Una IA convierte señales GNSS en mapas 3D de humedad más precisos

La humedad decide a menudo si una nube deja unas gotas o desencadena una tormenta intensa. Un equipo de la Universidad de Ciencias Ambientales y de la Vida de Wrocław (UPWr), en Polonia, ha desarrollado un sistema de aprendizaje profundo para reconstruir mapas tridimensionales de vapor de agua con más detalle a partir de señales de satélites de navegación.

El estudio, publicado en Satellite Navigation, propone una vía para mejorar una de las piezas más difíciles de observar en la predicción meteorológica. Según los resultados comunicados por NVIDIA y los investigadores, el método redujo el error de las estimaciones un 62% en las pruebas realizadas en Polonia y un 52% en California, incluso bajo condiciones lluviosas.

Los satélites de navegación también miden la atmósfera

Los sistemas globales de navegación por satélite, conocidos por las siglas GNSS —la familia tecnológica a la que pertenece GPS— emiten señales de radio hacia la Tierra. Al atravesar la atmósfera, esas señales se retrasan ligeramente por efecto del vapor de agua.

Ese retraso permite inferir cuánta humedad hay en la columna de aire. El problema es que las reconstrucciones obtenidas mediante esta técnica, llamada tomografía GNSS, suelen tener una resolución limitada. Sirven para describir tendencias generales, pero pueden difuminar variaciones locales que importan mucho cuando se forma una tormenta, una lluvia torrencial o una inundación repentina.

La propuesta del equipo polaco consiste en usar esas mediciones como punto de partida, no como resultado final. La IA reconstruye una versión mucho más detallada del campo de humedad, incluida su distribución en tres dimensiones.

Una red generativa para afinar datos meteorológicos

El modelo empleado es una SRGAN, siglas de super-resolution generative adversarial network. Es una clase de red neuronal diseñada originalmente para aumentar la resolución de imágenes: aprende a transformar una imagen de baja calidad en otra que conserva mejor bordes, texturas y detalles.

En este caso no trabaja con fotografías. Recibe mapas atmosféricos de baja resolución y aprende a generar una reconstrucción más fina de la humedad. Para entrenarla, el equipo recurrió a datos meteorológicos globales y a GPUs de NVIDIA, procesadores especialmente adecuados para entrenar redes neuronales por su capacidad de realizar muchos cálculos en paralelo.

La diferencia práctica está en los gradientes: cambios rápidos de humedad entre zonas cercanas. En meteorología, esos contrastes pueden señalar dónde se está acumulando energía y dónde es más probable que evolucionen nubes convectivas, las asociadas a chubascos y tormentas.

El trabajo no sustituye a los modelos físicos que resuelven ecuaciones sobre la atmósfera. Puede funcionar como una capa previa: proporcionarles una descripción más útil de la humedad disponible. También podría alimentar modelos meteorológicos basados en IA, que dependen de la calidad y la cobertura de los datos de entrada.

La explicación importa tanto como el resultado

El equipo añadió herramientas de interpretabilidad, una decisión relevante en un ámbito donde los pronósticos pueden activar avisos públicos y decisiones de emergencia. Usaron Grad-CAM y SHAP, dos métodos que ayudan a visualizar qué regiones de los datos han pesado más en una predicción del modelo.

Las visualizaciones mostraron atención en zonas propensas a episodios meteorológicos complejos, como el oeste de Polonia y las montañas costeras de California. Eso no demuestra por sí solo que el modelo sea fiable en cualquier región o situación, pero permite a los meteorólogos comprobar que no está basando sus resultados en patrones arbitrarios.

Saeid Haji-Aghajany, profesor asistente de UPWr, sostiene que disponer de datos de humedad fiables y de alta resolución es una pieza que faltaba para prever fenómenos que alteran la vida cotidiana. La transparencia, añade, es necesaria para que los profesionales confíen en los sistemas de IA aplicados a la predicción.

Del experimento a los avisos meteorológicos

Las mejoras comunicadas corresponden a evaluaciones del método frente a técnicas anteriores de reconstrucción, no a una garantía de que cada pronóstico operativo vaya a reducir su error en la misma proporción. Para llegar a los servicios meteorológicos habrá que validar el sistema en más climas, estaciones y redes de observación, además de medir si la mejora del mapa de humedad se traduce realmente en avisos más tempranos y acertados.

Aun así, el enfoque tiene una ventaja clara: aprovecha una infraestructura satelital que ya está en funcionamiento. Si los datos GNSS pueden complementar de forma fiable los radares, radiosondeos y satélites meteorológicos, la IA podría ayudar a detectar mejor los pequeños cambios atmosféricos que preceden a una tormenta severa.