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.
Artículos relacionados
Microbios permiten saber la edad de las heces de termitas
Un estudio propone usar los microbios y su ADN en los pellets de termitas para distinguir excremento reciente de viejo. El método podría ofrecer una prueba rápida en el lugar para detectar infestaciones y evitar tratamientos innecesarios.
Investigación: más lluvias extremas y noches cálidas en Tanzania
Un estudio científico alerta que partes de Tanzania tendrán lluvias más intensas y noches más calurosas. Expertos dicen que esto afectará la agricultura, la salud y las ciudades y exigen políticas y preparación nacional.
Nuevo método mejora la ecografía para diferenciar masas mamarias
Investigadores desarrollan un método de procesamiento de ultrasonido que distingue quistes con líquido de masas sólidas en ecografías. En pruebas clínicas, la técnica aumentó la identificación correcta de las masas y recibió financiación federal.