Aqualia
Connecting Waterpeople

La AEMET coorganiza una competición de machine learning para mejorar predicciones meteorológicas

  • AEMET coorganiza competición machine learning mejorar predicciones meteorológicas
  • La Agencia Estatal de Meteorología y el SAF (Satellite Application Facilities) de Nowcasting, coorganizan la competición Weather4cast de machine learning con el Instituto de Investigación Avanzada en Inteligencia Artificial (IARAI) de Austria.
  • El reto, cuya inscripción está ya abierta y es de libre acceso, consiste en desarrollar modelos de aprendizaje automático para generar predicciones a corto plazo de información meteorológica derivada del satélite geoestacionario Meteosat.
  • Iniciativas como la publicitada buscan optimizar el beneficio de la información satelital para mejorar las acciones sobre observación del Clima que AEMET desarrolla en el Plan Nacional de Adaptación al Cambio Climático.
  • La contribución de España a los programas de satélites meteorológicos de EUMETSAT suma casi 33 millones de euros al año de los fondos de AEMET, lo que supone el 30% del presupuesto anual de la Agencia.

Sobre la Entidad

AEMET
La Agencia Estatal de Meteorología (AEMET) tiene por objeto el desarrollo, implantación, y prestación de los servicios meteorológicos de competencia del Estado y el apoyo al ejercicio de otras políticas públicas y actividades privadas, contribuyendo...
ABB

La Agencia Estatal de Meteorología y el SAF (Satellite Application Facilities) de Nowcasting, coorganizan la competición Weather4cast de machine learning o aprendizaje automático con el Instituto de Investigación Avanzada en Inteligencia Artificial (IARAI) de Austria.

El machine learning o aprendizaje automático es una rama de la inteligencia artificial que permite que las máquinas aprendan a llevar a cabo procesos sin ser expresamente programadas para ello. En ese sentido, los satélites meteorológicos, y el inmenso y creciente volumen de datos que suministran, los convierten en candidatos perfectos para aplicar técnicas de machine learning que permiten reconocer patrones y estructuras relacionadas con los procesos atmosféricos de manera rápida y efectiva.

El SAF de Nowcasting es un consorcio formado por los Servicios Meteorológicos Nacionales de Francia, Austria, Suecia, Rumanía y España, liderado por AEMET y cofinanciado por EUMETSAT (Organización Europea para la Explotación de Satélites Meteorológicos). Su objetivo es la obtención de productos de satélite para su aplicación en la predicción inmediata y a muy corto plazo. Ejemplos de su trabajo son productos como la cobertura nubosa, tipo de nube o intensidad de precipitación, obtenidos a partir de las medidas realizadas por el satélite geoestacionario Meteosat.

El objetivo la competición Weather4cast es realizar, una predicción a corto plazo basada en datos proporcionados por el SAF de Nowcasting usando modelos de machine learning. La inscripción ya está abierta y todos los interesados en participar pueden registrarse a través de esta página web. Los ganadores de la competición, que finalizará el 31 de mayo, tendrán que publicar el código y una descripción del modelo desarrollado


Detalle de la web que aloja la competición 'Weather4cast'.

El 30% del presupuesto anual de AEMET en satélites meteorológicos

Para poder realizar una descripción precisa del estado de la atmósfera y de los fenómenos que en ella se desarrollan es imprescindible disponer de los mejores datos de observación posibles.

Mejorar los sistemas de observación meteorológica implica invertir en satélites meteorológicos. La contribución de España a los programas de satélites meteorológicos de EUMETSAT supone cerca de 33 millones de euros al año de los fondos de AEMET, lo que supone aproximadamente el 30% del presupuesto anual de la Agencia.

Iniciativas como esta buscan optimizar el beneficio de la información satelital para mejorar las acciones sobre observación del Clima que AEMET desarrolla en el Plan Nacional de Adaptación al Cambio Climático.

Te puede interesar

Redacción iAgua

La redacción recomienda