Does Feature Engineering Improve Meteorological Predictions Across Asia?

El aire sobre nosotros nunca está quieto. Se desplaza, se arremolina y reacciona en una danza caótica de calor, humedad y presión que determina si la cosecha de un agricultor sobrevive o si una ciudad se prepara para una tormenta. Durante décadas, los científicos han intentado predecir estos movimientos utilizando modelos computacionales masivos que simulan la física de la atmósfera. Aunque potentes, estas simulaciones son increíblemente costosas de ejecutar y, a veces, luchan contra la pura complejidad del clima local. En años recientes, un enfoque diferente ha ganado terreno: el uso del aprendizaje automático (machine learning). Estos son programas informáticos que aprenden patrones a partir de vastas cantidades de datos meteorológicos históricos para realizar predicciones futuras. Sin embargo, hay un inconveniente. Si se le suministra a un programa de aprendizaje automático números brutos —como la temperatura o la velocidad del viento registradas en un momento específico—, a menudo pierde la visión de conjunto. No logra ver que el clima de hoy está profundamente conectado con el de ayer, o que las estaciones siguen un ciclo predecible. Para solucionar esto, los científicos utilizan una técnica llamada ingeniería de características (feature engineering). Este es el proceso de crear manualmente nuevas pistas para que la computadora las estudie. En lugar de darle solo la temperatura, podrían darle también la temperatura de hace tres días, o un cálculo de cómo interactúan la temperatura y la humedad. La esperanza es que estas pistas adicionales ayuden a la computadora a entender mejor el clima. Pero una pregunta persistente permanece: ¿añadir más pistas siempre ayuda, o a veces puede confundir a la máquina?

Un equipo de investigadores de universidades de Irán y de otras partes de Asia se propuso responder a esta pregunta a gran escala. No observaron una sola ciudad o un solo tipo de clima; en su lugar, examinaron todo el continente asiático, una región tan diversa en su clima como en su geografía, que se extiende desde el norte helado hasta los trópicos húmedos. Recopilaron registros meteorológicos diarios de 1,634 estaciones meteorológicas diferentes, cubriendo un período de veinticuatro años. Su objetivo era probar quince formas diferentes de preparar los datos para un modelo de aprendizaje automático. Algunos métodos eran simples, limitándose a añadir la fecha o el día de la semana. Otros eran complejos, creando nuevas variables al multiplicar diferentes factores meteorológicos o calculando cómo había cambiado el clima durante la última semana. Probaron estos métodos contra ocho variables meteorológicas distintas: temperatura, humedad, presión atmosférica, velocidad del viento, cobertura de nubes, precipitación y las temperaturas máximas y mínimas diarias. Utilizaron un modelo de aprendizaje automático estándar, conocido como bosque aleatorio (random forest), para ver qué método de preparación de datos producía los pronósticos más precisos.

Los resultados fueron sorprendentes y revelaron que no existe una única "mejor" forma de preparar los datos meteorológicos. Los investigadores descubrieron que añadir características diseñadas mejoró la precisión de las predicciones en menos de la mitad de los casos probados. De hecho, para el 42 por ciento de las combinaciones de estación y variable, las pistas adicionales marcaron una diferencia estadísticamente significativa. Pero para el resto, el trabajo extra fue inútil o, en algunos casos, activamente perjudicial. El estudio demostró que el enfoque adecuado depende enteramente de lo que se intenta predecir y de dónde se intenta predecir. Por ejemplo, al pronosticar la presión atmosférica, el método más complejo funcionó mejor. Al incluir cada pista posible, desde la época del año hasta las lecturas de presión de los últimos días, el modelo redujo sus errores de predicción entre un 41 y un 42 % en todo el continente. Esto tiene sentido porque la presión atmosférica cambia de forma lenta y predecible, por lo que la computadora se beneficia de tener un historial largo de datos para estudiar.

Sin embargo, la historia fue muy diferente para las temperaturas extremas. Cuando los investigadores intentaron predecir la temperatura máxima o mínima diaria, añadir características complejas a menudo hacía que el modelo funcionara peor. En casi la mitad de los casos para las temperaturas mínimas, el enfoque más sencillo —utilizar solo los datos brutos sin ninguna ingeniería adicional— fue el más preciso. Los investigadores sugieren que, para estos extremos específicos, los datos básicos ya contienen toda la información necesaria, y añadir más capas de complejidad solo introduce ruido que confunde a la computadora. Del mismo modo, para la humedad y la velocidad del viento, las pistas temporales simples, como saber el mes o el día de la semana, solían ser suficientes. Los métodos más complejos ofrecieron poco o ningún beneficio para estas variables.

La ubicación de la estación meteorológica también importaba profundamente. Los investigadores descubrieron un patrón claro al moverse desde los trópicos hacia el norte. En las regiones cálidas y tropicales del sudeste asiático e India, el método más exitoso para predecir la temperatura y la cobertura de nubes consistió en crear características de interacción. Estas son combinaciones matemáticas que permiten a la computadora ver cómo trabajan juntas la temperatura y la humedad, lo cual es crucial en climas donde la tierra y el aire interactúan de formas complejas. Pero a medida que se desplazaban hacia el norte, hacia regiones más frías como Siberia y Kazajistán, estas interacciones complejas se volvieron menos útiles. En estas latitudes más altas, las características temporales más simples eran suficientes. El estudio también encontró que la precipitación era la variable más difícil de mejorar. Ningún método funcionó bien en todas partes, y las mejoras fueron a menudo pequeñas y dispersas, reflejando la naturaleza impredecible de la lluvia misma.

En última instancia, esta investigación proporciona una hoja de ruta clara para cualquiera que utilice el aprendizaje automático para pronosticar el clima. Demuestra que la idea de una solución universal es un mito. No se puede aplicar simplemente el mismo conjunto de trucos de datos a cada problema meteorológico y esperar que funcione. La mejor estrategia es ser específico: utilizar conjuntos de datos complejos y exhaustivos para la presión; confiar en marcadores temporales simples para la humedad y el viento; y evitar complicar demasiado las cosas al predecir temperaturas extremas. Además, la ubicación del pronóstico importa tanto como la variable misma. Lo que funciona en una selva tropical puede fallar en una llanura templada. Al comprender estos matices, los científicos pueden construir modelos que no solo sean más inteligentes, sino también más honestos sobre lo que los datos pueden y no pueden decirles. El estudio concluye que el futuro de la predicción meteorológica no reside en añadir más complejidad por el simple hecho de hacerlo, sino en elegir cuidadosamente las herramientas adecuadas para el lugar adecuado y la tarea adecuada.