Por José Tadeu Arantes  |  Agência FAPESP – Conocer con exactitud la trayectoria de una tormenta y la intensidad de la lluvia durante los próximos 30 minutos dejó de ser un desafío que requiere supercomputadoras. Una nueva herramienta –desarrollada en la Universidad de São Paulo (USP), en Brasil, y denominada TITAN-LSTM– combina datos de radares meteorológicos e inteligencia artificial para realizar pronósticos de muy corto plazo, rastreando y actualizando la trayectoria, el área y la intensidad de la precipitación cada cinco minutos. El sistema se destaca por su bajo costo computacional, lo que facilita su aplicación en diversas regiones que ya cuentan con cobertura de radares.

El trabajo fue desarrollado con el apoyo de la FAPESP por Andrea Salomé Viteri López, investigadora posdoctoral del Instituto de Astronomía, Geofísica y Ciencias Atmosféricas (IAG-USP). Los resultados fueron publicados en el Journal of Geophysical Research: Machine Learning and Computation. El profesor del IAG Carlos Augusto Morales Rodriguez, director de tesis de López durante su doctorado, también firma el artículo.

“Nuestro objetivo era realizar un pronóstico de lluvia a muy corto plazo utilizando TITAN, que es un algoritmo capaz de identificar las tormentas individualmente. Con él podemos calcular características como el área, la intensidad, la dirección y la velocidad de propagación. Posteriormente, utilizamos esta información en una red neuronal computacional para predecir cómo evolucionará la tormenta”, explica López.

(Ilustración: montaje basado en una imagen generada por Rodrigo Szostak )

El nombre de la nueva herramienta refleja la combinación de dos generaciones de tecnología. Por un lado, está TITAN (sigla en inglés de Identificación, Rastreo, Análisis y Pronóstico de Muy Corto Plazo de Tormentas), un algoritmo clásico de la década de 1990 especializado en rastrear nubes mediante radar. Por otro, está la LSTM (memoria a corto y largo plazo, también por sus siglas en inglés), un tipo de inteligencia artificial diseñada específicamente para memorizar secuencias de eventos a lo largo del tiempo.

La división de tareas puede entenderse de la siguiente manera: TITAN indica dónde está la tormenta, de dónde viene y hacia dónde se dirige. La red LSTM busca responder otra pregunta: teniendo en cuenta lo que ha ocurrido con la tormenta durante los últimos minutos, ¿cómo estará dentro de poco?

Esta distinción es importante porque una tormenta no es un objeto rígido que simplemente se desplaza por el espacio. Mientras avanza, crece o disminuye, se intensifica o se debilita, cambia de forma y, finalmente, se disipa. Los métodos tradicionales de extrapolación pueden seguir muy bien el movimiento, pero presentan mayores dificultades para representar todas estas transformaciones. Las redes neuronales más sofisticadas, en cambio, pueden aprenderlas, aunque muchas trabajan directamente con imágenes bidimensionales sucesivas de radar, lo que requiere grandes bases de datos, procesamiento previo de las imágenes y una elevada capacidad computacional.

“TITAN-LSTM busca situarse en un punto intermedio. En lugar de proporcionar a la inteligencia artificial toda la imagen generada por el radar, TITAN transforma cada tormenta en una secuencia de información numérica: área ocupada por la lluvia, volumen de precipitación, intensidad media y máxima, dimensiones de la tormenta, dirección y velocidad del movimiento, entre otras variables. La red neuronal aprende entonces cómo estas características se modifican a lo largo del tiempo. De este modo, logra predecir su evolución futura”, afirma la investigadora.

Una red que conserva lo importante

La característica fundamental de la LSTM es que posee una especie de memoria selectiva. A medida que recibe una secuencia de datos, la red aprende qué información anterior sigue siendo relevante y cuál puede descartarse. Técnicamente, esto se realiza mediante mecanismos denominados “puertas”, que regulan la entrada, la conservación y la salida de información de la memoria de la red.

López utiliza precisamente esta imagen para explicar su funcionamiento. “Son como puertas de decisión. En cada etapa, la red decide si determinada información es relevante o no, si debe conservarse o descartarse. Durante el entrenamiento, los pesos se ajustan y, a medida que recibe nuevas secuencias de datos, la memoria interna se actualiza para generar los siguientes pronósticos”, explica.

Esto permite que el sistema considere no solo la imagen instantánea de una tormenta, sino también su historia reciente. Y las pruebas demostraron que esta memoria marca una diferencia: cuanto mayor sea el historial de evolución de la tormenta proporcionado a la red, mejor tiende a ser el pronóstico.

Más de 32 mil tormentas rastreadas

Para desarrollar el sistema, los investigadores utilizaron datos recopilados entre 2016 y 2019 por el radar meteorológico instalado en la represa de Ponte Nova, en Biritiba Mirim, uno de los 39 municipios que integran la Región Metropolitana de São Paulo (RMSP). El equipo realiza un nuevo barrido cada cinco minutos. Para el estudio, se consideró un área con un radio de 120 kilómetros alrededor del radar.

Para entrenar la inteligencia artificial, el sistema analizó inicialmente más de 32 mil tormentas. Sin embargo, fue necesario aplicar “criterios rigurosos para seleccionar eventos cuya evolución completa pudiera ser monitoreada”, explica López. Esto implicó aislar únicamente las lluvias que duraron más de 20 minutos y que no se fusionaron con otras nubes. Tras esta rigurosa selección, quedaron 439 tormentas. De este grupo seleccionado, relata la investigadora, “307 se utilizaron para entrenar la red neuronal y 132 se mantuvieron separadas para evaluar su capacidad de pronóstico”.

El propio análisis de estos eventos reveló aspectos interesantes de su dinámica. Alrededor del 70 % de las tormentas se produjo entre noviembre y marzo y aproximadamente el 83 % duró entre 20 y 40 minutos. Las tormentas más cortas alcanzaron su mayor extensión alrededor de los 15 minutos de existencia; las intermedias, con una duración de entre 40 y 60 minutos, alcanzaron su máximo entre los 25 y los 30 minutos; y las largas, que persistieron durante más de una hora, alcanzaron su máxima extensión aproximadamente entre los 40 y los 45 minutos. Estas curvas de crecimiento y disipación son precisamente el tipo de patrón temporal que una LSTM puede aprender.

Las pruebas demostraron que el nuevo sistema puede ser más de tres veces superior al método tradicional a la hora de pronosticar el área exacta de lluvia desde los primeros minutos. “Los resultados mostraron una ventaja significativa del enfoque híbrido”, destaca la investigadora. Este salto numérico queda reflejado en el índice de aciertos, que pasó de 0,2 a aproximadamente 0,7 en los primeros minutos, “mientras que las falsas alarmas se redujeron casi un 70 %”, detalla López.

Como era de esperar, la incertidumbre aumenta cuando se intenta proyectar el pronóstico más hacia el futuro. El error en la estimación de la intensidad de la lluvia se situó en alrededor de 3 milímetros por hora para un horizonte de cinco minutos y llegó a aproximadamente entre 3 y 4 milímetros por hora a los 30 minutos. Aun así, proporcionar a la red un historial más extenso de la tormenta redujo considerablemente los errores en el pronóstico del área de lluvia.

También existe una importante ventaja práctica. El entrenamiento completo de la configuración utilizada en el estudio, con las 439 tormentas, tomó alrededor de 20 minutos en una computadora convencional con programas desarrollados en el lenguaje de programación Python. Este lenguaje es ampliamente utilizado en ciencia de datos, aprendizaje automático e inteligencia artificial.

A diferencia de diversas arquitecturas de aprendizaje profundo, que procesan grandes secuencias de imágenes y pueden requerir unidades de alto rendimiento, TITAN-LSTM trabaja esencialmente con series temporales de valores extraídos mediante el rastreo de las tormentas. “Una de las ventajas es que no necesitamos supercomputadoras”, comenta la investigadora. “El software puede instalarse en cualquier computadora portátil. Y, siempre que se tengan en cuenta las especificaciones del radar utilizado, el algoritmo puede adaptarse.”

Esta característica abre el camino a una aplicación que va más allá de la investigación meteorológica. Pronosticar dónde estará una tormenta dentro de cinco, diez o 15 minutos, qué área deberá cubrir y con qué intensidad lloverá puede proporcionar información directamente útil para los sistemas de alerta de inundaciones y para la Defensa Civil.

“Para la Defensa Civil se necesita un pronóstico muy rápido. Si sabemos por dónde está pasando la lluvia, cuál será su intensidad, cuál será su área de cobertura y hacia dónde se dirige, podemos evaluar qué regiones se verán afectadas. El objetivo es contribuir a la toma de decisiones, como cerrar vías al tránsito o evacuar a personas de zonas de riesgo”, destaca López.

La información también puede alimentar modelos hidrológicos. Al conocer con antelación la cantidad de lluvia que podría alcanzar una determinada cuenca hidrográfica y la velocidad de desplazamiento de la tormenta, es posible estimar con mayor anticipación el riesgo de un rápido aumento del caudal de los ríos, anegamientos e inundaciones.

Nuevo desarrollo

TITAN-LSTM todavía trabaja con una categoría específica de tormentas: las denominadas “continuas”, que pueden monitorearse como un único objeto a lo largo de su ciclo de vida, sin fusionarse con otras tormentas ni dividirse en diferentes células. Esta restricción se adoptó deliberadamente para la primera etapa de desarrollo del método. “Ahora ya estamos trabajando con las tormentas complejas. Son aquellas que, durante su evolución, pueden fusionarse con otras o dividirse en varias tormentas”, explica la investigadora.

Según López, la perspectiva es que la herramienta pueda adaptarse a otros radares y, en el futuro, proporcionar pronósticos que puedan compartirse con los organismos responsables de las alertas y la prevención de desastres. La relativa simplicidad computacional es decisiva en este aspecto. “La idea es hacer posible que la herramienta esté disponible para su descarga en cualquier computadora portátil y que pueda asociarse a otros radares, en otros lugares de Brasil”, afirma.

Los nuevos trabajos en curso también cuentan con financiamiento de la FAPESP (https://bv.fapesp.br/pt/bolsas/236786). 

El artículo TITAN-LSTM: A weather radar nowcasting tool está disponible en: https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2026JH001337.