Las herramientas de inteligencia artificial están cambiando la forma de pronosticar riesgos meteorológicos y climáticos. Este verano, 38 millones de agricultores en India recibieron pronósticos basados en NeuralGCM, un modelo híbrido que combina física atmosférica y aprendizaje automático. Esos pronósticos estuvieron disponibles cuatro semanas antes de lo habitual y señalaron correctamente una pausa de tres semanas en el avance del monzón después de su llegada a tierra.
NeuralGCM, desarrollado por Google, fue comparado con modelos físicos convencionales y otros modelos de IA. Investigadores de la Universidad de Chicago indican que mostró buen desempeño en varias métricas y fue más eficiente en términos computacionales. La Universidad recibió apoyo de la Fundación Gates para evaluar modelos en África oriental y occidental, con foco en temporadas de lluvia y olas de calor.
Los pronósticos asistidos por IA se emplearon para aconsejar a agricultores sobre la siembra y pueden ejecutarse en un portátil, a diferencia de ciertos modelos que requieren supercomputadoras. Funcionarios y académicos destacaron beneficios económicos potenciales y la necesidad de vincular señales de lluvia con datos de humedad del suelo, déficit de presión de vapor y estrés térmico, según la etapa del cultivo. El equipo ya asocia cinco países:
- Bangladesh
- Chile
- Etiopía
- Kenia
- Nigeria
El plan es añadir diez países en 2026 y quince en 2027, extendiendo el alcance a millones de agricultores. Aún faltan por resolver varios desafíos técnicos y prácticos a medida que el proyecto se amplía.
Palabras difíciles
- modelo híbrido — sistema que combina dos enfoques distintos.
- aprendizaje automático — método de la IA que aprende de datos.
- eficiente — que usa pocos recursos para funcionar.
- humedad del suelo — cantidad de agua presente en la tierra.
- déficit de presión de vapor — escasez de vapor de agua en el aire.
- estrés térmico — daño o malestar por temperaturas altas.
- monzón — viento estacional con lluvias intensas.
Consejo: pasa el cursor, enfoca o toca las palabras resaltadas en el artículo para ver definiciones rápidas mientras lees o escuchas.
Preguntas de discusión
- ¿Qué beneficios económicos concretos podrían obtener los agricultores con pronósticos disponibles semanas antes? Da ejemplos.
- ¿Qué desafíos técnicos y prácticos crees que son más difíciles de resolver al ampliar este proyecto a más países? Explica por qué.
- ¿Cómo cambiarían las decisiones sobre la siembra si los agricultores tuvieran información sobre humedad del suelo y estrés térmico además de lluvia? Describe posibles impactos.
