Pensé no escribir nada más sobre la IoT y la IoT+IA (por cierto, en algunos textos le llaman AIoT); pero alguien me escribió diciéndome que si puse ejemplos de otras aplicaciones por qué no poner un ejemplo de la Meteorología, a fin de cuentas fue mi especialidad durante muchos años. Bueno, estoy retirado de la Meteorología, para no decir que fui empujado fuera de ella (humm, sigo sonando resentido); pero sí, lo admito, es interesante hablar de cómo se inserta la IoT+IA en este campo. A fin de cuentas algo hablé sobre esto en el post «¿Lloverá? Yo veré y te diré» (y en algunos otros, cuyos enlaces les pongo al final), pero no hice hincapié en las tecnologías IoT en ninguno de ellos. Así pues, aquí vamos con un ejemplo de IoT+IA en el campo meteorológico.
DeepSeek me dice (rotundamente) que el mejor ejemplo de aplicación de la IoT+IA a la Meteorología es el de IBM (utilizando la tecnología de The Weather Company, adquirida por ellos) y se llama IBM Environmental Intelligence Suite. Se trata de una plataforma en la nube sobre clima, tiempo y sostenibilidad ambiental que combina datos geoespaciales, meteorológicos, ambientales, provenientes de sensores IoT, propios y de terceros, para generar información relevante para empresas. Si buscas una solución todo en uno para clima, tiempo, riesgo ambiental usando IoT+IA, esta suite es de las más robustas del mercado.
EIS ofrece los siguientes tipos de pronósticos del tiempo: i) Nowcasting (0-2 horas): Predicción minuto a minuto para eventos repentinos (ej.: tormentas eléctricas severas, inundaciones repentinas, vientos fuertes). ii) Corto plazo (0-12 horas): Tormentas, lluvias intensas, granizo. Ideal para alertas tempranas. iii) Mediano plazo (1–7 días): Temperaturas, frentes climáticos, ciclones tropicales. iv) Largo plazo (semanas a meses): Tendencia de El Niño/La Niña, sequías, olas de calor. ¿Cómo se accede a estos pronósticos? Por medio de Dashboard web: Visualización interactiva de mapas y riesgos. Por medio de APIs que ofrece EIS: Para integrar pronósticos en aplicaciones propias (ej.: apps de logística). Por medio de Alertas automáticas: Vía SMS, email o plataformas como Slack. Para hacer estos pronósticos EIS usa un modelo llamado IBM GRAF. IBM GRAF (Global High-Resolution Atmospheric Forecasting System) es un modelo de pronósticos que sobrepasa a los modelos convencionales en muchos aspectos. En 2023, IBM EIS predijo con ¡12 horas de anticipación! un tornado en Tennessee (EE.UU.), permitiendo evacuaciones tempranas. Otros modelos solo dieron alertas 30 minutos antes.
En IBM Environmental Intelligence Suite (EIS), la IoT (Internet of Things) y la IA (Inteligencia Artificial) trabajan de forma complementaria para ofrecer pronósticos meteorológicos hiper-precisos y gestión de riesgos ambientales. Veamos el rol específico de cada una.
¿Qué aporta la IoT en IBM EIS? Los sensores IoT juegan un papel crucial en la recolección de datos meteorológicos. Estos dispositivos, distribuidos en muy diversas localidades, capturan una vasta cantidad de información en tiempo real. Ellos recopilan datos en tiempo real desde dispositivos físicos (todos IoT) distribuidos en el terreno: estaciones meteorológicas automáticas (midiendo temperatura, humedad, presión, velocidad y dirección del viento, radiación, precipitación, contaminación)., radares (midiendo precipitación, tormentas, viento y turbulencias), boyas marítimas (oleaje, altura de las olas, temperatura del mar), drones (con diversidad de sensores a bordo), aviones comerciales (midiendo temperatura, humedad, presión a diferentes alturas), teléfonos inteligentes (aplicaciones que usan el sensor de presión del teléfono y transmiten la información automáticamente), sensores en cultivos (humedad del suelo, temperatura del suelo, estrés hídrico), dispositivos urbanos (calidad del aire, inundaciones en calles), sensores hidráulicos (midiendo nivel de las aguas, caudal, velocidad de las corrientes), sensores en las turbinas eólicas (midiendo velocidad y dirección del viento), sensores para medir CO2 y estimar la huella del carbono, sensores satelitales. Los datos son almacenados en una base de datos en la nube, tanto los históricos como los datos en tiempo real. Geospatial Analytics (antes llamado IBM PAIRS Geoscope): proporciona un almacén de datos geoespaciales y temporales y un motor de análisis para realizar consultas complejas y rápidas en línea para revelar relaciones clave entre las capas de datos. Esta base de datos posee una ENORME malla en todo el mundo y hace uso de las técnicas de Big Data.
¿Qué aporta la IA en IBM EIS? Procesa los datos masivos (de sensores IoT, radares, satélites) para mejorar la precisión de pronósticos, detectar patrones y automatizar decisiones. Usa modelación predictiva: i) Usa algoritmos de Machine Learning que corrigen errores en modelos numéricos tradicionales (por ej.: elimina el error de subestimar lluvias en zonas montañosas). ii) Usa Deep Learning (por ej.: analiza imágenes de satélites para predecir incendios forestales). Usa generación automática de alertas: i) Clasifica eventos extremos (huracanes, granizo, tornados, aeroavalanchas) y activa alertas sin intervención humana. Por medio de IBM Watson (el asistente de IA del LLM de IBM) integra lenguaje natural para generar informes automáticos (ej.: «Alerta por inundación en Bogotá en 3 horas«, «la IA de EIS predijo exitosamente una aeroavalancha destructiva, es decir una downburst, con 45 minutos de antelación en Texas, cuando los sistemas actuales apenas se adelantan 10-15 minutos a la ocurrencia del fenómeno«).
Resumiendo podemos decir que las IoT son «Los ojos y oídos» (recoge datos del mundo físico). La IA es «El cerebro» (analiza, predice, decide y alerta) ¿Por qué es tan poderosa esta combinación de Iot+IA? Mencionemos solo tres cosas: i) Precisión: La IA aprende de los datos de IoT para afinar pronósticos. ii) Escalabilidad: Miles de sensores pueden integrarse sin saturar el sistema. iii) Automatización: Reduce la necesidad de intervención humana en emergencias con lo que se reduce el tiempo de respuesta. A modo de ejemplo:
¿Qué lo hace más preciso que otros sistemas? Uso del IoT+IA: Aprende de errores pasados y ajusta modelos con datos de sensores en el terreno. Resolución espacial ultra-alta: Cruza datos de radares con imágenes satelitales de 30 metros/píxel. Validación constante: Compara pronósticos con observaciones reales para mejorar algoritmos. EIS se usa exitosamente no solo para aplicaciones meteorológicas sino también en: Energía renovable: Predice nubosidad para plantas solares o vientos para parques eólicos. Agricultura: Anticipa heladas, granizo o sequías con 72 horas de antelación. Logística: Alertas de rutas afectadas por nieve o inundaciones.
¿Por qué no es conocido para el público? EIS es una solución para empresas que compran el servicio y lo adaptan a sus necesidades. Algunos servicios son públicos a través de aplicaciones y sitios web de The Weather Company; pero sus verdaderas potencialidades excepcionales se manifiestan en las aplicaciones que las empresas contratan.
Sobre la situación actual y las perspectivas de la Meteorología en Cuba ya di mis opiniones. Creo que cada día la brecha entre los desarrollados y los subdesarrollados es mayor. Para los eventos mayores, como los huracanes y la sequía, el Instituto de Meteorología cumple cabalmente su rol. Si el lector lo desea, lea también los siguientes posts relacionados con la Meteorología:
Deja una respuesta