Crean una inteligencia artificial en Córdoba para predecir la temperatura que hará en agosto

Conocer la temperatura con antelación se ha convertido en un factor decisivo cuando se aproximan los meses estivales. A la hora de programar unas vacaciones, planificar el suministro de energía o diseñar campañas de prevención, saber con anterioridad y con cierto grado de exactitud cuánto marcará el mercurio puede ser de gran utilidad, especialmente en zonas del sur en las que durante el verano el calor extremo y las noches tropicales están dejando de ser un fenómeno esporádico.

Precisamente, un trabajo de la Universidad Córdoba (UCO) ha conseguido desarrollar una nueva metodología capaz de predecir con precisión la temperatura media del mes de agosto en el Sur de la Península Ibérica. La metodología, que combina técnicas de Inteligencia Artificial y de agrupamiento, ha sido entrenada y validada con datos de reanálisis de los últimos 70 años obtenidos por modelos matemáticos que se nutren de observaciones procedentes de diversas fuentes de información, tales como satélites y radiosondas. Una vez entrenada, es capaz de predecir la temperatura media del aire a dos metros de la superficie.

“Se trata de una metodología que tiene como objetivo crear modelos de Redes Neuronales Artificiales capaces de obtener mejores resultados que otras técnicas actuales y que, además, sean interpretables”, apuntan Antonio Manuel Gómez y David Guijo, coautores de la investigación,, ambos integrantes del grupo AYRNA de la Universidad de Córdoba e investigadores en la Escuela Politécnica Superior de la UCO.

Así funciona la metodología

Se realiza una especie de barrido (cada 0.25 grados latitud/longitud) seleccionando solo los puntos geográficos de interior de la zona sur de la Península. En cada uno de esos puntos se realizan las predicciones en el mes de agosto utilizando variables de entrada correspondientes al mes de julio, tales como la temperatura, componentes del viento o la presión media a nivel del mar. En total, se analizan 270 puntos distribuidos a lo largo del sur de la península y que son agrupados en seis sub-regiones con un comportamiento similar en cuanto a la temperatura del aire. Se trata de lo que en Inteligencia Artificial se denomina algoritmo de agrupamiento o 'clustering', mediante la que se obtienen  grupos formados por los datos que comparten similitud, y que es de gran utilidad para mejorar la predicción.

Inteligencia artificial 'interpretable'

Una de las principales ventajas de la metodología desarrollada, subraya el investigador Pedro Antonio Gutiérrez, es que se engloba dentro del campo de la Inteligencia Artificial Explicable, conocida como XAI por sus siglas en inglés.

Gracias a este tipo de herramientas el ser humano es capaz de interpretar cómo realiza las predicciones el sistema, ver cómo interaccionan entre sí las distintas variables y comprender la relación causa-efecto entre ellas, en contraste con otros métodos de 'caja negra' en los que ni siquiera las personas que los han diseñado son capaces de entender el motivo por el que el modelo de Inteligencia Artificial realiza una determinada predicción. Tal y como explica el Catedrático Emérito e investigador principal del grupo AYRNA, César Hervás, estos modelos son cada vez más demandados, ya que permiten interpretar interacciones y deducir, por ejemplo, las causas por las cuales puede fluctuar la temperatura en una zona determinada.

El trabajo, en el que también han participado las Universidades de Alcalá y de East Anglia (Reino Unido), se integra dentro del proyecto de investigación ORCA-DEEP, que aborda el estudio de problemas relacionados con la meteorología y el medio ambiente a través de nuevos métodos de Inteligencia Artificial.

Referencia

Antonio Manuel Gómez-Orellana, David Guijo-Rubio, Jorge Pérez-Aracil, Pedro Antonio Gutiérrez, Sancho Salcedo-Sanz, César Hervás-Martínez. One month in advance prediction of air temperature from Reanalysis data with eXplainable Artificial Intelligence techniques. Atmospheric Research, 2023, ISSN 0169-8095, https://doi.org/10.1016/j.atmosres.2023.106608.