Aportaciones de la supercomputación y el aprendizaje automático al cálculo de la incertidumbre asociada a las predicciones meteorológicas

• Autores: María del Carmen Calvo Olivera
• Directores de la Tesis: Eduardo García Ortega (dir. tes.), Ángel Manuel Guerrero Higueras (dir. tes.), Jesús Ángel Lorenzana Campillo (dir. tes.)
• Lectura: En la Universidad de León ( España ) en 2025
• Idioma: español
• Número de páginas: 216
• Títulos paralelos:
  • Supercomputing and machine learning contributions to the computation of uncertainty associated with weather forecasting
• Tribunal Calificador de la Tesis: Miguel Ángel Conde González (presid.), Andrés Merino Suances (secret.), Jesús Ángel Román Gallego (voc.)
• Programa de doctorado: Programa de Doctorado en Ingeniería de Producción y Computación por la Universidad de León
• Enlaces
  • Tesis en acceso abierto en: BULERIA
• Resumen
  • español

    La supercomputación y el aprendizaje automático han transformando nuestra forma de abordar problemas complejos en un sinfín de disciplinas, ofreciendo herramientas que permiten procesar grandes volúmenes de datos y realizar cálculos computacionalmente costosos de manera rápida y eficiente demostrando su capacidad para optimizar procesos en áreas como la biomedicina o la ciberseguridad. A estas tecnologías, se le añaden los avances tecnológicos en materia de computación cuántica que han tenido lugar en los últimos años. Dentro de las disciplinas en las que este tipo de tecnologías puede resultar de gran utilidad, se encuentra la meteorología. Las predicciones meteorológicas son fundamentales para la planificación y toma de decisiones en diversos ámbitos, desde la agricultura hasta la gestión de emergencias. La precisión de estas predicciones es crucial, ya que pequeños errores pueden tener grandes repercusiones en la seguridad y en la economía. Sin embargo, las predicciones meteorológicas están intrínsecamente asociadas a un grado de incertidumbre, que debe ser comprendido y gestionado adecuadamente. El cálculo de la incertidumbre asociada a dichas predicciones añade un nivel de complejidad significativo al desafío general de la predicción numérica del tiempo. Esta incertidumbre afecta la confianza en las predicciones y, por ende, la capacidad de tomar decisiones informadas. Más allá de la metodología tradicional empleada para la validación de las salidas de los modelos numéricos de predicción meteorológica, se han desarrollado métodos avanzados que combinan técnicas de inteligencia artificial y computación cuántica, con el fin de evaluar y reducir dicha incertidumbre de manera más eficiente. Dentro de los problemas tradicionales en la predicción meteorológica, la estimación precisa de la incertidumbre es clave para mejorar la fiabilidad de las previsiones, especialmente en escenarios críticos como el pronóstico de precipitaciones intensas. La integración de modelos de inteligencia artificial en el cálculo de la incertidumbre busca mejorar la precisión de las predicciones meteorológicas. Estos modelos, a través del análisis de grandes volúmenes de datos y patrones climáticos, pueden identificar y cuantificar mejor las fuentes de incertidumbre, ofreciendo estimaciones más precisas. Además, la capacidad de aprendizaje automático de estos modelos les permite adaptarse y mejorar con el tiempo, haciendo las predicciones más robustas frente a variaciones inesperadas en las condiciones meteorológicas. Por un lado, el aprendizaje automático representa una alternativa relativamente robusta a las perturbaciones y no requiere una comprensión completa de los procesos físicos que gobiernan la atmósfera, ni tampoco una gran potencia de cálculo –con la excepción de la fase de entrenamiento– pudiendo representar una alternativa viable para el pronóstico de precipitaciones de predicciones meteorológicas. Así mismo, el auge tecnológico en el campo de la computación cuántica puede ofrecer una mejora frente a las soluciones clásicas ya conocidas. El objetivo de esta tesis doctoral plantea la posibilidad del uso de técnicas basadas en inteligencia artificial o computación cuántica para realizar el cálculo de la incertidumbre asociada a las predicciones meteorológicas en tiempo real de forma eficiente. Para ello, ha sido primordial conocer las aportaciones más recientes en el campo de la investigación en cuanto a predicciones meteorológicas y en el cálculo de la incertidumbre asociada. Tras ello, quedó de manifiesto la necesidad de la generación de un conjunto de datos que permitiera entrenar los modelos seleccionados para este fin. Para dar solución a este problema, se ha generado un dataset específico para el área de estudio que abarca datos correspondientes a un total de 11 años de precipitaciones pasadas etiquetados con datos de verdad terreno proporcionados por la red de pluviómetros de la zona (SAIH Ebro). Este trabajo propone, describe y evalúa una serie de modelos basados en inteligencia artificial entrenados a partir del conjunto de datos generado para este fin. Así mismo, para la evaluación de los modelos se ha definido un índice de incertidumbre, U, el cual se ha comprobado que da resultados muy similares a los valores obtenidos con la verdad de campo. Los resultado muestran que el algoritmo Random Forest es un buen clasificador para este problema ya que puede manejar grandes cantidades de datos y manejar miles de variables. Además, se observa una tendencia en los algoritmos basados en árboles de decisión – DT y DT-B – que muestran mejores resultados que el resto de los algoritmos evaluados. A estos modelos les siguen las redes neuronales basadas en LSTM con unos resultados prometedores. Además, se ha implementado una prueba de concepto utilizando técnicas de aprendizaje automático cuántico para estudiar su viabilidad en esta tarea. Esta prueba inicial consistió en implementar un modelo híbrido que combina algoritmos cuánticos con métodos clásicos de machine learning, evaluando su capacidad para manejar grandes volúmenes de datos meteorológicos y mejorar la estimación de la incertidumbre. Los resultados preliminares indican que, aunque la tecnología es incipiente, QML presenta potencial para superar algunas de las limitaciones actuales en la predicción meteorológica. Esta tesis abre una serie de posibilidades para el futuro de la predicción meteorológica, al integrar técnicas de inteligencia artificial y computación cuántica en el cálculo de la incertidumbre. Al demostrar que es posible aplicar estas tecnologías emergentes de manera efectiva en escenarios operativos, se sientan las bases para que nuevas metodologías se desarrollen y se apliquen en diferentes contextos meteorológicos. Además, la flexibilidad y adaptabilidad de los modelos de inteligencia artificial propuestos podrían extenderse a otras variables meteorológicas.

  • English

    Supercomputing and machine learning have transformed the way we approach complex problems in many disciplines, offering tools that allow us to process large volumes of data and perform computationally expensive calculations quickly and efficiently, demonstrating their ability to optimize processes in areas such as biomedicine and cybersecurity. In addition to these technologies, technological advances in quantum computing have been made in recent years. Among the disciplines in which this technology can be of great use is meteorology. Weather forecasts are fundamental for planning and decision-making in various fields, from agriculture to emergency management. The accuracy of these predictions is crucial, as small errors can have large repercussions on safety and the economy. However, weather forecasts are intrinsically associated with a degree of uncertainty, which must be understood and properly managed. However, calculating the uncertainty associated with such predictions adds a significant level of complexity to the overall challenge of numerical weather prediction. This uncertainty affects confidence in the predictions and thus the ability to make informed decisions. Beyond the traditional methodology used for the validation of numerical weather prediction model outputs, advanced methods combining artificial intelligence and quantum computing techniques have been developed to evaluate and reduce such uncertainty more efficiently. Among the traditional problems in weather forecasting, the accurate estimation of uncertainty is key to improving the reliability of forecasts, especially in critical scenarios such as heavy precipitation forecasting. The integration of artificial intelligence models in the calculation of uncertainty seeks to improve the accuracy of weather forecasts. These models, through the analysis of large volumes of data and weather patterns, can better identify and quantify sources of uncertainty, providing more accurate estimates. In addition, the machine learning capability of these models allows them to adapt and improve over time, making predictions more robust to unexpected variations in weather conditions. On the one hand, machine learning represents a relatively robust alternative to perturbations and does not require a complete understanding of the physical processes that govern the atmosphere, nor does it require a great deal of computational power - except the training phase - and may represent a viable alternative for forecasting precipitation of weather predictions. Likewise, the technological boom in the field of quantum computing may offer an improvement over the classical solutions already known. The objective of this doctoral thesis raises the possibility of using techniques based on artificial intelligence or quantum computing to calculate the uncertainty associated with real-time weather forecasts in an efficient way. For this purpose, it has been essential to know the most recent contributions in the field of research on weather forecasting and the calculation of the associated uncertainty. After this, it became clear that it was necessary to generate a data set that would allow training the models selected for this purpose. To solve this problem, a specific dataset has been generated for the study area that includes data corresponding to a total of 11 years of past precipitation labeled with ground truth data provided by the network of rain gauges in the area (SAIH Ebro). This work proposes, describes, and evaluates a series of models based on artificial intelligence trained from the dataset generated for this purpose. Likewise, for the evaluation of the models an uncertainty index, U, has been defined, which has been found to give very similar results to the values obtained with the field truth. The results show that the Random Forest algorithm is a good classifier for this problem since it can handle large amounts of data and handle thousands of variables. In addition, a trend is observed in the decision tree-based algorithms – DT and DT-B – which show better results than the rest of the algorithms evaluated. These models are followed by LSTM-based neural networks with promising results. In addition, a proof of concept using quantum machine learning techniques has been implemented to study their feasibility in this task. This initial proof consisted of implementing a hybrid model combining quantum algorithms with classical machine learning methods, evaluating its ability to handle large volumes of meteorological data and improve uncertainty estimation. Preliminary results indicate that, although the technology is in its infancy, QML has the potential to overcome some of the current limitations in weather forecasting. This thesis offers several possibilities for the future of weather forecasting by integrating artificial intelligence and quantum computing techniques in the calculation of uncertainty. By demonstrating that it is possible to apply these emerging technologies effectively in operational scenarios, the foundations are laid for new methodologies to be developed and applied in different meteorological contexts. Furthermore, the flexibility and adaptability of the proposed IA models could be extended to other climatological variables.