Según Xinhua, investigadores chinos han desarrollado un nuevo sistema de pronóstico de tormentas que combina la IA con modelos de dinámica atmosférica, lo que ayuda a mejorar la precisión en la predicción de la trayectoria de las tormentas. Los resultados de la investigación acaban de ser publicados en la revista Advances in Atmospheric Sciences.
La previsión de la trayectoria de la tormenta ha sido difícil durante mucho tiempo debido al efecto mariposa, el fenómeno de que los cambios muy pequeños en las condiciones atmosféricas iniciales pueden amplificarse con el tiempo y provocar grandes desviaciones en los resultados de la previsión.
En los últimos años, la IA ha ayudado a acelerar el proceso de pronóstico del tiempo. Sin embargo, la mayoría de los modelos de IA actuales aprenden principalmente de datos históricos sin combinar completamente las leyes físicas de la atmósfera, lo que reduce la precisión al pronosticar durante muchos días.
El equipo de investigación dirigido por el Sr. Duan Wansuo (del Instituto de Física Atmosférica, Academia China de Ciencias) en colaboración con el equipo del Sr. Li Hao (Universidad de Fudan) ha desarrollado el sistema FuXi-CNOPs integrando algoritmos de dinámica no lineal en el modelo de pronóstico del tiempo FuXi.
El equipo de investigación dijo que el nuevo sistema puede identificar con precisión las áreas atmosféricas que tienen un gran impacto en la dirección del movimiento de la tormenta, al tiempo que reduce el impacto de las perturbaciones iniciales que pueden distorsionar los resultados de la previsión.
A través de la evaluación de 62 tormentas y 91 experimentos comparativos, FuXi-CNOPs alcanza una precisión equivalente a los principales sistemas de pronóstico del mundo en pronósticos de 24 horas. Para pronósticos a mediano y largo plazo de 24 a 120 horas, el sistema da resultados más estables y precisos.
Otra ventaja de FuXi-CNOPs es la eficiencia de los cálculos. Mientras que muchos sistemas de pronóstico tradicionales necesitan procesar 51 conjuntos de datos para obtener resultados, el nuevo sistema solo necesita 31 conjuntos de datos pero aún mantiene una alta precisión, reduciendo así significativamente la necesidad de recursos de cálculo.
