Para los agricultores, cada decisión de siembra conlleva riesgos, y muchos de ellos aumentan con el cambio climático.
Por Paul Winters, Amir Jina
Uno de los más importantes es el clima, que puede perjudicar el rendimiento de los cultivos y los medios de vida. Un retraso en el monzón, por ejemplo, puede obligar a un agricultor de arroz en el sur de Asia a replantar o cambiar de cultivo por completo, con pérdidas de tiempo e ingresos.
El acceso a pronósticos meteorológicos confiables y oportunos puede ayudar a los agricultores a prepararse para las próximas semanas, encontrar el mejor momento para plantar o determinar cuánto fertilizante necesitarán, lo que se traducirá en mejores rendimientos de los cultivos y menores costos .
Sin embargo, en muchos países de ingresos bajos y medios , los pronósticos meteorológicos precisos siguen estando fuera del alcance, limitados por los altos costos de la tecnología y las demandas de infraestructura de los modelos de pronóstico tradicionales.
Una nueva ola de modelos de pronóstico meteorológico impulsados por IA tiene el potencial de cambiar eso.
Mediante el uso de inteligencia artificial , estos modelos pueden generar predicciones precisas y localizadas con un coste computacional mucho menor que el de los modelos físicos convencionales. Esto permite a las agencias meteorológicas nacionales de los países en desarrollo proporcionar a los agricultores la información oportuna y localizada que necesitan sobre los cambios en los patrones de lluvia.
El desafío es llevar esta tecnología allí donde se necesita.
Por qué es importante la previsión de IA ahora
Los modelos de predicción meteorológica basados en la física que utilizan los principales centros meteorológicos del mundo son potentes, pero costosos. Simulan la física atmosférica para pronosticar las condiciones meteorológicas , pero requieren una infraestructura informática costosa. Su coste los hace inaccesibles para la mayoría de los países en desarrollo.
Además, estos modelos han sido desarrollados y optimizados principalmente para países del norte. Tienden a centrarse en las regiones templadas de altos ingresos y prestan menos atención a los trópicos, donde se ubican muchos países de ingresos bajos y medios.
En 2022 se inició un cambio importante en los modelos meteorológicos cuando investigadores de la industria y de las universidades desarrollaron modelos de aprendizaje profundo que podían generar pronósticos precisos a corto y mediano plazo para ubicaciones en todo el mundo con hasta dos semanas de anticipación.
Estos modelos funcionaban a velocidades varios órdenes de magnitud superiores a las de los modelos basados en la física, y podían ejecutarse en computadoras portátiles en lugar de supercomputadoras. Modelos más recientes, como Pangu-Weather y GraphCast , han igualado o incluso superado a los principales sistemas basados en la física en algunas predicciones, como la temperatura.
Los modelos impulsados por IA requieren considerablemente menos potencia informática que los sistemas tradicionales.
Mientras que los sistemas basados en la física pueden necesitar miles de horas de CPU para ejecutar un solo ciclo de pronóstico, los modelos de IA modernos pueden hacerlo con una sola GPU en minutos una vez entrenados. Esto se debe a que la parte intensiva del entrenamiento del modelo de IA, que aprende las relaciones climáticas a partir de los datos, puede usar esas relaciones aprendidas para generar un pronóstico sin necesidad de cálculos adicionales, lo cual supone un gran atajo. Por el contrario, los modelos basados en la física necesitan calcular la física de cada variable en cada lugar y momento para cada pronóstico generado.
Si bien entrenar estos modelos a partir de datos de modelos basados en la física requiere una inversión inicial significativa, una vez entrenada la IA, el modelo puede generar grandes pronósticos conjuntos (conjuntos de múltiples ejecuciones de pronósticos) a una fracción del costo computacional de los modelos basados en la física .
Incluso el costoso paso de entrenar un modelo meteorológico de IA supone un ahorro computacional considerable. Un estudio reveló que el modelo inicial FourCastNet podía entrenarse en aproximadamente una hora en una supercomputadora. Esto aceleró enormemente la presentación de un pronóstico que los modelos de vanguardia basados en la física.
El resultado de todos estos avances: pronósticos globales de alta resolución en cuestión de segundos en una sola computadora portátil o de escritorio.
La investigación también avanza rápidamente para ampliar el uso de la IA en pronósticos con semanas o meses de antelación , lo que ayuda a los agricultores a tomar decisiones de siembra. Ya se están probando modelos de IA para mejorar la predicción de fenómenos meteorológicos extremos, como ciclones extratropicales y precipitaciones anormales .
Adaptación de los pronósticos a las decisiones del mundo real
Si bien los modelos meteorológicos de IA ofrecen capacidades técnicas impresionantes, no son soluciones listas para usar. Su impacto depende de su correcta calibración con respecto al clima local, su comparación con las condiciones agrícolas reales y su adecuación a las decisiones que los agricultores deben tomar, como qué y cuándo plantar, o la probabilidad de sequía.
Para liberar todo su potencial, la previsión de la IA debe estar conectada con las personas cuyas decisiones pretende guiar.
Por eso, grupos como AIM for Scale , una colaboración con la que trabajamos como investigadores en políticas públicas y sostenibilidad , están ayudando a los gobiernos a desarrollar herramientas de IA que satisfagan las necesidades del mundo real, incluyendo la capacitación de usuarios y la adaptación de pronósticos a las necesidades de los agricultores. Las instituciones internacionales de desarrollo y la Organización Meteorológica Mundial también están trabajando para ampliar el acceso a los modelos de pronóstico de IA en países de ingresos bajos y medios.
Los pronósticos de IA pueden adaptarse a las necesidades agrícolas específicas del contexto, como la identificación de las ventanas de siembra óptimas, la predicción de períodos de sequía o la planificación del manejo de plagas. La difusión de estos pronósticos mediante mensajes de texto, radio, agentes de extensión o aplicaciones móviles puede ayudar a llegar a los agricultores que podrían beneficiarse. Esto es especialmente cierto cuando los propios mensajes se prueban y mejoran constantemente para garantizar que satisfagan las necesidades de los agricultores.
Un estudio reciente en India concluyó que cuando los agricultores recibían pronósticos monzónicos más precisos, tomaban decisiones más informadas sobre qué y cuánto plantar (o si plantar o no), lo que resultaba en mejores resultados de inversión y un menor riesgo.
Una nueva era en la adaptación climática
La predicción meteorológica con IA ha alcanzado un punto de inflexión. Herramientas que eran experimentales hace apenas cinco años ahora se están integrando en los sistemas gubernamentales de predicción meteorológica . Pero la tecnología por sí sola no cambiará vidas.
Con apoyo, los países de ingresos bajos y medios pueden desarrollar la capacidad de generar, evaluar y actuar en función de sus propios pronósticos, brindando a los agricultores información valiosa que durante mucho tiempo ha estado ausente en los servicios meteorológicos.
Este artículo se republica de The Conversation bajo una licencia Creative Commons. Lea el artículo original .
