Nueva tecnología mejora drásticamente la predicción meteorológica a largo plazo

Un oceanógrafo y sus hijos ingenieros cambian fundamentalmente el juego de la previsión meteorológica subestacional, superando a las previsiones meteorológicas globales de largo alcance más respetadas.

A pesar de la tecnología avanzada y los mejores esfuerzos de organizaciones globales líderes como la Administración Nacional Oceánica y Atmosférica (NOAA), la predicción meteorológica de largo plazo (cualquier cosa que intente predecir más allá de días o, en el mejor de los casos, semanas) a menudo se considera poco confiable… y con buena razón.

Históricamente, la previsión meteorológica se ha basado en modelos de predicción numérica del tiempo (NWP, por sus siglas en inglés), como el Sistema de Predicción Global (FGS, por sus siglas en inglés) de la NOAA y el Centro Europeo de Predicciones Meteorológicas a Plazo Medio (ECMWF, por sus siglas en inglés). Estos modelos incorporan observaciones meteorológicas actuales y simulan la física de los procesos atmosféricos mediante la resolución numérica de ecuaciones complejas. Más allá de una semana, el caos abruma a estos modelos físicos.

El oceanógrafo Ray Schmitt, que ha dedicado su carrera a estudiar el impacto de las corrientes oceánicas en el clima, pensó que tenía que haber una manera más precisa. Trabajando literalmente desde la mesa de su sala de estar, él y sus dos hijos ingenieros desarrollaron una tecnología que ofrece pronósticos meteorológicos subestacionales (de dos a seis semanas) y estacionales (de seis semanas a seis meses) mucho más precisos y consistentes. Su tecnología podría resultar fundamental para ayudar a los agricultores a responder de manera efectiva a los fenómenos meteorológicos extremos en nuestra realidad climática cada vez más volátil.

Schmitt siempre ha tenido interés en la predicción meteorológica. Ese interés se tornó más serio cuando, en 2017, la Oficina de Recuperación de los EE. UU. organizó un concurso de pronósticos meteorológicos subestacionales. El concurso, que ofrecía un premio de un cuarto de millón de dólares, encomendaba a los equipos que produjeran predicciones de precipitaciones para todo un año.

“La Oficina de Recuperación gestiona muchas presas hidroeléctricas en el oeste, que también se utilizan para el riego agrícola. Necesitaban comprender mejor los pronósticos de precipitaciones subestacionales: ese período de dos a seis semanas. Por eso, organizaron un concurso con la esperanza de encontrar una mejor manera”, dice Schmitt.

Los requisitos del concurso eran intensos.

“Cada dos lunes teníamos que enviar dos pronósticos: uno con tres o cuatro semanas de antelación y otro con cinco o seis semanas de antelación. Luego, se nos puntuaba por la precisión de lo que habíamos enviado cuatro y seis semanas antes”, afirma Schmitt.

El método tradicional de predicción meteorológica consiste en construir modelos meteorológicos basados ​​casi exclusivamente en datos de la NOAA y el ECMWF. El pronóstico a corto plazo (aproximadamente a cinco días) es relativamente preciso porque se basa en observaciones en tiempo real que incluyen estaciones et en tierra, presiones barométricas recogidas por aeronaves e imágenes satelitales. Sin embargo, más allá de unos pocos días, las predicciones se vuelven menos fiables. La mayoría de los proveedores de información meteorológica simplemente agregan los modelos publicados, recopilando y presentando modelos meteorológicos de mayor alcance de formas más comprensibles, pero no más precisas. 

El concepto de Schmitt era muy diferente.

En lugar de priorizar exclusivamente el clima histórico para dar forma a las predicciones futuras, el sistema de pronóstico de Schmitt consideró fuentes de datos no convencionales centradas en las superficies oceánicas y terrestres, que proporcionan información sobre lo que él llama “el impulso inercial del sistema climático en escalas de tiempo estacionales a anuales”.

“Como oceanógrafo en el Instituto Oceanográfico Woods Hole, investigué mucho sobre el ciclo del agua”, explica. “Me di cuenta de que había señales oceánicas que podíamos usar para predecir las precipitaciones en tierra. Escribí un montón de artículos sobre ellas. Soy un académico de corazón, pero me di cuenta de que esta tecnología tiene aplicaciones directas en el mundo real”.

No todos estaban convencidos. En los años previos al concurso, cuando se centraba exclusivamente en la oceanografía, sus ideas no siempre generaban un gran entusiasmo entre sus colegas o sus patrocinadores.

“Francamente, había habido resistencia a mis publicaciones, simplemente porque era una idea novedosa. No era tradicional y era difícil conseguir financiación”, afirma.

Aun así, estaba convencido del concepto y la competencia le dio el empujón para desarrollar el resto del sistema de pronóstico. Para construir una herramienta de pronóstico, involucró a sus dos hijos para que crearan una herramienta de inteligencia artificial de aprendizaje automático que utilizara conjuntos de datos de temperatura y salinidad del océano para predecir las precipitaciones en tierra.

“Hicimos algo completamente novedoso. Usamos aprendizaje automático, que se ha adoptado lentamente en la industria meteorológica. Sentimos que somos pioneros en el uso del aprendizaje automático en este período de tiempo”, afirma Schmitt.

Compitiendo con meteorólogos profesionales, Schmitt y sus hijos sorprendieron a todos.  

“Desde el principio, estábamos muy por delante de las empresas de previsión profesionales. Al final de la competición, teníamos la mejor puntuación por un factor de dos”, afirma Schmitt.

Schmitt y sus hijos no sólo ganaron el premio principal de la competencia de $200,000, sino que también obtuvieron un bono de $50,000 cuando demostraron que su modelo no sólo había sido el más preciso durante un año; fue el más preciso en todos los años de la década completa anterior.

Predicciones de tiempo completo

Con el premio, Schmitt aprovechó la oportunidad de retirarse de su carrera en oceanografía para dedicarse de lleno a la predicción meteorológica, mientras sus hijos volvían a sus “trabajos reales”, afirma. El dinero del premio le permitió a Schmitt invertir en la creación de una empresa y, en 2019, nació oficialmente Salient Predictions.

El objetivo de Salient es proporcionar pronósticos meteorológicos significativos y precisos a largo plazo a una variedad de clientes, particularmente en los sectores de agricultura y energía.

El equipo de Salient Predictions ha crecido significativamente desde sus inicios, cuando lo formaban el oceanógrafo Ray Schmitt y sus dos hijos trabajando desde la sala de estar de Schmitt.

“Hemos formado un sólido equipo de meteorólogos y expertos en ciencia de datos, incluido el ganador del componente de temperatura del concurso de pronósticos. Hemos desarrollado sofisticados modelos de inteligencia artificial propios que pueden ejecutarse junto con los modelos NOAA y ECMWF y determinar la mejor combinación de pronósticos para cualquier ubicación y tiempo de anticipación. Nadie puede igualar la confiabilidad de nuestros pronósticos”, afirma Schmitt.

Salient Predictions empezó a funcionar al principio de la pandemia. Sus primeros clientes eran ambos del sector agrícola: BASF y una empresa agrícola de Brasil.

Salient ahora se ha expandido más allá del período subestacional de dos a seis semanas de la competencia hasta un año.

“Incluso los modelos gubernamentales se detienen a los seis meses. Durante un período de entre seis y doce meses, somos la única opción disponible”, afirma Matt Stein, director ejecutivo y cofundador de Salient.

Los pronósticos de Salient Predictions proporcionan resultados a largo plazo notablemente más precisos.

“Vemos constantemente una mejora de entre el 5 y el 15 % en la precisión y la fiabilidad en comparación con la siguiente mejor alternativa en cada período de tiempo”, afirma Anthony Atlas, vicepresidente de desarrollo comercial de Salient. “Es una respuesta bastante conservadora porque depende de con qué nos comparemos. Si nos fijamos solo en ECMWF o NOAA, somos hasta un 25 % mejores en determinados plazos de entrega”.

“En el caso de eventos un poco más anómalos, como cuando tenemos una gran convicción de que se avecina una gran desviación, el modelo se vuelve aún más confiable. Ahí es donde hay una mayor separación entre nuestros modelos y otros, porque los otros modelos tienden a empeorar a medida que se sale del rango de lo normal”.  

No es sorprendente que una tecnología que puede predecir con mayor precisión el clima semanas e incluso meses en el futuro esté llamando la atención de agricultores y empresas.

Las oportunidades de utilizar esta herramienta en la agricultura incluyen mejorar los modelos de rendimiento de los cultivos, señalar con precisión las decisiones de selección de semillas, refinar las ventas y el marketing de insumos para cultivos, elaborar presupuestos de energía, planificar seguros de cultivos, evaluar riesgos en el financiamiento y los seguros agrícolas, y más.

“Estaba hablando con alguien en Brasil, el jefe de abastecimiento de Sudamérica de una importante empresa de bebidas. Me dijo que habían aconsejado a uno de sus productores de cebada que redujera el nitrógeno a 100 libras por acre porque querían una cerveza con bajo contenido de proteínas. [El productor] no quería hacerlo. Quería añadir sus habituales 150 libras de nitrógeno. Pero terminó siendo un año de sequía, por lo que el exceso de nitrógeno elevó demasiado el contenido de proteínas. Ese error le costó al productor algo así como 3 millones de dólares en toda su operación”, dice Atlas. “Si hubiera tenido acceso a un pronóstico meteorológico a largo plazo más preciso, podría haber tomado una decisión muy diferente”. 

Existen oportunidades en todo el mundo. En octubre de 2023, Salient Predictions recibió una subvención de 3 millones de dólares de la Fundación Gates para integrar sus datos en modelos de rendimiento de cultivos para África Oriental con el fin de respaldar la seguridad alimentaria mediante la selección de semillas en función del clima y otras decisiones de gestión de cultivos. Grandes actores como AB InBev y otras empresas de alimentos y bebidas también han expresado un gran interés en la tecnología.

“El mayor desafío es el salto de fe que deben dar las empresas que están acostumbradas a hacer las cosas de una determinada manera, que suponen que el pasado se repetirá en el futuro, y que ahora deben trabajar con un nuevo tipo de pronóstico. Es una nueva forma de pensar y puede resultar difícil abandonar el statu quo, incluso cuando éste no es muy bueno”, afirma Stein.

El otro gran desafío, como era de esperar, es la competencia.

“Estamos un paso adelante, pero el grupo no es estático. Y, por cierto, el grupo incluye a nuestros amigos de las agencias gubernamentales, que tienen grandes recursos. Por lo tanto, nuestro trabajo es mantenernos enfocados y mejorar continuamente la precisión y confiabilidad de nuestro modelo para que los agricultores y las empresas agropecuarias puedan planificar con un año de anticipación el impacto del clima en el rendimiento y la calidad de los cultivos”, dice Stein.

Fuente: SEEDWORLD