Nueva técnica para analizar datos y reducir errores en modelos meteorológicos
Los científicos se enfrentan al desafío de desarrollar técnicas para el análisis de “big data” destinadas, por ejemplo, a mejorar los pronósticos meteorológicos.
En los últimos años hubo un fuerte crecimiento en la cantidad de información que se posee de la atmósfera a través de múltiples instrumentos de medición.
Actualmente se obtienen en una hora cientos de terabytes de datos provenientes de satélites remotos, radares meteorológicos, y otros numerosos instrumentos que miden el estado de la atmósfera. Con este caudal de información, los científicos se enfrentan al desafío de desarrollar técnicas para el análisis de “big data” destinadas, en este caso, a mejorar los pronósticos meteorológicos, pero fundamentalmente enfocadas en la prevención de desastres naturales. La utilización de toda esta información observacional en los pronósticos meteorológicos es lo que se denomina asimilación de datos.
El doctor Manuel Pulido, docente del Departamento de Física de la Facultad de Ciencias Exactas y Naturales y Agrimensura de la UNNE, e investigador en el Instituto de Modelado en Innovación Tecnológica del Conicet, desarrolló, junto a su grupo de trabajo, una técnica basada en el aprendizaje automatizado “para inferir el error de modelo, en modelos de pronósticos meteorológicos”. Dicho de otra forma, la técnica permite seleccionar datos de toda la información circundante, de forma tal que se reduzca el error en los modelos de pronósticos meteorológicos.
