Big Data e futuro nas predicións meteorolóxicas

O Big Data é a última ligazón na predición das condicións meteorolóxicas. En todo o mundo, miles de empresas, centros científicos, institucións, etc., están a usar o Big Data para atopar patróns onde estean, o big data. En meteoroloxía, unha ciencia que tamén ten unha enorme cantidade de datos, o Big Data tamén ten as súas útiles aplicacións. É ferramenta moderna e potente, pódese usar de múltiples xeitos. A pesar de ser nomeado como unha única cousa, podes acadar moitas predicións diferentes segundo o que esteas a buscar. Por suposto, tamén chegou á meteoroloxía e aquí ímosche a dicir que fai e como.

Primeiro de todo, lembrémolo anticipar o tempo sempre foi unha das necesidades primarias dos seres humanos. Hai miles de anos, as previsións meteorolóxicas eran moi importantes, incluso máis que hoxe, para a supervivencia. O desenvolvemento tecnolóxico non foi tan punteiro, calquera inestabilidade podería ter consecuencias graves. Aínda que sempre houbo esta necesidade de evitar o tempo, non foi ata a chegada de Aristóteles que podemos acuñar o termo meteoroloxía. Chamouno "meteorolóxico", nome que puxo ao seu libro, arredor do 340 a.C.

Big Data nas previsións

A lóxica do comportamento atmosférico non parou de desenvolverse dende entón. Cada vez máis rápido. Pasando polo termómetro que Galileo inventou en 1607, a simulacións por ordenador baseadas en datos recollidos por satélites. Agora mesmo estamos ante o Big Data, moitos coinciden niso é a ferramenta máis revolucionaria desde que existe internet e non é para menos. Como se dun futuro de ciencia ficción se tratase, hoxe podemos dicir que é real.

Como comentamos, o Big Data comeza a facerse cargo hoxe de dar ese outro punto de vista aos meteorólogos. Onde non podían ir ou crían que tiñan razón sen estar, Os datos masivos mostran o que estaba oculto ou desapercibido, tamén cun nivel de precisión nunca alcanzado. Hai empresas que xa ofrecen estes servizos na actualidade. Institucións, gobernos e empresas que fan uso do big data para anticiparse ao clima. Pero como é todo este proceso? Como se fai? Como nos beneficiamos? A continuación, veremos e comprenderemos como é posible todo este proceso de innovación tecnolóxica.

Como funciona o Big Data?

Aproximadamente, Big Data pon algo máis que mirar ao ceo para centrarse nos datos, e que se procesan correctamente. Para que poida entender máis na súa magnitude a implicación coa meteoroloxía, primeiro ten que explicar como funciona.

O Big Data ten o seu núcleo de funcionamento no que se chama 4 V's.

Volume

Isto significa a cantidade de datos. Toda esta cantidade de datos recollidos é o que se coñece como volume. Pode variar dependendo do que se aplique, ás veces temos moitos datos e outras "menos". É dicir, podemos pasar de 1.000 millóns de datos a varios billóns, dependendo do que se analice.

Acelerar

Quero dicir, a velocidade á que se xeran os datos. Veñen da necesidade de capturalos, almacenalos e procesalos. Cantas máis capturas de datos haxa, máis rápido se almacenan, máis hai que analizar. A velocidade ten a dobre importancia nas predicións meteorolóxicas, xa que os acontecementos ocorren en tempo real e deben procesarse o antes posible.

Variedade

Ás veces hai un formato de como proveñen eses datos, outras outras. Cada tipo de datos ten a súa propia clasificación. Noutras ocasións faltan algunhas (hai técnicas para solucionalo ou os erros serían enormes) e outras incluso aparecen en vídeo. Hai unha masa de datos moi diferente, que en Big Data é a encargada de poñer unha orde, unha lóxica a analizar ben. Por exemplo, as medidas de temperatura dun termómetro "non se poden" colocar no mesmo paquete que as medidas por satélite desde unha fronte.

Veracidade

Relacionado co paréntese do punto anterior. Significa que os datos finalmente quedan limpos, sen cousas "estrañas". Os equipos de xestión de Big Data deben ter un equipo imparcial adestrado para manter unha boa estrutura. As consecuencias dunha mala veracidade dos datos teñen efectos moi negativos. Para facerse unha idea, sería coma se un grupo de mecánicos rematase a reparación dun coche e esqueceran atornillar dúas rodas.

Exemplo sobre a veracidade dos datos

Temos moitos rexistros de moitas áreas. Imaxinemos que temos temperaturas, niveis de humidade, ventos, etc. Pero temos un fallo e faltan algúns rexistros de temperatura para algunha zona, por calquera motivo, e non podemos acceder a saber que temperatura se rexistrou. Temos un total de 30 datos, e dous deles, sen temperatura finalmente.

O que se podería facer, por exemplo, é calcular a temperatura media desas rexións para determinar con precisión a temperatura posible coa que se pode contar no rexistro que falta, pero tamén con marxes de erro moi pequenas. Os valores son pezas de reposición, e entón pódese poñer en práctica o cálculo. Se faltaran estes datos, os ordenadores non os terían recoñecido, creando un buraco negro nos datos e predicións totalmente equivocadas.

Como o consegues?

En meteoroloxía, como en calquera campo, os datos veñen en forma de variables. É dicir, cada un é procesado do xeito que lle corresponde. E aínda que pareza moi complicado e complicado, a tarefa faise "doada" para os analistas de Big Data. As variables que podemos rexistrar en meteoroloxía, aínda que aínda son datos, poden pertencer a distintas familias. É dicir, unha variable é calquera dato que se poida clasificar, pero non sempre son os mesmos.

A imaxe superior, cedida pola NASA, mostra o exemplo de correntes en todo o planeta. No caso da NASA, teñen un gran número de satélites que lles permiten observar e medir fenómenos en todo o mundo en tempo real.

Big Data pode ler todos os rastros que algo deixa sobre algo, e iso pódense considerar datos. Moitos cando pensan en Big Data, pensarán rapidamente cando usamos teléfonos móbiles, navegamos por Internet, facemos clic nunha páxina, mercamos un artigo en liña ou "nos gusta" en Facebook. Esa é só unha parte "pequena" pero densa, si, é moi fiable e está ben codificada. Pero á súa vez, deixamos un rastro físico / virtual, como a localización GPS de onde estamos, grazas aos teléfonos móbiles. Aquí xa comezamos a mesturar o mundo virtual co físico. E por suposto, os movementos físicos, as compras físicas, segundo a idade, o que elixamos, todo isto sempre está arquivadoe, por suposto, pode traducirse en máis e máis datos.

As variables poden ser categóricas

As variables categóricas son aquelas que representan valores ou variables limitadas que non necesariamente significan unha magnitude específica. Representan a calidade de algo que describen. Basicamente a súa particularidade é a limitación do que representan. Pódense clasificar en dous campos.

Variables categóricas nominais

Son aqueles que representar cousas no mesmo campo sen unha conexión lóxica cada un. Por exemplo: o nome das rexións que indican de onde son os rexistros, como a cidade, a comunidade autónoma, un código postal, etc.

Variables categóricas ordinais

Son aqueles que pode representar a magnitude de algo, como a escala de Douglas no nivel da onda, o nivel da escala coa que se poden clasificar os tornados segundo a súa magnitude, etc.

As variables poden ser numéricas

As variables numéricas son as que representan valores ou variables dentro dunha magnitude e poden ser medibles. Representan valores cuantitativos. A súa particularidade é que poden representar unha ampla gama de medidas en fenómenos meteorolóxicos. Clasifícanse de dúas maneiras

Variables Numéricas Continuas

As variables continuas son as que encárganse de medir algo establecido. Exemplos deles serían o índice de humidade, temperatura, velocidade do vento, cantidade de precipitacións, etc.

Variables numéricas discretas

Estes son os que están fan un seguimento de algo establecido. É dicir, o número de veces que choveu nun ano nunha rexión, o número de veces que nevou, etc.

Todas as variables son procesadas

Unha vez clasificadas todas as variables, procesanse grazas aos ordenadores, sempre supervisado por analistas de Big Data. Ata hai uns anos, a cantidade de datos dispoñible, a pesar de ser un número moi grande, non había problemas para ser analizados polos analistas de datos. Non obstante, a análise de Big Data é a responsable da análise destes datos masivos os procesos de análise que foron comúns ata hoxe, levarían moito tempo (falamos incluso de días) para dar unha resposta Non só iso, o Big Data é máis eficiente e preciso ao "xogar" coas variables entre elas.

Todo isto ten orixe o que comentamos anteriormente sobre os 4 V de Big Data, logrando velocidade, fiabilidade e modelos meteorolóxicos que ofrecen previsións incriblemente precisas nun período de tempo super curto.

O Big Data como disciplina nacente

Un bo exemplo sería falar da empresa ACCIONA, que ten un Centro de control de enerxías renovables (CECOER). É o centro máis grande do mundo onde o obxectivo é ofrecer solucións en tempo real dos millóns de datos que se recollen das súas instalacións, tanto de biomasa, eólica como de enerxía solar. Produce uns 3000 horarios anuais que levan todos estes datos para axustalos á demanda requirida. Outra vantaxe de CECOER é a recepción de incidentes que teñen nas súas instalacións, polo que o 50% delas resólvense de xeito remoto. O 50% restante fíxano fisicamente os operadores. Deste xeito, Acciona obtén a súa enerxía renovable, máis que ser unha enerxía alternativa, é hoxe unha solución.

Outro dato importante sobre o Big Data na actualidade é a escaseza de científicos de datos. É un campo nacente, e iso topou con certos estándares preconcebidos. ¿Pode o Big Data realmente axudar tanto na evolución das previsións, informar das vantaxes ás empresas, poder anticipar tantas cousas e xustificar o custo da análise do big data? Si, pero é algo que se viu pouco a pouco. A crecente demanda de científicos de datos foi paralela aos resultados e entendendo a necesidade deles en todos os lugares. É certo que xa hai moitos equipos de Big Data traballando, con resultados espectaculares, pero é agora mesmo onde descubrimos que hai unha maior demanda. Os analistas de Big Data están sendo moi buscados.

Por conseguinte, estamos a vivir a revolución que implican no desenvolvemento, pero dende o principio. Como calquera industria, agora estamos testemuñando o seu potencial, pero non se desenvolveu completamente, isto é algo que o tempo nos ten reservado. Unha cousa xa é evidente, o seu potencial actual, a outra, ata onde pode chegar. Os teus resultados non nos deixarán indiferentes.

The Weather Company de IBM é unha empresa privada que ofrece ata 26 millóns de previsións diarias sobre o tempo. IBM destacou desde o principio, tamén xunto con Google, por ser unha das empresas máis pioneiras na materia. The Weather Company está moi comprometido coa xente, tomando decisións informadas sobre o tempo. É a rede máis grande do mundo desde estacións meteorolóxicas persoais. As marcas máis importantes do mundo en aviación, enerxía, seguros, medios e goberno dependen de The Weather Company para obter datos, plataformas tecnolóxicas e servizos.

Big Data contra o cambio climático

Pulso Mundial das Nacións Unidas, unha iniciativa de big data do Nacións Unidas e Western Digital Corporation, asinaron unha alianza para loitar xuntos contra o cambio climático. Este proxecto liderado pola ONU e Western Digital Corp., reúne a científicos da innovación dixital de todo o mundo para atacar o problema dunha forma máis eficiente. Entre eles, atopamos colaboradores de sectores moi diferentes entre eles. BBVA, Orange, Planet, Plume Labs, Nielsen, Schneider Electric, Waze ... son algúns dos que participan neste proxecto.

Tamén atopamos o Centro de Supercomputación de Barcelona (BSC), é o cuarto modelo da serie MareNostrum. Un supercomputador para a análise de Big Data clave en moitos campos, entre eles tamén está a loita polo cambio climático. Púxose en funcionamento a finais de xuño deste 2017. É o terceiro ordenador máis rápido de Europa, realizouse un investimento nela para a súa instalación de 34 millóns de euros polo Ministerio de Economía, Industria e Competitividade de España. Ten unha capacidade de 14 Petabytes, é dicir, 14 millóns de Gigabytes. Alcanza os 11,1 Petaflops, é dicir, a barbaridade de 11.100 millóns de operacións por segundo.

Big Data no futuro da meteoroloxía e nas nosas vidas

Nun mundo cambiante, onde os cambios son cada vez máis rápidos e cada vez máis sorprendentes, é difícil predicir o futuro de algo. O que sabemos con certeza é iso Big Data chegou para quedarse, e que as previsións feitas tanto meteorolóxicas como noutras zonas nos deixan perplexos. Algúns seguirán sendo escépticos, outros negarano, outros verano como algo afastado. Pero a verdade é que xa vivimos con el.

Ata o día de hoxe sabemos que o Big Data anticipa moitas choivas, tempadas de furacáns e incluso con moita precisión o número de medallas que un país pode gañar nos Xogos Olímpicos. Tamén anticipa quen, onde e cando se cometerá un delito (se alguén viu a película "Minority Report", isto pasoulles pola cabeza, non?). Big data avanza rapidamente cara ao futuro de moitas áreas, e é que incluso Amazon comeza a anticipalo e recentemente comezou a facer envíos incluso antes de que os clientes fagan compras. O futuro era ata hoxe, moitas veces incerto. Pero está cambiando o futuro é previsible.

Sabemos que o seu potencial medrará. Quen sabe, pode ser precipitado anticipar quen anticipa (Big Data) algo. Pero con datos suficientes, Será capaz o Big Data de anticiparse ao clima global cunha enorme expectación? Si. Así como podes adiantar que as nosas accións darían escenarios diferentes aos dados anteriormente, porque calquera acción ten o seu eco no futuro e o Big Data sábeo e revalúao, dando outro novo escenario.

Todo se pode anticipar. ¿Poderemos saber nun futuro próximo que nos pasará? Que problemas teremos? Cando e onde atacará un furacán? Que imos ter para seguir resolvéndoo? A medida que melloran as técnicas, os ordenadores melloran a eficiencia e a velocidade, este campo segue a desenvolverse ... Probablemente é que, en vez de responder a "quen sabe", quizais o máis adecuado sexa dicir "preguntemos ao Big Data".

BA Partners | Actualización de Willis | POT