El algoritmo logra en un horizonte de 12 horas interpretar cuatro tipos de situaciones meteorológicas con la finalidad de mejorar la operatividad del aeródromo madrileño.

El Aeropuerto Adolfo Suárez Madrid - Barajas movía, un año antes de la Covid-19, alrededor de unos 61 millones de pasajeros anuales. Una cifra demasiado importante como para verse afectada por situaciones meteorológicas adversas que provoquen disrupciones en el tráfico aéreo. Por ello, el estudio Ordinal regression algorithms for the analysis of convective situations over Madrid-Barajas airport, en el que participa la Universidad de Alcalá (UAH) junto a la Universidad Politécnica de Madrid (UPM), la Universidad de Córdoba (UCO) y la Universidad de Valladolid (UVA) es de suma importancia puesto que permite formular predicciones meteorológicas precisas en un horizonte temporal de 12 horas gracias a la incorporación de técnicas de inteligencia artificial. 

A partir de los datos otorgados por la estación de radiosonda Madrid-Barajas, gestionada por la Agencia Estatal de Meteorología (AEMET), y otras estaciones de la capital, se ha podido medir distintas variables como la temperatura, el viento o el contenido de vapor de agua. Así, el algoritmo es capaz de inferir cuatro tipo de situaciones meteorológicas: días soleados, días nublados, días con presencia de nubes convectivas y días con tormentas.  

El proyecto ideado por Sancho Salcedo (UAH), Sara Cornejo (URJC), Carlos Casanova (UPM), César Hervás, Pedro Antonio Gutiérrez y David Guijo (UCO), y Julia Sanz (UVA) recoge la información de los modelos tradicionales de predicción meteorológica. A la línea de tiempo se le ha añadido los datos históricos del aeropuerto madrileño del período de 2011 a 2015. Con esta cantidad de información en su base de datos, las técnicas de aprendizaje automático consiguen prevenir el estado de la atmósfera de forma más precisa y caracterizar mejor el problema. Además, el algoritmo SVORIM, el cual ha dado los mejores resultados en el proceso, puede ser utilizado en los ordenadores personales permitiendo una mayor agilización de las predicciones debido a su ubicuidad. Uno de los objetivos es contribuir a la toma de decisiones del personal de control aéreo que enfrenta estos acontecimientos. 

Con ello, se pretende anticipar sucesos que dificulten el tráfico aéreo o lo pongan en riesgo con momentos tan característicos como la espera en el aire, los retrasos en los vuelos o las cancelaciones de última hora, es decir, hechos que provocan que los pasajeros no puedan acceder a los aviones y se dificulte la correcta mecánica del aeropuerto, además del malestar por la espera y los riesgos. El aeródromo madrileño es el principal a nivel nacional y el sexto a escala europea, por lo que el modelo ayudará a la mejora de su óptimo funcionamiento.  

La iniciativa está enmarcada en el proyecto Hamlet (Hybrid Algorithms combining Machine-Learning and meta-hEurisTics for ordinal classification and prediction), un proyecto en el que colaboran la Universidad de Alcalá y la Universidad de Córdoba con el fin de obtener algoritmos predictivos para la evaluación de recursos energéticos renovables, climatología y meteorología y problemas de biomedicina. 

Referencias D. Guijo-Rubio, C. Casanova-Mateo, J. Sanz-Justo, P.A. Gutiérrez, S. Cornejo-Bueno, C. Hervás-Martínez y S. Salcedo-Sanz. "Ordinal regression algorithms for the analysis of convective situations over Madrid-Barajas airport", Atmospheric Research, Vol. 236, May, 2020, pp. 104798. DOI:10.1016/j.atmosres.2019.104798

Publicado en: Reportaje