis en que estas predicciones son altamente localizadas y que se aplican a un futuro inmediato. La ventaja de esta radica en que en la actualidad existen modelos computacionales capacitados para hacer pronósticos, pero de cierta manera son algo lentos. La empresa de la gran G, se enfoca en pronósticos inmediatos y su IA puede hacer uso en parte de la inferencia (que es computacionalmente económica) para generar dichos pronósticos de las siguientes 6 horas en apenas unos 5/10 minutos, incluyendo dentro de este lo que sería la recolección de datos.

Se comenta de igual forma que las lluvias están relacionadas de cierta forma con las nubes, pero hacen énfasis en que no están perfectamente correlacionadas. De igual forma se explica que los datos de los radares suelen derivarse de estaciones terrestres y esto sería una limitante para el caso de los océanos. Eso sin contar con la ubicación geográfica de las mismas, lo cual afecta la cobertura de los mismos.

Por lo que la opción de Google opta por una aproximación autónoma de físicas fundamentadas en datos. La traducción simple a todo esto es, que la red neuronal aprenderá a aproximar la física atmosférica solo a partir de los ejemplos de entrenamiento, no incorporado el conocimiento a priori de cómo funciona realmente la atmosfera... Y dada una secuencia de imágenes de radar para la ultima hora, se predice cual será la imagen de radar dentro de N horas, a partir de ahora, donde N variara en un rango de 0 a 6 horas. Dado que los datos del radar se organizan en imágenes, podemos plantear esta predicción como un problema de visión por computadora, deduciendo la evolución meteorológica de la secuencia de imágenes de entrada.

El tipo de red neuronal usada para todo esto es denominada U-Net, la cual es una red neuronal convolucional que fue desarrollada en el departamento de informática de la universidad de Friburgo en Alemania. Originalmente dispuesta para la segmentación de imágenes biomédicas.

Fuente: Google  
Diagrama de flujo del proceso que utiliza la red neuronal (U-Net)  

La entrada de la U-Net, es una imagen que contiene un canal por cada imagen de satélite multiespectral. Por lo que si por ejemplo se agregan 10 modelos de imágenes satelitales tomadas con el mismo número de longitudes de ondas diferentes en un tiempo de una hora, la entrada del modelo es una imagen resultante de cien canales.

Para esta IA, Google empleo para el entrenamiento de dicha red, con los datos históricos de EEUU entre el 2017 y 2019. Estos fueron divididos en periodos de cuatro semanas, en el cual las primeras 3 eran enfocadas en el entrenamiento y la restante en evaluación. Una vez arrojados dichos resultados, y al ser comparados con los pronósticos tradicionales de la HRRR (High Resolution Rapid Refresh) de la NOAA, un algoritmo de flujo óptico y un modelo de persistencia.

Se comenta que los algoritmos de flujo óptico poseen un problema, ya que estos están enfocados en rastrear objetos en movimiento a lo largo de una secuencia de imágenes, por lo que en el caso de las lluvias, puede asumirse que las precipitaciones en áreas extensas son constantes durante el tiempo de la predicción. Por su parte el modelo de persistencia, puede parecer muy simple (ya que consiste en analizar las condiciones ambientales de hoy para anticipar las de mañana), pero es de uso común para estas prácticas dadas la dificultad que representa la predicción del clima.

Los resultados finales se colocaron en una gráfica de precisión y recuperación. Las obtenidas por Google, sol la línea azul, en cambio las del modelo HRRR y el de persistencia, al igual que el algoritmo de flujo óptico, no poseen la capacidad de intercambiar precisión y recuperación, sus resultados estarán expresados en puntos.

Fuente: Google  

Por lo que se puede notar que el pronóstico obtenido por Google, es superior (al de los tres modelos antes mencionados) bajo cierto promedio de horas, eso sí, cabe resaltar que el modelo HRRR tiende a ser más efectivo cuando la predicción abarca aproximadamente los 5/6 horas.

Al final se puede afirmar que el modelo de Google es de predicciones instantáneas, mientras que el HRRR tiene una latencia computacional de entre 1 a 3 horas. Por lo que el de Google seria efectivo para predicciones de periodos muy a corto plazo, mientras que el HRRR es más eficaz para periodos a largo plazo.  

Sort:  

Muy interesante, me imagino la cantidad de factores, niveles atmosféricos, datos que hacen falta para predecirlo. Muy interesante apoyado #toptres del día. @jjqf