En un avance significativo en la tecnología de pronóstico del tiempo, Google DeepMind ha introducido gráficocast, un modelo innovador de aprendizaje automático. Esta herramienta de IA marca un avance sustancial, ya que ofrece predicciones más precisas y rápidas que los métodos existentes, desafiando el dominio de los modelos convencionales de predicción numérica del tiempo (PNT).

Revolucionando la predicción del tiempo

GraphCast funciona eficientemente en una computadora de escritorio, un marcado contraste con los modelos NWP que dependen de supercomputadoras, que consumen mucha energía y costos. El modelo de IA, descrito en Science el 14 de noviembre, aprovecha datos meteorológicos pasados ​​y presentes para predecir rápidamente las condiciones meteorológicas futuras.

Esta innovación llega en un momento en que el pronóstico meteorológico preciso es cada vez más crucial, dados los desafíos globales que plantean el cambio climático y los fenómenos meteorológicos extremos. Los modelos tradicionales de PNT, aunque precisos, exigen amplios recursos computacionales para mapear el movimiento del calor, el aire y el vapor de agua a través de la atmósfera.

La ventaja de GraphCast sobre los modelos convencionales

Desarrollado en el laboratorio de DeepMind en Londres, GraphCast se ha entrenado utilizando datos meteorológicos globales históricos de 1979 a 2017. Utiliza este vasto conjunto de datos para comprender las correlaciones entre varios elementos climáticos, como la temperatura, la humedad, la presión del aire y el viento. Sus capacidades predictivas se extienden hasta con 10 días de anticipación, ofreciendo pronósticos en menos de un minuto, un proceso que lleva varias horas con el sistema de pronóstico RESolution (HRES), parte del NWP del ECMWF.

En particular, en la troposfera (la capa atmosférica más cercana a la superficie de la Tierra), GraphCast supera al HRES en más del 99% de 12.000 mediciones. Predice con precisión cinco variables climáticas cerca de la superficie de la Tierra y seis variables atmosféricas en altitudes más altas. Esta competencia se extiende al pronóstico de fenómenos meteorológicos severos, incluidos ciclones tropicales y fluctuaciones extremas de temperatura.

Una ventaja comparativa

La superioridad de GraphCast no es sólo frente a los modelos convencionales, sino que también destaca entre otros enfoques impulsados ​​por la IA. En comparación con el modelo meteorológico Pangu de Huawei, GraphCast mostró un mejor rendimiento en el 99% de las predicciones meteorológicas, según un estudio anterior de Huawei. Sin embargo, es importante tener en cuenta que las evaluaciones futuras que utilicen diferentes métricas podrían arrojar resultados variados.

Conclusión

GraphCast supone un paso transformador en la previsión meteorológica, al ofrecer predicciones rápidas y precisas con demandas computacionales reducidas. A medida que la tecnología evolucione y supere sus limitaciones actuales, promete ayudar significativamente a los estudios meteorológicos y a la toma de decisiones en el mundo real relacionadas con actividades que dependen del clima. Con una proyección de dos a cinco años antes de su integración en aplicaciones prácticas, GraphCast allana el camino para una nueva era en la predicción del tiempo, combinando métodos tradicionales con la destreza innovadora de la IA.

Revisar la Papel y Artículo de naturaleza. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 32k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.

Si te gusta nuestro trabajo, te encantará nuestra newsletter.

también estamos en Telegrama y WhatsApp.