La naturaleza opina: 8 minutos para predecir el tiempo mundial de 15 días, la IA de DeepMind supera al sistema de predicción meteorológica más avanzado del mundo

Nature重磅:8分钟预测15天全球天气,DeepMind AI击败全球最先进天气预报系统

 

Los datos de la Organización Meteorológica Mundial (OMM) muestran que elEn los últimos 50 años se ha producido de media una catástrofe meteorológica, climática o relacionada con las inundaciones al día, con el resultado de 115 muertes y 202 millones de dólares en pérdidas económicas cada día.
Por lo tanto.Creación de un sistema de previsión meteorológica más precisoque contribuirá a salvar millones de vidas y a reducir billones de dólares en pérdidas económicas.de gran importancia.
Sin embargo, la predicción meteorológica tradicional se basa en algoritmos numéricos de predicción meteorológica (NWP), que tienen una alta complejidad computacional y una construcción de modelos que lleva mucho tiempo, lo que dificulta la generación rápida de previsiones. La predicción meteorológica basada en el aprendizaje automático (MLWP, por sus siglas en inglés) ha logrado avances en la eficiencia y la precisión de una sola previsión, pero no es tan buena como el sistema de previsión integrado NWP a la hora de cuantificar la incertidumbre de la previsión y tratar correlaciones espaciales y temporales complejas.
Hoy.GenCast, un modelo de inteligencia artificial (IA) desarrollado por un equipo de investigadores de Google DeepMind, ha llevado la predicción meteorológica a un nivel completamente nuevo de precisión y eficiencia--
GenCast es capaz de generar un conjunto de previsiones globales estocásticas a 15 días en menos de 8 minutos, en pasos temporales de 12 horas, con una resolución de 0,25°, cubriendo más de 80 variables atmosféricas y de superficie, y superando a las mejores previsiones globales actuales de medio alcance en el 97,21 TP3T de las métricas evaluadas (1.320 métricas en total) - el conjunto (ENS) del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF) - con mejores distribuciones de previsiones marginales y conjuntas. El conjunto de previsiones (ENS) del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF) es actualmente la mejor previsión a plazo medio del mundo en el 97,21 TP3T de las métricas evaluadas (1.320 métricas en total), con mejores distribuciones marginales y conjuntas de las previsiones.
Además, GenCast es más eficaz en la previsión de condiciones meteorológicas extremas (por ejemplo, altas temperaturas, fuertes vientos), rutas de ciclones tropicales y producción de energía eólica.
Los documentos de investigación relacionados están disponibles como "Predicción meteorológica probabilística con aprendizaje automático" se ha publicado en la prestigiosa revista científica Naturaleza Arriba.
Nature重磅:8分钟预测15天全球天气,DeepMind AI击败全球最先进天气预报系统

GenCast: previsiones meteorológicas más rápidas y precisas

Nature重磅:8分钟预测15天全球天气,DeepMind AI击败全球最先进天气预报系统

Fig. |Diagrama esquemático de GenCast generando previsiones meteorológicas.

Nature重磅:8分钟预测15天全球天气,DeepMind AI击败全球最先进天气预报系统

Figura | La distribución marginal de las previsiones de GenCast es hábil y está bien calibrada.

Nature重磅:8分钟预测15天全球天气,DeepMind AI击败全球最先进天气预报系统

GenCast supera a ENS en la previsión regional de vientos y ciclones tropicales.

GenCast es un nuevo modelo probabilístico de previsión meteorológica que genera una serie de posibles escenarios meteorológicos utilizando un modelo de difusión condicional.. Su principal capacidad consiste en modelizar distribuciones de probabilidad condicionales de los estados meteorológicos futuros, es decir, generar previsiones futuras basadas en los estados meteorológicos actuales y anteriores. Este enfoque permite a GenCast proporcionar previsiones meteorológicas probabilísticas globales a 15 días con mayor rapidez y precisión.
Específicamente.La arquitectura de GenCast consta de tres módulos: codificador, procesador y decodificador.El codificador mapea el estado meteorológico inicial en una rejilla esférica dividida finamente 6 veces. El codificador mapea el estado meteorológico inicial en una rejilla esférica finamente dividida seis veces, y el procesador pasa el gráfico transformador Se captan las complejas correlaciones espaciotemporales entre los nodos de la cuadrícula, mientras que el descodificador reasigna los resultados a la cuadrícula global de latitud/longitud para generar la previsión meteorológica final.

Además, el equipo entrenó GenCast con los datos del reanálisis ERA5, un conjunto de datos que contiene los mejores análisis de estimaciones meteorológicas a escala mundial durante un periodo de 40 años, lo que garantiza la capacidad del modelo para generalizar y proporcionar un conocimiento profundo de los patrones meteorológicos históricos.
Para evaluar el rendimiento de GenCast en el mundo real, el equipo de investigación lo comparó con los sistemas y modelos más avanzados. Para garantizar una comparación equitativa, todos los modelos se inicializaron a partir de datos ERA5 con una resolución uniforme de 0,25°.
En los experimentos realizados frente a otros sistemas, GenCast genera muestras meteorológicas que se aproximan más a las observaciones reales, y la distribución de las previsiones abarca una amplia gama de escenarios posibles, lo que proporciona a los usuarios una comprensión más completa de los riesgos potenciales. Por ejemplo, las previsiones de GenCast poco antes de que el tifón Hibes tocara tierra en Japón fueron muy claras, con un espectro de potencia armónico esférico que se aproximaba mucho a la verdad sobre el terreno del ERA5 durante el periodo de previsión de 1 a 15 días.
Después de eso.El equipo de investigación evaluó la capacidad general de previsión, la calibración y el rendimiento de GenCast y ENS en la previsión de fenómenos meteorológicos extremos.es decir, el rendimiento marginal de las previsiones. Las previsiones marginales, como pronósticos específicos de las condiciones meteorológicas en un momento y lugar determinados, son el centro de los servicios meteorológicos diarios.
GenCast presenta grandes ventajas de rendimiento en este ámbito. Genera distribuciones de previsión que reflejan con mayor precisión los posibles escenarios meteorológicos, no sólo proporcionando previsiones de variables como la temperatura, la velocidad del viento y la presión barométrica que son altamente compatibles con los datos reales, sino también cuantificando eficazmente la incertidumbre de la previsión mediante una calibración probabilística mejorada.
Estudios específicos han demostrado queGenCast supera a ENS en la previsión de distribuciones marginales de múltiples variables meteorológicasEn una prueba que abarcaba 1.320 objetivos de evaluación, GenCast obtuvo puntuaciones de destreza (CRPS) superiores a 97,2%, especialmente eficaces en las previsiones a corto plazo (de 1 a 5 días).
Mientras tanto.GenCast también destaca en la previsión de condiciones meteorológicas extremas, como altas temperaturas y fuertes vientos.. El estudio utilizó puntuaciones de habilidad de Brier y curvas de valor económico relativo (REV) para medir el rendimiento del modelo. Los resultados muestran que GenCast supera significativamente a ENS en la previsión de eventos de alta temperatura (99,991 cuantiles TP3T) y de temperaturas extremadamente bajas (0,011 cuantiles TP3T).
Además.Las previsiones de distribución marginal de GenCast muestran buenas calibracionesEsto significa que es capaz de identificar con precisión posibles errores o sesgos en la previsión y proporcionar a los usuarios un apoyo más fiable a la hora de tomar decisiones meteorológicas.

Además de las previsiones marginales, GenCast ha demostrado un impresionante rendimiento en las previsiones conjuntas. Las previsiones conjuntas se centran en las correlaciones espaciales y temporales entre variables meteorológicas, lo que resulta crucial para captar la dinámica de los sistemas meteorológicos globales. Por ejemplo, en la previsión de trayectorias de ciclones tropicales, la trayectoria de un ciclón tropical no sólo depende de una única variable, sino que también debe tener en cuenta múltiples niveles de interacciones atmosféricas. GenCast es capaz de generar muestras meteorológicas espacial y temporalmente coherentes que captan con precisión estas complejas correlaciones para producir previsiones exactas.
En particular, el estudio analiza el rendimiento de GenCast en el caso del tifón Hibiscus. La previsión de la trayectoria del tifón muestra que el rango de evaluación de la incertidumbre de GenCast cubre más escenarios posibles y su error en la predicción de la posición de la trayectoria es significativamente menor que el de ENS y, lo que es más importante, el rango de incertidumbre de GenCast converge con un tiempo de previsión más corto, lo que proporciona a los responsables de la toma de decisiones información más precisa sobre la hora y la ubicación del aterrizaje.
Además, en la previsión regional del viento, GenCast convierte los datos de velocidad del viento de 10 metros en producción de energía eólica, lo que mejora la precisión de la previsión en 20% en comparación con ENS, especialmente en escalas temporales cortas, y ofrece nuevas posibilidades para el despacho de energía renovable.

Aunque GenCast ha logrado un doble avance en precisión y eficacia, aún queda margen para una mayor optimización. Por ejemplo, podría mejorarse la resolución para adaptarla a futuras actualizaciones del sistema ENS, o podría reducirse el coste computacional mediante destilación. Además, un ajuste fino con datos operativos o la incorporación de tratamientos de condiciones iniciales NWP más tradicionales podrían aumentar significativamente su utilidad.

¿Cómo está cambiando la IA el futuro de las previsiones climáticas?

La IA siempre ha suscitado grandes esperanzas en el campo de la previsión meteorológica como "una alternativa más rápida y barata para mejorar la predicción de fenómenos meteorológicos extremos".Además de Google, empresas tecnológicas y universidades, como Huawei y la Universidad de Tsinghua, han realizado importantes avances en este sentido.
Julio de 2023El modelo Pangu-Weather, desarrollado por Huawei Cloud, apareció en el NaturalezaUtiliza 39 años de datos meteorológicos reanalizados a escala mundial como datos de entrenamiento, y su precisión de previsión es comparable a la del IFS, el mejor sistema numérico de predicción meteorológica del mundo, y más de 10.000 veces más rápido que el IFS con la misma resolución espacial.
Publicado simultáneamente en Naturaleza Otro documento sobre el tema describe la NowcastNetEl modelo combina leyes físicas y aprendizaje profundo para pronosticar precipitaciones en tiempo real. nowcastNet obtiene buenos resultados en pronósticos de proximidad y, basándose en observaciones de radar, puede pronosticar precipitaciones de alta resolución en un área de 2048 km × 2048 km con hasta 3 horas de antelación. Basándose en datos de radar, nowcastNet puede pronosticar precipitaciones de alta resolución en un área de 2048 km × 2048 km con hasta 3 horas de antelación.
Noviembre de 2023Google DeepMind lanza GraphCast, un modelo de previsión meteorológica basado en aprendizaje automáticoEl modelo puede pronosticar cientos de variables meteorológicas para los próximos 10 días en menos de un minuto con una resolución global de 0,25°, superando con creces los métodos tradicionales de previsión meteorológica y obteniendo buenos resultados en la previsión de fenómenos extremos. El trabajo de investigación se ha publicado en la prestigiosa revista científica Ciencia Arriba.
En marzo de 2024, el equipo de Previsión de Inundaciones de Google Research desarrolló un modelo de IA entrenado con datos de 5.680 aforos para predecir la escorrentía diaria de cuencas no aforadas en un plazo de siete días.El modelo superó a GloFAS, el principal sistema mundial de alerta de inundaciones de la época, en la previsión para el mismo día y en la previsión del fenómeno meteorológico extremo de 1 en 5 años.Se han publicado trabajos de investigación relacionados en destacadas revistas científicas Naturaleza Arriba.
Julio de 2024El equipo de Google Research y sus colaboradores han lanzado NeuralGCM, un modelo de predicción meteorológica y simulación climática.La precisión del modelo es comparable a la del modelo ECMWF para las previsiones meteorológicas a corto plazo de 1 a 15 días y supera a los modelos existentes para las previsiones de ciclones y las simulaciones de trayectorias. Con la inclusión de la temperatura del nivel del mar, las previsiones climáticas a 40 años del modelo son muy coherentes con la tendencia al calentamiento global. NeuralGCM puede generar 22,8 días de simulaciones atmosféricas en 30 segundos de tiempo de cálculo. La investigación se ha publicado en la destacada revista científica Naturaleza Arriba.
Se cree que, en un futuro próximo, la predicción meteorológica impulsada por la IA desempeñará un papel más importante en la alerta de catástrofes, la planificación energética y la adaptación climática con mayor rapidez y precisión, y proporcionará una herramienta más poderosa a la humanidad para hacer frente a los retos climáticos, cada vez más complejos.

© declaración de copyright

Artículos relacionados

Sin comentarios

Debe iniciar sesión para participar en los comentarios.
Acceder ahora
ninguno
Sin comentarios...