Algoritmos de aprendizaje automático aplicados a modelos de predicción del tiempo

9 Abril 2025 - Aula Magna - 14:00hs

La predicción del tiempo y el clima ha sido clave a lo largo de la historia, impactando desde decisiones personales hasta la planificación industrial. Los modelos numéricos de predicción del tiempo (NWP) son herramientas fundamentales que, mediante ecuaciones físicas, simulan la evolución de la atmósfera para prever las condiciones climáticas futuras a partir del estado actual. Sin embargo, enfrentan desafíos como la sensibilidad a las condiciones iniciales, la resolución limitada y la alta demanda de recursos computacionales, los cuales deben superarse para continuar su desarrollo y mejorar su precisión.[1]. En este contexto, el aprendizaje automático (ML) surge como una herramienta complementaria y prometedora, ya que permite identificar patrones en grandes volúmenes de datos, mejorar la interpretación de los modelos NWP, corregir sesgos y optimizar los pronósticos.[2]. Este seminario abordará distintas aplicaciones de ML en modelos de predicción del clima, mostrando cómo estos algoritmos pueden favorecer a las metodologías de predicción, volviendo al modelo más preciso y eficiente en términos de tiempo y recursos computacionales[3-5].

Presentador: Lic. Guadalupe Peñaranda

Director: Dra. Andrea Calderón.

Referencias

  1. Bauer, P., Thorpe, A. & Brunet, G. The quiet revolution of numerical weather prediction. Nature 525, 47–55 (2015). https://doi.org/10.1038/nature14956
  2. Chen, L., Han, B., Wang, X., Zhao, J., Yang, W., & Yang, Z. (2023). Machine learning methods in weather and climate applications: A survey. Applied Sciences, 13(21), 12019.
  3. da Silva, Y. U., França, G. B., Ruivo, H. M., & de Campos Velho, H. F. (2022). Forecast of convective events via hybrid model: WRF and machine learning algorithms. Applied Computing and Geosciences, 16, 100099.
  4. Reddy, P. J., Chinta, S., Matear, R., Taylor, J., Baki, H., Thatcher, M., ... & Sharples, J. (2023). Machine learning based parameter sensitivity of regional climate models—a case study of the WRF model for heat extremes over Southeast Australia. Environmental research letters, 19(1), 014010.
  5. Zhu, Y., Bitzer, P., Rakov, V., & Ding, Z. (2021). A machine‐learning approach to classify cloud‐to‐ground and intracloud lightning. Geophysical Research Letters, 48(1), e2020GL091148.