Los sistemas convectivos de mesoescala son grandes conglomerados de tormentas que pueden extenderse a lo largo de cientos de millas y generan vientos destructivos, lluvia intensa, inundaciones y otros fenómenos meteorológicos severos. Según la fuente, estos eventos representan una porción significativa de la precipitación de la estación cálida en Estados Unidos.

El desafío fundamental que enfrenta la meteorología actual radica en la naturaleza multiesacalar de estos fenómenos. Las condiciones atmosféricas que originan los MCS evolucionan durante períodos prolongados, mientras que las tormentas mismas son impulsadas por procesos que operan a escalas mucho más pequeñas. Esta complejidad hace que los sistemas de pronóstico existentes tengan dificultades para predecir con precisión la actividad de MCS más allá de aproximadamente una semana, según reportes de la fuente.

El proyecto DL4MCS propone cerrar esta brecha temporal mediante la integración de aprendizaje profundo con modelos de pronóstico basados en física. La iniciativa no busca reemplazar los modelos meteorológicos establecidos con sistemas de aprendizaje automático, sino investigar si los métodos computacionales pueden extraer patrones útiles de pronósticos existentes y mejorar las predicciones sobre cuándo y dónde es probable que se desarrollen eventos de MCS.

El equipo de investigación examinará condiciones atmosféricas en diferentes escalas, desde patrones climáticos amplios que pueden influir en la formación de tormentas hasta procesos a escala de nubes que determinan cómo evolucionan las tormentas. Esta aproximación multidimensional es esencial porque los modelos meteorológicos a gran escala típicamente operan con resoluciones demasiado gruesas para capturar todos los detalles necesarios para pronósticos locales de tormentas.

Cada institución participante aporta competencias específicas al proyecto. El PNNL contribuye con experiencia en modelado de sistemas terrestres y evaluación de procesos atmosféricos. La Universidad de Wyoming se enfoca en modelado regional y reducción de escala, una capacidad crítica para traducir pronósticos a gran escala en información de mayor resolución relevante a nivel regional. El Dr. Stefan Rahimi, Profesor de Derechos de la Universidad de Wyoming, enfatizó que "la capacidad de traducir pronósticos a gran escala gruesos en orientación de mayor resolución y relevante para decisiones es esencial para mejorar la preparación y resiliencia en el mundo real".

Planette AI, por su parte, lidera la integración de tecnología de inteligencia artificial de vanguardia con sistemas de pronóstico físico comprobados. El Dr. Hansi Singh, Fundador y Director Ejecutivo de Planette AI, declaró que "DL4MCS refleja el compromiso de Planette AI de entregar inteligencia ambiental más accionable para decisiones de alto riesgo".

La Dra. Susannah Burrows, Científica Atmosférica del Laboratorio Nacional del Noroeste del Pacífico, explicó la importancia de la colaboración: "Mejorar la predicción de sistemas convectivos de mesoescala requiere avances en todas las escalas, desde los impulsores climáticos a gran escala hasta la microfísica de nubes que moldean el comportamiento de las tormentas. Esta colaboración reúne fortalezas complementarias en modelado de sistemas terrestres, inteligencia artificial y evaluación de modelos a nivel de procesos para explorar un nuevo camino hacia mejores pronósticos subseasionales".

Las implicaciones prácticas de este avance se extienden más allá de la precisión predictiva. Una indicación más temprana de riesgo elevado de tormentas podría proporcionar a las empresas de servicios públicos más tiempo para prepararse ante interrupciones, ayudar a las aseguradoras a evaluar la exposición potencial y permitir que las comunidades planifiquen para clima severo e inundaciones. Estas capacidades de pronóstico mejorado podrían traducirse en medidas preventivas más efectivas, reducción de daños económicos y mejor protección de vidas.

El proyecto DL4MCS forma parte de un esfuerzo más amplio del Departamento de Energía para utilizar computación avanzada y aprendizaje automático en la resolución de problemas científicos que permanecen difíciles de abordar con métodos convencionales. La Genesis Mission reúne investigadores de gobierno, industria y academia para desarrollar nuevos enfoques en áreas que incluyen energía, ciencia y seguridad nacional.

El objetivo inmediato del proyecto es determinar si un mejor aprovechamiento de pronósticos físicos existentes combinado con aprendizaje profundo puede hacer que los sistemas de tormentas severas sean más predecibles semanas antes de que ocurran. El proyecto cuenta con el respaldo del programa Genesis Mission Phase I del Departamento de Energía de Estados Unidos.