Seúl, Corea del Sur, octubre 3.- Muchos fenómenos meteorológicos extremos localizados, como tormentas eléctricas y lluvias torrenciales, se desarrollan repentinamente y se intensifican rápidamente, escapando a las predicciones a corto plazo. Son limitados en el tiempo y el área geográfica, pero a menudo provocan inundaciones repentinas y otros peligros de alto impacto, causando pérdidas de vidas y trastornos. La predicción inmediata (predicción que abarca las horas inmediatas) desempeña un papel fundamental en la mejora de la preparación ante desastres. Aprovecha la información en tiempo real de radares meteorológicos, satélites y otras fuentes de observación para predecir fenómenos meteorológicos repentinos de gran impacto, lo que permite emitir alertas oportunas que minimizan las víctimas y las pérdidas económicas. La predicción numérica del tiempo basada en modelos físicos ha sido durante mucho tiempo la piedra angular de la previsión meteorológica. Sin embargo, los recientes avances en Inteligencia Artificial (IA) han impulsado el desarrollo de modelos basados ​​en datos, mejorando significativamente la precisión de las previsiones a corto y medio plazo. Paralelamente, la investigación y el desarrollo sobre la aplicación de la IA a la predicción inmediata también han avanzado rápidamente. Para acelerar su uso operativo, el Sistema Integrado de Procesamiento y Predicción de la OMM (WIPPS), en colaboración con el Programa Mundial de Investigación Meteorológica (PMIM), está implementando el Proyecto Piloto de IA para la Predicción inmediata (AINPP). Taller sobre IA para el proyecto piloto de predicción inmediata Como parte de esta iniciativa, la OMM, en colaboración con la Administración Meteorológica de Corea (KMA), organizó el Taller AINPP de la OMM del 24 al 26 de septiembre en Jeju (República de Corea). El evento reunió a más de 70 expertos de Servicios Meteorológicos e Hidrológicos Nacionales (SMHN), instituciones de investigación, universidades y empresas líderes del sector privado como Google, Microsoft y NVIDIA. “La rápida evolución de la predicción meteorológica basada en IA marca un paso fundamental hacia la construcción de sociedades más resilientes frente a fenómenos meteorológicos extremos”, dijo el Dr. David John Gagne, copresidente del Grupo Directivo de AINPP y jefe del grupo de Integración de Máquinas y Aprendizaje para Sistemas Terrestres en el Centro Nacional de Investigación Atmosférica (NCAR). “Al fomentar la colaboración entre la investigación y las operaciones, garantizar la transferencia equitativa de tecnología e involucrar a los sectores público y privado, la comunidad meteorológica mundial está sentando las bases para pronósticos más rápidos y precisos que pueden salvar vidas y reducir el riesgo de desastres en todo el mundo”, afirmó. El taller abordó estrategias para transferir tecnología de IA a los servicios operativos, especialmente en los países en desarrollo, reconociendo que cerrar la brecha entre la investigación y las operaciones es fundamental para la resiliencia global. En los debates se destacó la necesidad de contar con directrices técnicas sobre técnicas de predicción basadas en IA, el intercambio de códigos de programas desarrollados como software de código abierto y el uso de entornos en contenedores como Docker para agilizar la implementación. El fortalecimiento de los centros regionales de predicción meteorológica también se identificó como una prioridad clave, junto con otras acciones concretas destinadas a garantizar que las innovaciones de vanguardia se traduzcan en herramientas prácticas para los pronosticadores de todo el mundo. La semana también incluyó actividades complementarias. Un seminario de la KMA sobre modelos de cimentación (22 y 23 de septiembre) presentó los últimos avances en meteorología y climatología, así como sus posibles aplicaciones. El taller reveló que la predicción inmediata basada en IA ha evolucionado con diversas tendencias nuevas en los últimos años. Estas incluyen: la transición de ConvLSTM a modelos de Transformador y Difusión; la integración de datos de múltiples fuentes; la adopción de conjuntos probabilísticos; la vinculación de la predicción inmediata con escalas temporales de mediano plazo; la diversificación de las métricas de evaluación y la optimización para operaciones en tiempo real. Un ejemplo es NowAlpha-Diff de KMA, que muestra mejoras notables al extender la predicción confiable del movimiento hasta seis horas y al mismo tiempo superar el sesgo anterior de oeste a noreste común en el régimen occidental de latitudes medias.