.jpg)
La predicció precisa de precipitacions intenses continua sent un dels majors desafiaments en la meteorologia operativa. Tradicionalment, els models numèrics de predicció del temps assimilen observacions de satèl·lits GNSS per capturar el vapor d'aigua atmosfèric a través del retard humit zenital (ZWD), una magnitud directament relacionada amb la humitat columnar. No obstant això, els models basats en machine learning d'última generació amb prou feines han explotat aquesta font de dades. Un estudi recent ha integrat per primera vegada el ZWD obtingut de GNSS a Aurora, un model fundacional de predicció meteorològica, aconseguint millorar significativament els pronòstics de pluja acumulada en sis hores, especialment en esdeveniments extrems. Els resultats mostren un increment del 8,8% en l'Equitable Threat Score per al percentil 99 i un espectre de potència de precipitació més realista a escales sinòptiques i planetàries. Aquest avenç demostra que les observacions directes de GNSS contenen informació valuosa que els models d'intel·ligència artificial poden aprofitar per anticipar fenòmens d'alt impacte.
Per a una empresa com Q2BSTUDIO, especialitzada en aplicacions a mida i intel·ligència artificial, aquest cas il·lustra com la integració de dades heterogènies amb tècniques de machine learning pot transformar sectors crítics. El desenvolupament de models que combinin senyals satel·litals amb arquitectures de deep learning requereix un programari robust i escalable, aspectes en els quals oferim serveis cloud AWS i Azure i solucions de ciberseguretat per protegir el flux de dades. Així mateix, la visualització i anàlisi d'aquests resultats poden enriquir-se amb eines de business intelligence com Power BI, i l'automatització de processos mitjançant agents IA agilitza la validació contínua dels models. En definitiva, la col·laboració entre la ciència de dades i el desenvolupament de programari a mida és clau per portar innovacions com aquesta a entorns operatius, millorant la capacitat de resposta davant esdeveniments climàtics extrems.
