Un nuevo modelo combina parámetros físicos y aprendizaje automático para prever las marejadas ciclónicas

Es un sistema desarrollado por científicos de la Universidad de São Paulo, en Brasil, y se aplicó teniendo a la ciudad portuaria de Santos como espacio muestral. Podrá dotar de una mayor eficiencia a la defensa civil en un contexto de eventos climáticos extremos

Por José Tadeu Arantes  |  Agência FAPESP – El pronóstico de eventos extremos es esencial para la preparación y la protección de las zonas vulnerables, especialmente en el actual contexto de cambio climático. En el estado de São Paulo (Brasil), la ciudad de Santos –en donde se encuentra ubicada la mayor terminal portuaria de Latinoamérica–, ha generado estudios de casos relevantes, pues enfrenta marejadas ciclónicas, también conocidas como mareas de tempestades o popularmente como “resacas”, que amenazan tanto a la infraestructura como a los ecosistemas locales.

En el marco de una investigación en la cual se utilizó como espacio de muestreo la realidad de Santos, se emplearon herramientas avanzadas de aprendizaje automático para optimizar los actuales sistemas de pronóstico de eventos climáticos extremos. Y un artículo al respecto salió publicado en el periódico científico Proceedings of the AAAI Conference on Artificial Intelligence. El referido trabajo, que movilizó a una gran cantidad de investigadores, estuvo coordinado por Anna Helena Reali Costa, profesora titular de la Escuela Politécnica de la Universidad de São Paulo (Poli-USP), y contó con la participación en carácter de autor principal del investigador Marcel Barros, del Departamento de Ingeniería en Computación y Sistemas Digitales de la Poli-USP.

Los modelos utilizados actualmente para realizar pronósticos de la altura de las mareas y de la altura media de las olas se basan en ecuaciones físicas de los fenómenos implicados. Se trata a decir verdad de sistemas de ecuaciones diferenciales que contemplan variables tales como el relieve, la marea astronómica (determinada por la posición relativa de tres cuerpos celestes: el Sol, la Tierra y la Luna), el régimen de vientos, la velocidad de las corrientes, el índice de salinización del agua, etc.

Este modelado, si bien es exitoso en diversas áreas, resulta bastante complejo y depende de una serie de hipótesis simplificadoras. Asimismo, suele no ser factible integrar al mismo nuevas fuentes de datos medidos que podrían contribuir para lograr mejores pronósticos.

Por otra parte, se encuentran en alza los métodos de aprendizaje automático capaces de detectar patrones en datos y realizar extrapolaciones para nuevas situaciones. Pero dichos métodos en general requieren de una gran cantidad de ejemplos para su entrenamiento en tareas complejas como las que demanda este tipo de pronósticos.

“Nuestro estudio aúna ambos mundos al desarrollar un modelo basado en el aprendizaje automático que utiliza los modelos físicos como punto de partida, pero que logra refinarlos agregándoles datos medidos. Esta área de estudio es conocida como ‘aprendizaje automático informado por la física’ (Physics-Informed Machine Learning, en su expresión en inglés, de la cual derivan las siglas PIML)”, dice Barros.

El investigador subraya que la capacidad de armonizar estas dos fuentes de información es fundamental para desarrollar pronósticos más precisos y confiables. Pero la utilización de datos de sensores reviste desafíos técnicos significativos, especialmente debido a la naturaleza irregular de esos datos, que pueden plantear problemas tales como lagunas de información, desplazamientos temporales y variaciones en las frecuencias de muestreo. En caso de fallos, el restablecimiento de algunos sensores puede tardar días, pero los mecanismos de pronóstico de las mareas de tempestades deben ser capaces de seguir operando aun sin toda la información disponible.

“Para abordar situaciones con datos sumamente irregulares, desarrollamos una técnica innovadora con el objetivo de representar el paso del tiempo en las redes neuronales. Esta representación permite que se le informe al modelo la posición y el tamaño de las ventanas de datos faltantes y que éste pase a tenerlos en cuenta en los pronósticos de la altura de las mareas y de las olas”, comenta Barros.

El investigador añade que este avance técnico permite producir un mejor modelado de fenómenos naturales complejos y que puede utilizárselo también en el modelado de otros fenómenos que comprendan series temporales irregulares, tales como datos de salud, redes de sensores en manufacturas, indicadores financieros, etc.

“Asimismo, el modelo que estamos proponiendo combina distintos tipos de redes neuronales, de manera tal de integrar datos multimodales. Esto incluye imágenes satelitales, información tabulada y pronósticos de modelos numéricos, con la posibilidad de incorporar futuramente otras modalidades de datos, tales como textos y audios. Este abordaje constituye un paso importante hacia el diseño de sistemas de pronóstico más robustos y adaptables, capaces de operar con la complejidad y la variabilidad de los datos asociados a los eventos climáticos extremos”, comenta Reali Costa.

La profesora pone de relieve las tres mayores virtudes de este modelo: combina modelos físicos con modelos numéricos, representa de una nueva manera el tiempo para las redes neuronales, y trabaja con datos de formatos distintos mediante una arquitectura multimodal. “Este estudio ofrece una metodología capaz de mejorar la precisión de los pronósticos de los eventos extremos, como las marejadas ciclónicas en Santos. Al mismo tiempo, pone en el tapete los retos y las potenciales soluciones con la mira puesta en la integración de los modelos físicos y los datos de sensores en contextos complejos”, resume.

Este estudio contó con el apoyo de la FAPESP a través del Centro de Inteligencia Artificial (C4AI), un Centro de Investigaciones en Ingeniería (CPE) constituido por la fundación paulista e IBM Brasil y con sede en la Poli-USP.

Puede accederse a la lectura del artículo intitulado Early Detection of Extreme Storm Tide Events Using Multimodal Data Processing en el siguiente enlace: ojs.aaai.org/index.php/AAAI/article/view/30194.