Nuestro

La atmósfera es una mezcla de gases y agua en distintos estados que está en continuo movimiento sobre una esfera en rotación calentada por el sol dentro de un campo gravitatorio.

En este sistema se deben cumplir las leyes de conservación de energía, masa y momento y la ecuación de estado de los gases. Las ecuaciones que expresan estas leyes son las ecuaciones primitivas y representan el sistema que gobierna la dinámica de la atmósfera. Estas ecuaciones descompuestas en sus términos local y advectivo, relacionan las derivadas totales de ciertas magnitudes físicas en el tiempo.

A partir de su resolución numérica y unas condiciones iniciales incluyendo los intercambios energéticos que suceden en la capa límite superficial, se obtiene el estado de la circulación atmosférica en un tiempo futuro. Dichas ecuaciones son no lineales y sensibles a pequeños errores que producen fluctuaciones en el modelo. Las fluctuaciones crecen exponencialmente en el tiempo y hacen que las predicciones sólo puedan ser utilizadas hasta un horizonte temporal cercano de unos pocos días.

Para conseguir alargar el tiempo de la predicción se desarrollaron los métodos de predicción por conjuntos (Ensemble Forecasting). Estos métodos estiman la probabilidad a posteriori de las distintas variables a partir de un conjunto de predicciones obtenidas integrando el modelo atmosférico con distintas realizaciones de las fuentes de incertidumbre.

En estas predicciones numéricas se modifican las condiciones iniciales o se combinan las salidas de distintos modelos para obtener un conjunto de predicciones con el que anticipar la evolución atmosférica. Se utilizan en la predicción a medio plazo hasta quince días y en la predicción mensual y estacional.

El principal problema de estos métodos es que algunas situaciones son menos predecibles que otras y en ocasiones las situaciones menos predecibles son las más adversas.

Por otro lado, en la predicción estacional por conjuntos no se trata de predecir el estado real de la atmósfera en un instante de tiempo seleccionado, sino que se intenta predecir las desviaciones respecto del comportamiento promedio de la circulación atmosférica en un trimestre. En estas predicciones, el estado inicial de la atmósfera que se utiliza para el modelo no es el factor principal para identificar las anomalías y existen otros factores como la temperatura superficial de los océanos.

En weather4tomorrow usamos técnicas de aprendizaje automático (Machine Learning) y Análisis Big Data que nos permiten preprocesar de forma rápida y fiable la información meteorológica obteniendo patrones de conocimiento para realizar la predicción.

Para ello, utilizamos algoritmos automáticos de aprendizaje basados en redes neuronales con una topología de conexión de red recurrente. Nuestra metodología permite aprender de situaciones previas muy similares para definir el comportamiento observado de los parámetros clave.

weather4tomorrow es la solución  a la incertidumbre actual sobre las predicciones climáticas a medio y largo plazo en cualquier región del mundo, ya que, a diferencia de otros métodos, proporciona un pronóstico muy acertado a largo plazo.

Realizamos predicciones con hasta 2 años de antelación. Ofrecemos alta precisión espacial (decenas de kilómetros) y y alta precisión temporal (períodos semanales) de eventos atmosféricos.