Gracias a su capacidad para analizar grandes volúmenes de información y extraer conclusiones que serían difíciles o imposibles de obtener con métodos tradicionales, la IA se ha convertido en una herramienta clave en numerosos campos. En este artículo del blog os explicaremos cómo hemos aplicado la IA para mejorar la estimación de la lluvia que realizamos a partir de antenas de telecomunicaciones. Gracias a este enfoque, hemos conseguido diferenciar con gran precisión la precipitación real de falsas detecciones provocadas por fenómenos como la niebla o la condensación, lo que se traduce en mediciones más fiables y útiles para la monitorización meteorológica en tiempo real.
¿Como podemos medir la lluvia utilizando antenas de telecomunicaciones?
La lluvia forma parte de nuestra vida cotidiana, pero también es un elemento clave para la agricultura, la gestión del agua, la prevención de inundaciones y el estudio del cambio climático. Saber cuánto llueve, dónde y cuándo, es fundamental para tomar decisiones informadas en muchas áreas. Para medir la precipitación lo más habitual es el uso de estaciones meteorológicas o de radares meteorológicos.
Sin embargo, la distribución de los pluviómetros puede ser limitada o inexistente en algunas zonas del mundo, al igual que el área cubierta por los radares meteorológicos. Por ello es interesante obtener otras fuentes de medición de la precipitación alternativas. De cara a solucionar estas limitaciones de los métodos tradicionales, en Meteoclim hemos desarrollado y aplicado algoritmos para estimar la precipitación a partir de las señales de torres de telecomunicaciones para crear una red de pluviómetros virtuales que permite tener datos de lluvia en tiempo real y a una resolución a nivel de calle.
Cuando llueve, las gotas de agua interfieren con las señales de microondas que se transmiten entre antenas de telefonía móvil y la señal se atenúa al atravesar la lluvia. Cuanto más intensa es la lluvia, mayor es la atenuación. Aprovechando este principio físico, es posible estimar cuánta lluvia cae analizando cuánto se ha debilitado la señal entre dos torres. Este método convierte una infraestructura ya existente (la red móvil) en una herramienta útil para observar la lluvia de forma continua y en tiempo real.
El cálculo de la precipitación utilizando las señales de los radioenlaces no es un proceso trivial. Aunque la atenuación de la señal suele estar relacionada con la intensidad de la lluvia, no toda atenuación es debida a la lluvia. Existen otros fenómenos atmosféricos que también afectan a la señal y pueden llevar a falsas detecciones de lluvia.
Uno de los principales problemas es la condensación de agua sobre las antenas, especialmente durante las primeras horas del día, cuando el rocío se acumula en las superficies frías. Otro fenómeno común es la presencia de niebla densa entre las dos antenas del radioenlace. Ambos casos provocan que la señal se debilite, y los algoritmos pueden detectar una lluvia que no es real.
Este tipo de interferencias representan un desafío importante para los métodos tradicionales de estimación de lluvia, que no son capaces de distinguir entre una atenuación causada por precipitación real y otra provocada por humedad ambiental. La consecuencia es que se sobreestima la cantidad de lluvia, lo que puede afectar negativamente a estudios meteorológicos, modelos hidrológicos y sistemas de alerta temprana.
Nuestra solución basada en inteligencia artificial
La clave para distinguir entre lluvia real y rocío o niebla es la forma de la atenuación de la señal: cuando llueve, generalmente se observa una caída súbita de potencia de la señal, mientras que cuando aparece niebla o condensación la caída es mucho más suave porque estos fenómenos se forman de manera más progresiva que la lluvia.
A continuación se muestra un ejemplo de serie temporal de potencias de un radioenlace entre los días 3 y 6 de diciembre de 2024. Se muestran las potencias máxima, media y mínima (gráfico superior) y nuestro cálculo de la lluvia a partir de la señal (PV acc) comparado con los datos de la estación meteorológica más cercana al radioenlace (Station acc) y datos de radar meteorológico (Radar acc).
Se ha marcado en rojo una lluvia falsa (Dew, rocío en inglés) causada por una atenuación de la señal debido a rocío o niebla. A su derecha muestran lluvias reales durante el día 5, y se puede ver como nuestro algoritmo de cálculo de precipitación es muy parecido a los datos de radar y estación meteorológica.
La clave para detectar y clasificar la lluvia falsa, provocada por fenómenos como la condensación o la niebla, está en analizar con detalle la forma en que cae la potencia de la señal y cómo se calcula la lluvia a partir de ella. Estas falsas precipitaciones tienen patrones diferentes a la lluvia real, pero pueden ser difíciles de distinguir con métodos tradicionales, por ello se ha recurrido a técnicas de inteligencia artificial.
Los algoritmos de inteligencia artificial de redes neuronales son especialmente útiles para detectar patrones. De manera resumida, una red neuronal es un sistema inspirado en el funcionamiento del cerebro humano, formado por muchas “neuronas” artificiales interconectadas. Estas redes pueden aprender a partir de ejemplos, identificando patrones complejos que serían muy difíciles de reconocer con métodos tradicionales. Durante un proceso llamado entrenamiento, la red ajusta sus conexiones internas para mejorar sus predicciones o clasificaciones, lo que le permite tomar decisiones cada vez más acertadas.
Para que nuestra red neuronal aprenda a detectar lluvias falsas, se le introdujeron una gran cantidad de series temporales con los errores previamente marcados. De esta manera, la IA ha sido capaz de aprender de los ejemplos reales, reconociendo los patrones específicos que indican falsas precipitaciones causadas por condensación o niebla. Actualmente somos capaces de detectar aproximadamente el 95% de lluvias falsas, y esperamos aumentar la precisión en el futuro con la incorporación de nuevos datos en el futuro para que la IA mejore.
A medida que se le presentan más datos, la red mejora continuamente su capacidad para distinguir entre lluvia verdadera y falsas señales, aumentando la precisión y reduciendo los errores en las estimaciones de precipitación. Este proceso de aprendizaje supervisado es fundamental para que la inteligencia artificial pueda adaptarse a las variaciones y particularidades de los diferentes escenarios atmosféricos.
A continuación se muestra un ejemplo del funcionamiento de la red neuronal aplicado a la serie temporal de un mes de un radioenlace. Al modelo se le introducen los datos de la señal del radioenlace y detecta automáticamente los errores. En el gráfico se han marcado en rojo, y coinciden perfectamente con la precipitación errónea. A parte del patrón característico, se ve que es lluvia falsa porque tanto la estación meteorológica como el radar no han detectado lluvia.
Conclusiones
El desarrollo y aplicación de nuestros modelos de inteligencia artificial representan una mejora significativa respecto a los algoritmos tradicionales utilizados para la estimación de lluvia a partir de las potencias de los radioenlaces. Además, estos modelos no solo permiten una estimación más precisa de la lluvia, sino que también habilitan la detección y clasificación de otros fenómenos meteorológicos relevantes, como el rocío o la niebla.
Con el objetivo de llevar estos avances al ámbito operativo, se ha desarrollado una versión del modelo capaz de funcionar en tiempo real. Para ello, se ha adaptado el modelo para que sea capaz de procesar ventanas de datos de 24 horas, permitiendo que el modelo reciba y procese los datos de manera secuencial a medida que se generan. Esta adaptación permite integrar el sistema en infraestructuras de monitorización continua, abriendo la puerta a aplicaciones prácticas como alertas tempranas o seguimiento meteorológico en directo.
Referencias
- Blog Meteoclim: Programa de investigación ENTROPY WEATHER para transformar las redes de telecomunicaciones en redes de observación meteorológica
- Zhang, Peng & Liu, Xichuan & Pu, Kang. (2023). Precipitation Monitoring Using Commercial Microwave Links: Current Status, Challenges and Prospectives. Remote Sensing. 15. 4821. 10.3390/rs15194821.
