VA | EN

Desarrollan un sistema novedoso para predecir huracanes severos mediante Inteligencia Artificial

Un equipo de investigación del Image Processing Laboratory (IPL) de la Universitat de València (UV) ha desarrollado un sistema capaz de analizar y combinar óptimamente ciertos parámetros estructurales de las nubes a partir de imágenes procedentes de satélites GOES. El objetivo es predecir de manera eficaz, mediante técnicas de IA, el potencial de intensificación de los huracanes. El trabajo ha sido publicado en la revista Remote Sensing.

Verónica Nieves (izquierda), Javier Martínez-Amaya, Cristina Radin.

Los huracanes, cuya complejidad y fuerza aumentan en un mundo cada vez más cálido, suponen una de las peores catástrofes naturales del siglo XXI. Por ello, es crucial realizar nuevos estudios que integren las características cambiantes de los huracanes, así como métodos que permitan aprender patrones complejos para predecir eventos futuros.

El grupo AI4OCEANS del Image Processing Laboratory (IPL) de la Universitat de València ha realizado un estudio que aporta nuevos datos relacionados con la anatomía y la temperatura del sistema de nubes, y los analiza mediante algoritmos de machine learning –aprendizaje automático– para el diagnóstico de una posible transición a huracán mayor. La precisión final de la predicción es del 79%, con un máximo de 54 horas de antelación para eventos de huracanes severos en el entorno de los océanos Atlántico y Pacífico.

“El machine learning nos permite analizar las características de las nubes prominentes de un ciclón tropical todavía incipiente y establecer relaciones no lineales entre las variables del proceso para diagnosticar su posible progresión a huracán severo”, explica la climatóloga Verónica Nieves, investigadora CIDEGENT, responsable de AI4OCEANS y líder del proyecto. Para el estudio, el equipo se ha servido de los datos que desprende la nave GOES, un sistema de satélites geoestacionarios desarrollado por la NASA para la predicción climática y meteorológica en el hemisferio occidental.

Los resultados se han obtenido mediante un algoritmo de identificación de patrones especiales –k-means– aplicado a las imágenes GOES. Además, los parámetros han sido combinados de forma óptima mediante un algoritmo llamado ‘de bosque aleatorio’, una técnica de machine learning muy utilizada por su aplicabilidad a problemas muy diversos en la clasificación de eventos. “Esta es la primera vez que se combina este conjunto único de variables mediante un enfoque híbrido basado en IA”, comenta el investigador Javier Martínez-Amaya, miembro del equipo.

El procedimiento de evaluación y diagnóstico que propone el estudio publicado en Remote Sensing permite integrar otras características o factores para el análisis futuro de los efectos de las variaciones ambientales, como por ejemplo la estacionalidad. “Hemos creado un sistema adaptable capaz de ajustar parámetros a medida que se incorporen nuevos procesos”, añade Cristina Radin, miembro también del grupo AI4OCEANS y cofirmante del artículo.

Este estudio se desarrolla en el marco del proyecto MALOPH: A novel Machine Learning based perspective to identify and model Ocean Precursors to extreme Hurricane development, financiado por la Agencia Espacial Europea (ESA).

El equipo de Verónica Nieves centra su trabajo en la próxima generación de algoritmos avanzados de análisis de datos de observación de la Tierra. La investigadora ha participado recientemente en la elaboración de un informe internacional del Grupo de Expertos en Inteligencia Artificial para la Predicción del Sistema Terrestre (Capitulo: AI4ESP Dinámica costera, océano y hielo). Elaborado por más de 740 participantes de 178 instituciones de todo el mundo, el texto hace referencia al importante papel que desempeñan la IA y el machine learning en la mejora de modelos integrados que incorporan procesos naturales complejos en apoyo la toma de decisiones, uno de los desafíos científicos emergentes en este campo.

Referencia bibliográfica

Advanced Machine Learning Methods for Major Hurricane Forecasting. Javier Martinez-Amaya, Cristina Radin, Veronica Nieves. Remote Sens. 2023, 15(1), 119; DOI.

Fuente: UV