Científicos de la Universidad de Ciencia y Tecnología de Hong Kong en Guangzhou y la Universidad de Nanjing están protagonizando un avance notable en la predicción de lluvias mediante una novedosa colaboración entre aprendizaje automático y predicciones numéricas del tiempo (NWP, por sus siglas en inglés). Este esfuerzo ha dado fruto en una herramienta robusta denominada PostRainBench, que ha demostrado mejoras significativas en la precisión de predicción, especialmente en condiciones de lluvia intensa.
El principal desafío en la predicción exacta de lluvias es equilibrar las limitaciones de los enfoques basados exclusivamente en datos con la necesidad de incorporar la física subyacente. Por ello, el equipo ha desarrollado el modelo CAMT, que no sólo ofrece una predicción más refinada pero también marca una clara ganancia sobre las precisiones obtenidas por métodos NWP en casos de lluvias fuertes.
PostRainBench, una referencia integral de post-procesamiento NWP, se ha mostrado promisoria al superar a sus contrapartes en índices de acierto crítico de lluvias en un 6.3% y apunta a reducir significativamente las consecuencias adversas de eventos climáticos extremos. Cabe destacar que el modelo de aprendizaje profundo es pionero en superar las predicciones tradicionales de NWP, proporcionando datos que podrían ser cruciales en tiempos de urgencias meteorológicas.
Los datos están sustentados por experimentos extensivos que involucran tres conjuntos de datos, cada uno proveniente de Corea del Sur, Alemania y China. Estos datos muestran un notable desequilibrio de clases en las precipitaciones, lo que ha constituido un considerable reto a la hora de optimizar los modelos de predicción climática. Sin embargo, los resultados del CAMT entregan una mejora de hasta 31.8% sobre las predicciones de lluvia intensa en los modelos NWP para China, impulsando una nueva era en la comprensión y mitigación del impacto de estos eventos meteorológicos extremos.
Mirando al futuro, esta investigación abre las puertas para que la comunidad científica avance en la predicción de fenómenos climáticos, ofreciendo un posible marco de referencia para futuros estudios. Los autores destacan la disposición de sus datos y código en plataformas abiertas, facilitando el acceso y la colaboración en el continuo desarrollo de estas tecnologías avanzadas.