El 'machine learning' sigue proporcionando datos para la observación de la Tierra

El trabajo contribuye a mejorar la predicción climática y su compresión

Un equipo de investigadores liderado por la Universitat de València (UV) de España, en colaboración con la University of Oxford en el Reino Unido y el Max Planck Institute of Biogeochemistry en Alemania, han proporcionado una revisión de algoritmos de “machine learning” (aprendizaje automático) capaces de mejorar las estimaciones de variables críticas para la monitorización de la Tierra. El trabajo, que contribuye a mejorar la predicción climática y su compresión, aparece publicado en la revista National Science Review.

La Tierra es un sistema complejo y dinámico, donde muchos procesos se relacionan entre sí. Es un sistema difícil de monitorizar y predecir. Para ello, físicos, matemáticos e ingenieros desarrollan modelos capaces de explicar las observaciones y medidas obtenidas por sensores a bordo de satélite o estaciones de medida repartidas por todo el planeta.

Los modelos clásicos se han basado en codificar e implementar en forma de ecuaciones nuestro conocimiento físico. Con esos modelos se puede estimar la temperatura superficial de la Tierra, la concentración de ozono atmosférico o la salinidad de los océanos. Estos modelos son, sin embargo, muy costosos computacionalmente y requieren suposiciones sobre los procesos involucrados y sus relaciones, que a menudo son muy simplistas o incluso arbitrarias. En la actualidad, la alternativa viene desde el aprendizaje estadístico (machine learning) que plantea modelos muy flexibles y eficaces para la estimación de variables de interés a partir de datos y observaciones.

Tras publicar recientemente en Nature diferentes algoritmos capaces de aprender las relaciones causales entre variables a partir de datos, ahora el investigador de la Universitat de València Gustau Camps-Valls, junto con científicos de la Oxford University y el Max Planck Institute of Biogeochemistry (Alemania), argumenta en un nuevo trabajo que los algoritmos actuales están limitados en distintos sentidos.

El nuevo estudio, que aparece en la revista National Science Review, presenta una visión crítica al respecto y aporta posibles soluciones a este problema en el futuro. “Los algoritmos actuales, por ejemplo, se emplean en sus formas más básicas, y a menudo no son consistentes respecto a las más elementales leyes de la física; simplemente interpolan a partir de datos pero no han aprendido nada especial”, comenta Gustau Camps-Valls, profesor del Departament d’Enginyeria Electrònica y responsable del grupo de Procesado de Imágenes y Señales (ISP) del IPL (Image Processing Laboratory), en el Parc Científic de la Universitat de València. “Proponemos nuevos algoritmos que puedan incluir restricciones en forma de leyes fundamentales, y nuevos modelos de caja negra más comprensibles que nos ayuden a aprender de todo aquello que aportan los datos”, concluye.

Los algoritmos que se proponen no solo pretenden ser más precisos y consistentes, sino más sencillos e interpretables. “La interpretabilidad es tal vez el tema crítico cuando estamos hablando de modelos de machine learning”, señala el Dino Sejdinovic, profesor del Departamento de Estadística de la Oxford University. “Se trata de una característica que se ha sacrificado durante demasiado tiempo en aras de la precisión, y esto no puede continuar así cuando hablamos de modelos cuyos resultados y predicciones tienen implicaciones en medio ambiente y economía”.

Añadir nuevo comentario

Para el envío de comentarios, Ud. deberá rellenar todos los campos solicitados. Así mismo, le informamos que su nombre aparecerá publicado junto con su comentario, por lo que en caso que no quiera que se publique, le sugerimos introduzca un alias.

    Normas de uso:  
  • Las opiniones vertidas serán responsabilidad de su autor y en ningún caso de www.madrimasd.org  
  • No se admitirán comentarios contrarios a las leyes españolas o buen uso.  
  • El administrador podrá eliminar comentarios no apropiados, intentando respetar siempre el derecho a la libertad de expresión.  


CAPTCHA de imagen
Introduzca los caracteres mostrados en la imagen.

Responsable del tratamiento: FUNDACIÓN PARA EL CONOCIMIENTO MADRIMASD con domicilio en C/ Maestro Ángel Llorca 6, 3ª planta 28003 Madrid. Puede contactar con el delegado de protección de datos en dpd@madrimasd.org. Finalidad: Publicar los comentarios recibidos y conocer el interés que suscita el boletín por áreas geográficas. Por qué puede hacerlo: Por el interés legítimo de favorecer la participación y el debate en el ámbito de la tecnología, la ciencia y la innovación, y en atención a su solicitud. Comunicación de datos: Su comentario es publicado al pie de la noticia junto con su nombre o alias. Derechos: Acceso, rectificación, supresión, oposición y limitación del tratamiento. Puede presentar una reclamación ante la Agencia Española de Protección de datos (AEPD). Más información: En el enlace Política de Privacidad..