La inteligencia artificial está empezando a utilizarse para generar pronósticos meteorológicos precisos para los agricultores. Las instituciones internacionales de desarrollo y la Organización Meteorológica Mundial ya están trabajando para ampliar el acceso a modelos de pronóstico basados en IA en países de ingresos bajos y medios.
Paul Winters, profesor de sostenibilidad en la Universidad de Notre Dame, y Amir Jina, profesor asociado de políticas públicas en la Universidad de Chicago, escriben sobre cómo se está implementando la IA en la agrometeorología en un artículo publicado por Reuters Connect.
Para los agricultores, cada decisión de siembra conlleva riesgos, muchos de los cuales se ven agravados por el cambio climático. Uno de los impactos más graves es el clima, que puede afectar negativamente el rendimiento de los cultivos y los medios de vida. Por ejemplo, un retraso en el monzón podría obligar a un agricultor de arroz del sur de Asia a replantar o cambiar completamente de cultivo, lo que se traduce en pérdida 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 usar, lo que se traduce en mayores rendimientos y menores costos.
Sin embargo, en muchos países de ingresos bajos y medios, todavía no se dispone de pronósticos meteorológicos precisos debido a los altos costos de la tecnología y los requisitos de infraestructura de los modelos de pronóstico tradicionales.
Una nueva ola de modelos de pronóstico meteorológico basados en IA podría cambiar esta situación. Gracias a la IA, estos modelos pueden proporcionar pronósticos precisos y localizados, con un esfuerzo computacional mucho menor que el de los modelos físicos tradicionales. 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 implementar esta tecnología donde se necesita.
Los modelos de pronóstico meteorológico basados en la física, utilizados por los principales centros meteorológicos del mundo, son potentes, pero costosos. Simulan la física atmosférica para predecir las condiciones meteorológicas, pero requieren una infraestructura informática costosa. Este alto costo los hace inaccesibles para la mayoría de los países en desarrollo.
Además, estos modelos se desarrollaron y optimizaron principalmente para países del norte. Suelen centrarse en regiones templadas de altos ingresos y son menos sensibles a los trópicos, donde se ubican muchos países de ingresos bajos y medios.
Un cambio significativo en el modelado meteorológico comenzó en 2022, cuando investigadores de la industria y las universidades desarrollaron modelos de aprendizaje profundo que pueden generar pronósticos precisos a corto y mediano plazo para ubicaciones alrededor del mundo con hasta dos semanas de anticipación.
Estos modelos se ejecutaban órdenes de magnitud más rápido que los modelos basados en la física y podían ejecutarse en computadoras portátiles en lugar de supercomputadoras. Modelos más recientes, como Pangu-Weather y GraphCast, lograron resultados comparables o incluso superiores a los de los principales sistemas basados en la física para algunas predicciones, como la temperatura.
Los modelos basados en IA requieren significativamente menos potencia informática que los sistemas tradicionales.
Mientras que los sistemas basados en la física pueden requerir miles de horas de CPU para completar una sola ejecución de pronóstico, los modelos de IA modernos pueden hacerlo con una sola GPU en cuestión de minutos tras el entrenamiento. Esto se debe a que la parte intensiva del entrenamiento del modelo de IA, que aprende las relaciones climáticas de los datos, puede usar estas relaciones aprendidas para generar un pronóstico sin necesidad de realizar cálculos adicionales, lo que supone un ahorro de tiempo considerable. Por el contrario, los modelos basados en la física deben calcular las condiciones físicas de cada variable en cada ubicación y hora para cada pronóstico generado.
Si bien entrenar estos modelos usando datos de modelos físicos requiere una inversión inicial significativa, una vez que se entrena 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 físicamente.
Incluso la costosa fase de entrenamiento de un modelo meteorológico de inteligencia artificial (IA) demuestra un ahorro significativo en recursos informáticos. Un estudio reveló que un modelo inicial de FourCastNet podía entrenarse en aproximadamente una hora en una supercomputadora, lo que le permitía generar pronósticos miles de veces más rápido que los modelos físicos modernos. El resultado de todos estos avances: pronósticos meteorológicos de alta resolución para todo el mundo en segundos, en una sola computadora portátil o de escritorio.
La investigación también está impulsando rápidamente el uso de la IA para pronosticar con semanas y 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 extremas.
Si bien los modelos meteorológicos basados en IA poseen capacidades técnicas impresionantes, no son soluciones listas para usar. Su eficacia depende de su correcta calibración con el clima local, en comparación con las condiciones agrícolas reales, y de su alineamiento con las decisiones reales que toman los agricultores, como qué y cuándo sembrar o cuándo se prevé una sequía.
Para alcanzar su máximo potencial, la previsión impulsada por IA debe estar conectada con las personas cuyas decisiones pretende guiar.
Por eso, grupos como AIM for Scale, con el que los autores colaboran 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 los pronósticos a las necesidades de los agricultores. Las instituciones internacionales de desarrollo y la Organización Meteorológica Mundial también trabajan para ampliar el acceso a los modelos de pronóstico basados en IA en países de ingresos bajos y medios.
Los pronósticos basados en IA pueden adaptarse a necesidades agrícolas específicas, por ejemplo, para determinar las fechas óptimas de siembra, predecir períodos secos o planificar el control de plagas. Difundir estos pronósticos mediante mensajes de texto, radio, asesores o aplicaciones móviles puede aportar beneficios reales a los agricultores. Esto es especialmente cierto cuando los propios pronósticos se prueban y mejoran continuamente 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 conducía a mejores resultados de inversión y a un menor riesgo.
La previsión meteorológica basada en IA ha alcanzado un punto de inflexión. Herramientas que eran experimentales hace apenas cinco años se están integrando ahora en los sistemas gubernamentales de previsión 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, proporcionando a los agricultores información valiosa que los servicios meteorológicos han estado ausentes durante mucho tiempo.
Fuente: Reuters Connect. Autores: Paul Winters es profesor de desarrollo sostenible en la Universidad de Notre Dame; Amir Jina es profesor asociado de políticas públicas en la Universidad de Chicago.
