Los científicos usan la inteligencia artificial, IA, para predecir las sequías con un año de antelación

Los investigadores de Skoltech y sus colegas de Sber han propuesto modelos de aprendizaje profundo que predicen sequías utilizando datos climáticos. Los productores agrícolas que planifican sus operaciones, así como las compañías de seguros y los bancos que evalúan los riesgos climáticos y ajustan las calificaciones crediticias corporativas, buscan este tipo de pronósticos a largo plazo.

Los hallazgos se publican en la revista Environmental Modelling & Software y también están disponibles como preimpresión en el repositorio en línea arXiv.

Al hacer planes, un productor agrícola debe tener en cuenta la posibilidad de que una sequía afecte su negocio, y los prestamistas tratan de tener en cuenta esos riesgos en las clasificaciones crediticias corporativas. Las compañías de seguros también deben cuantificar los riesgos climáticos para determinar el monto de la prima.

Todas estas empresas se beneficiarían enormemente de predicciones precisas a largo plazo sobre los períodos de sequía inminentes. Sin embargo, dichas previsiones no han estado disponibles debido a la naturaleza estocástica (aleatoria) de los fenómenos climáticos y a la complejidad de los datos utilizados.

IA para predecir sequías

Los investigadores de Skoltech y Sber proponen un enfoque complejo para predecir sequías varios meses o incluso un año antes de que ocurran. La solución del equipo fusiona la IA con métodos clásicos. Se basa en redes neuronales espaciotemporales y datos climáticos mensuales disponibles abiertamente.

Los modelos se probaron con datos de cinco regiones que abarcan múltiples continentes y zonas climáticas: Polonia, el estado de Missouri en EE. UU., el estado de Goiás en Brasil, el estado indio de Madhya Pradesh y el norte de Kazajstán.

"Las pruebas nos permitieron determinar que nuestra modificación del modelo EarthFormer basado en transformadores es la mejor para realizar predicciones a mediano plazo, mientras que una versión modificada del modelo ConvLSTM tuvo el mejor desempeño en predicciones a largo plazo. Nuestro modelo ofrece una alta calidad para una variedad de zonas climáticas. Gracias a los métodos de inteligencia artificial confiables utilizados, esa calidad se mantendrá alta durante los próximos 10 años", explicó el investigador principal del estudio, el profesor adjunto Alexey Zaytsev, quien dirige el Laboratorio conjunto de investigación aplicada Skoltech-Sberbank en Skoltech Applied AI.

El autor principal del artículo, el ingeniero de investigación sénior Alexander Marusov de Skoltech Applied AI, afirmó: "La previsión de sequías es una preocupación de suma importancia en muchas partes de nuestro país, incluida mi región natal, Astrakhan. Sin embargo, este fenómeno natural es difícil de modelar, porque hay que tener en cuenta muchos factores diversos, entre ellos el calentamiento global. Nuestros modelos permiten predecir las sequías con un año de antelación".

Los resultados de esta investigación serán utilizados por el banco más grande de Rusia en su sistema de gestión de riesgos.

Nazar Sotiriadi, coautor del estudio y director ejecutivo del Departamento de Gestión Integral de Riesgos de Sber, afirmó: "Si bien los riesgos climáticos en Rusia no son tan evidentes como en países con infraestructuras más densas, ya están teniendo un impacto significativo en la economía. Las sequías generan riesgos para la agricultura, las instalaciones energéticas y la población.

"Utilizamos los resultados de las investigaciones realizadas en colaboración con nuestros colegas de Skoltech para aumentar la precisión de nuestras calificaciones, tanto para seguros como para préstamos. En los próximos años, la gestión de estos riesgos podría tener un mayor efecto en el negocio de lo que esperábamos hace tres o cinco años. Y estas tareas requieren invariablemente modelos de evaluación".

Referencia

Alexander Marusov et al, Long-term drought prediction using deep neural networks based on geospatial weather data, Environmental Modelling & Software (2024). DOI: 10.1016/j.envsoft.2024.106127. On arXiv: DOI: 10.48550/arxiv.2309.06212