Es posible que se haya perdido un gran avance en la revolución del pronóstico del tiempo de ML durante las vacaciones: GenCast: ¡el nuevo modelo generativo de Google DeepMind! No se puede subestimar la importancia del pronóstico meteorológico probabilístico en diversos dominios críticos como el pronóstico de inundaciones, la planificación del sistema energético y las rutas de transporte. Ser capaz de medir con precisión la incertidumbre en los pronósticos, especialmente en lo que respecta a eventos extremos, es fundamental para tomar decisiones bien informadas que involucran importantes consideraciones de costo-beneficio y estrategias de mitigación efectivas.
Tradicionalmente, el enfoque de la predicción probabilística implica la creación de conjuntos a partir de modelos basados en la física, que toman muestras de una distribución conjunta sobre trayectorias meteorológicas espacio-temporalmente coherentes. Sin embargo, este método puede resultar costoso desde el punto de vista computacional. Una alternativa atractiva es el uso de modelos de pronóstico de aprendizaje automático (ML) para generar conjuntos. Sin embargo, los actuales modelos de pronóstico ML de vanguardia para el clima a mediano plazo se centran principalmente en producir pronósticos deterministas que minimicen el error cuadrático medio.
A pesar de las mejores puntuaciones de habilidad asociadas con estos modelos, enfrentan una limitación en términos de falta de consistencia física. Esta limitación se vuelve más pronunciada cuanto más largos son los plazos, lo que afecta su capacidad para caracterizar con precisión la distribución conjunta de los fenómenos meteorológicos.
El artículo presenta un novedoso enfoque basado en el aprendizaje automático para el pronóstico meteorológico probabilístico conocido como GenCast. Este método innovador genera pronósticos conjuntos globales de 15 días que demuestran una precisión superior en comparación con el pronóstico conjunto operativo líder, a saber, el ENS del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF), al tiempo que requiere un tiempo de cálculo significativamente menor. GenCast opera modelando implícitamente la distribución de probabilidad conjunta del estado climático en el espacio y el tiempo. Funciona en una cuadrícula de 1° de latitud y longitud, utilizando pasos de tiempo de 12 horas, y representa seis variables de superficie y seis variables atmosféricas en 13 niveles de presión vertical.
La evaluación de los pronósticos de GenCast muestra que mantiene patrones detallados y coherencia en las predicciones meteorológicas. Las comparaciones con ENS indican que los conjuntos de GenCast son igual de confiables, si no más. GenCast es eficiente: puede crear un pronóstico de 15 días en aproximadamente un minuto utilizando Cloud TPU v4. Esto significa que es posible generar una gran cantidad de pronósticos (𝑁 miembros del conjunto) en poco tiempo con múltiples TPU. Esta eficiencia abre la posibilidad de utilizar conjuntos mucho más grandes en el futuro.
En un contexto más amplio, GenCast significa un avance significativo en el pronóstico del tiempo basado en el aprendizaje automático, demostrando una mayor competencia que el pronóstico conjunto operativo líder con una resolución de 1°. Este desarrollo marca un paso fundamental hacia el inicio de una nueva era de pronóstico conjunto impulsado por el aprendizaje automático, ampliando su relevancia y utilidad en una amplia gama de dominios. Además, de cara al futuro, GenCast ofrece una visión del potencial de adoptar el aprendizaje automático para revolucionar nuestra comprensión y predicción de patrones climáticos complejos, con implicaciones de gran alcance para diversas industrias y tomadores de decisiones.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Unirse nuestro SubReddit de 36k+ ML, 41k+ comunidad de Facebook, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro Canal de telegramas
Janhavi Lande, se graduó en Ingeniería Física del IIT Guwahati, promoción de 2023. Es una futura científica de datos y ha estado trabajando en el mundo de la investigación ml/ai durante los últimos dos años. Lo que más le fascina es este mundo en constante cambio y su constante exigencia de que los humanos se mantengan al día. En su pasatiempo le gusta viajar, leer y escribir poemas.