Cómo la IA ayuda a 38 millones de agricultores con predicciones meteorológicas anticipadas

Por: Olivia Graham, Gerente de producto, Google Research y Stephan Hoyer Ingeniero, Google Research

Este verano, 38 millones de agricultores en la India recibieron pronósticos basados ​​en IA sobre el inicio de la temporada de monzones, lo que les ayudó a tomar decisiones más informadas sobre cuándo plantar sus cultivos. Estos pronósticos se basaron en parte en NeuralGCM, un modelo de Google Research que combina el modelado tradicional basado en la física con el aprendizaje automático para mejorar la precisión y la eficiencia de la simulación.

Un modelo de IA para predecir el tiempo y el clima

Durante años, los modelos meteorológicos y climáticos han sido costosos y complejos, y a menudo requerían una supercomputadora para su ejecución. Nuestros equipos de Google Research querían comprobar si podíamos construir estos modelos de forma más eficiente y precisa, lo que dio lugar a la creación de NeuralGCM.

A diferencia de los modelos tradicionales, que se basan exclusivamente en física codificada, este modelo basado en IA se entrena con décadas de datos meteorológicos históricos para inferir patrones y aprender de eventos pasados, a la vez que utiliza la física. Fundamentalmente, está diseñado para ser flexible y eficiente: puede ejecutarse en una sola computadora portátil, lo que facilita el acceso a pronósticos de alta calidad para la comunidad científica.

Una colaboración con la Universidad de Chicago

Cuando publicamos NeuralGCM en código abierto, esperábamos que la comunidad utilizara esta nueva herramienta para impulsar sus propias aplicaciones innovadoras. La Iniciativa de Pronósticos Meteorológicos Centrados en el Ser Humano de la Universidad de Chicago hizo precisamente eso. Reconocieron que una de las decisiones más impactantes, y a la vez cada vez más desafiantes, para los agricultores indios es cuándo sembrar.

Cientos de millones de pequeños agricultores en las zonas tropicales dependen de la información sobre la llegada de la temporada de lluvias, conocida como monzón, cada año. Sin embargo, pronosticar con precisión el inicio del monzón, especialmente con plazos largos y a escala local, ha sido un desafío centenario.

Tras probar rigurosamente varios modelos meteorológicos de IA, el equipo de la Universidad de Chicago descubrió que NeuralGCM, al combinarse con otros modelos avanzados como el Sistema Integrado de Predicción de Inteligencia Artificial (AIFS) del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (CEPMPM) y datos históricos, era la herramienta ideal. Predijo con precisión el inicio del monzón indio con hasta un mes de antelación, incluso capturando una sequía inusual durante el monzón.

La imagen de la izquierda muestra el promedio de 120 años de datos históricos (p. ej., lo esperado). La imagen del centro muestra lo observado por el Departamento Meteorológico de la India. A la derecha, lo que el pronóstico de IA predijo con 15 días de anticipación.

Crédito: Iniciativa de pronósticos meteorológicos centrados en el ser humano del Instituto de Clima y Crecimiento de la Universidad de Chicago.

Impacto en el mundo real, a escala

En colaboración con el Ministerio de Agricultura y Bienestar Agrícola de la India, esta pionera combinación de modelos de IA, creada por la Universidad de Chicago, proporcionó con éxito pronósticos personalizados y avanzados por SMS a 38 millones de agricultores este verano. Esta iniciativa ayudó a los agricultores a ajustar proactivamente sus decisiones de siembra (cuándo plantar, si comprar más semillas, cambiar a otros cultivos o simplemente esperar), lo que les permitió adaptarse a una temporada de monzones inusualmente retrasada.

Una investigación de la Universidad de Chicago muestra que, al proporcionar un pronóstico preciso con aproximadamente un mes de anticipación, los agricultores pueden adaptar sus decisiones al clima y mejorar sus resultados. El estudio reveló que los pronósticos anticipados prácticamente duplican sus ingresos anuales.

Este proyecto es un poderoso ejemplo de cómo la tecnología de IA fundamental, surgida de la investigación, puede servir para casos de uso del mundo real y, en última instancia, ayudar a las comunidades de todo el mundo a desarrollar resiliencia climática.