Además de las propias lluvias que genera la oscilación, ¿por qué es importante predecir su comportamiento?

Además de dejar más o menos precipitaciones, influye en los monzones de verano del oeste de África y de la India. Y yendo más allá, tiene una conexión bidireccional con El Niño (El Niño es influido por la MJO y al revés).

Lo que hace que está oscilación de Madden-Julian sea más complicada de predecir es que a veces está activa y a veces inactiva, como si tuviera un interruptor. Para indicarnos si la MJO está activa o no, miramos un índice, llamado RMM, que sirve para indicarnos si este fenómeno está activo o no. Mi tesis consiste en mejorar la predicción de este índice, utilizando un enfoque de Machine Learning.

¿Podrías contarnos un poco más de detalle?

Para aquellas personas que quieran meterse en detalles técnicos, hay un paper que hemos publicado en npj Climate and Atmospheric Science. En este paper aplicamos dos enfoques para la predicción. El primer enfoque es de Machine Learning puro: empleo un tipo concreto de redes neuronales, intentando mantener unas redes neuronales lo más simple posible. Como es de esperar, el desempeño de estas redes por sí solas no supera al de los modelos climáticos. Esto es normal, porque los modelos climáticos llevan detrás toda la física de la atmósfera, y por tanto simulan la realidad. Sin embargo, este enfoque de Machine Learning sí que supera a otros métodos más simples. Además, comparado con los modelos climáticos, que son computacionalmente muy pesados, el enfoque de Machine Learning es mucho más ligero.

Este primer enfoque encaja muy bien en una de las eternas discusiones que vemos en el ámbito de la Inteligencia Artificial: la rivalidad amistosa entre la gente que opina que es mejor utilizar modelos numéricos y los que opinan que es mejor aplicar Machine Learning, Deep Learning u otras técnicas. ¿En qué parte de este espectro te situarías?

Como todo, depende de la aplicación concreta. En mi caso, para las simulaciones de clima y meteo… creo que es mejor tirar por la calle de enmedio y dejar que cada técnica aporte su mejor parte. Me explico: los modelos numéricos simulan muy bien la física que hay detrás de fenómenos atmosféricos, y nos dan una información muy valiosa. Por tanto, tiene sentido que usemos estos modelos como una primera aproximación, en vez de gastar tiempo y recursos en que una red neuronal “aprenda de cero” estos fenómenos. No tiene sentido poner este peso de aprendizaje en la red cuando ya conocemos esa física. 

Este es justo el segundo enfoque que exploramos en el paper. Tomamos de partida un modelo numérico, e intentamos mejorar sus predicciones, post procesando con Machine Learning. En concreto utilizamos el mejor modelo numérico que hay actualmente, desarrollado por el ECMWF, que tiene la mejor skill de predicción para la oscilación de Madden-Julian. Entonces tomamos una red neuronal (feed-forward neural network) y la entrenamos para que corrija los resultados del modelo. El resultado es un post proceso que mejora la predicción del modelo numérico y que también es mejor que otros tipos de postprocesado más clásicos, como una regresión lineal múltiple.

Otro aspecto interesante es que hemos visto que también mejora un aspecto muy concreto de la predicción: cuando la oscilación de Madden-Julian está a punto de entrar en el continente marítimo, la física se vuelve más compleja, y la habilidad de predicción de los modelos numéricos cae. Es justo en este punto en el que la corrección con Machine Learning tiene el mayor efecto, porque llega a corregir bastante bien esta caída del skill.

En resumen, creo que lo más útil es dedicar recursos a mejorar las dos cosas: mejorar los modelos numéricos a medida que vamos descubriendo nuevos aspectos de la física que hay detrás; y mejorar el post proceso de Machine Learning, que cubren esa última distancia entre modelos y realidad, para hacer predicciones más precisas.

Vamos a cambiar de tema, para hablar de otro de los focos de interés de tus investigaciones: la causalidad. ¿Nos puedes explicar un poco de dónde parte tu interés?

En nuestro día a día, normalmente no tenemos problema en ver la causalidad directamente. Si pegamos una patada a una pelota, sale disparada. Sin embargo, cuando nos movemos en ámbitos más abstractos o complejos… la causalidad cuesta un poco más de ver.
El ejemplo perfecto lo tenemos en el tiempo atmosférico: son sistemas complejos, con multitud de partes individuales que interaccionan entre sí y tienen efectos que no podríamos saber estudiando cada parte por separado.