La IA y los problemas difíciles del mundo ─ Ciencias de la Tierra y del clima
Ciencia y erudición impulsadas por la IA, por disciplina
Feed RSS · 5 elementos
Predicción de puntos de inflexión con IA
Título original: Forecasting Tipping Points with AI
Los puntos de inflexión, después de los cuales un sistema no puede volver a su estado original, son más difíciles de predecir que los cambios meteorológicos a corto plazo. Un equipo dirigido por Caltech demostró que un operador neuronal recurrente (RNO), un tipo de red neuronal, puede predecir cuándo ocurren los puntos de inflexión en modelos simples. Entre ellos se incluyen un modelo de sistema de cambio climático y simulaciones del flujo de aire turbulento sobre el ala de un avión. El artículo se publicó en PNAS.
Avanzando en la predicción subestacional con aprendizaje automático
Título original: Advancing subseasonal forecasting with machine learning
La capacidad de predicción cae drásticamente en escalas de tiempo subestacionales, de 2 a 6 semanas de antelación. Los autores presentan la corrección probabilística del sesgo, un marco de aprendizaje automático que aprende a corregir pronósticos probabilísticos históricos, y lo aplican a los principales modelos dinámicos y de IA del ECMWF. Duplicó la modesta capacidad de predicción subestacional del Sistema de Pronóstico de IA y mejoró el modelo dinámico en la mayoría de los objetivos de presión, temperatura y precipitación; además, en la competencia en tiempo real del ECMWF de 2025 sus pronósticos globales fueron los mejores.
Pronóstico de los riesgos del clima espacial en las redes eléctricas
Título original: Forecasting space weather risks on power grids
Los eventos extremos de clima espacial pueden inducir corrientes en las redes de transmisión que dañan los equipos, y los operadores de la red necesitan saber cuándo y dónde los efectos serán más graves con suficiente antelación. Microsoft Research creó un flujo de trabajo de aprendizaje automático que combina datos del viento solar, pronósticos de AE y Dst, latitud local, geología y conductividad del suelo para generar estimaciones de riesgo para 66,935 subestaciones en la zona continental de Estados Unidos. Durante el período de evaluación detectó casi el 80% de los eventos importantes de clima espacial y puede avisar a los operadores entre 30 y 60 minutos antes de que aparezca un riesgo específico.
Una herramienta de IA para cartografiar los cultivos de pequeños agricultores demuestra su valía en Senegal
Título original: AI tool for mapping smallholder crops proves itself in Senegal
Las pequeñas explotaciones agrícolas de secano de Senegal dejan a gran parte de la población expuesta a las perturbaciones climáticas, y sin embargo las herramientas de cartografía de cultivos por satélite siguen estando en gran medida fuera de su alcance. Investigadores de la Universidad de Cambridge utilizaron Tessera, un modelo de IA de código abierto entrenado con imágenes de satélite, para cartografiar los cultivos en la cuenca del cacahuete de Senegal. En las pruebas dio el resultado correcto el 84% de las veces, con mayor precisión que los métodos actuales, utilizando solo una fracción de los recursos de cómputo y de los datos etiquetados. En un escenario rindió un 28% mejor que el siguiente mejor modelo.
Evaluación del riesgo climático regional a partir de modelos climáticos mediante aprendizaje automático probabilístico
Título original: Regional climate risk assessment from climate models using probabilistic machine learning
Los modelos climáticos son demasiado gruesos para las decisiones de riesgo regional, y los métodos de reducción de escala existentes son demasiado costosos para grandes conjuntos, pasan por alto dependencias multivariadas o requieren pares de entrenamiento alineados en el tiempo de los que carecen las proyecciones de ejecución libre. GenFocal es un marco de IA generativa que produce clima de escala fina estadísticamente preciso a partir de proyecciones gruesas sin datos de entrenamiento emparejados. Sintetiza peligros de larga duración como olas de calor y ciclones tropicales, muestrea eventos raros de alto impacto con mayor precisión que los métodos líderes y mejora las estimaciones regionales de extremos compuestos.