GenCast predice el clima y los riesgos de condiciones extremas con precisión de última generación

El nuevo modelo de IA avanza en la predicción de incertidumbres y riesgos climáticos, ofreciendo pronósticos más rápidos y precisos con hasta 15 días de anticipación.

El clima nos impacta a todos: moldea nuestras decisiones, nuestra seguridad y nuestra forma de vida. A medida que el cambio climático genera fenómenos meteorológicos más extremos, los pronósticos precisos y confiables son más esenciales que nunca. Sin embargo, el tiempo no se puede predecir perfectamente y los pronósticos son especialmente inciertos más allá de unos pocos días.

Como no es posible realizar un pronóstico meteorológico perfecto, los científicos y las agencias meteorológicas utilizan pronósticos probabilísticos por conjuntos, en los que el modelo predice una serie de escenarios meteorológicos probables. Estos pronósticos conjuntos son más útiles que depender de un solo pronóstico, ya que brindan a quienes toman decisiones una imagen más completa de las posibles condiciones climáticas en los próximos días y semanas y de la probabilidad de cada escenario.

Hoy, en un periódico publicado en la naturalezapresentamos GenCast, nuestro nuevo modelo de conjunto de IA de alta resolución (0,25°). GenCast proporciona mejores pronósticos del tiempo diario y de eventos extremos que el principal sistema operativo, el Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF) ENS, hasta con 15 días de antelación. Publicaremos el código, los pesos y los pronósticos de nuestro modelo para respaldar a la comunidad de pronóstico del tiempo en general.

La evolución de los modelos meteorológicos de IA

GenCast marca un avance crítico en la predicción meteorológica basada en IA que se basa en nuestro anterior modelo meteorológicoque era determinista y proporcionaba una única y mejor estimación del tiempo futuro. Por el contrario, un pronóstico GenCast comprende un conjunto de 50 o más predicciones, cada una de las cuales representa una posible trayectoria meteorológica.

GenCast es un modelo de difusión, el tipo de modelo de IA generativa que sustenta los recientes y rápidos avances en imagen, video y generacion musical. Sin embargo, GenCast se diferencia de estos en que está adaptado a la geometría esférica de la Tierra y aprende a generar con precisión la compleja distribución de probabilidad de escenarios meteorológicos futuros cuando se le da el estado meteorológico más reciente como entrada.

Para entrenar a GenCast, le proporcionamos cuatro décadas de datos meteorológicos históricos del ECMWF. Archivo ERA5. Estos datos incluyen variables como la temperatura, la velocidad del viento y la presión a distintas altitudes. El modelo aprendió patrones climáticos globales, con una resolución de 0,25°, directamente a partir de estos datos meteorológicos procesados.

Estableciendo un nuevo estándar para el pronóstico del tiempo

Para evaluar rigurosamente el rendimiento de GenCast, lo entrenamos con datos meteorológicos históricos hasta 2018 y lo probamos con datos de 2019. GenCast mostró una mejor habilidad de pronóstico que el ENS de ECMWF, el principal sistema operativo de pronóstico conjunto del que dependen muchas decisiones nacionales y locales todos los días. .

Probamos exhaustivamente ambos sistemas, analizando pronósticos de diferentes variables en diferentes plazos de entrega: 1320 combinaciones en total. GenCast fue más preciso que ENS en el 97,2 % de estos objetivos y en el 99,8 % en plazos de entrega superiores a 36 horas.

Un pronóstico conjunto expresa incertidumbre al hacer múltiples predicciones que representan diferentes escenarios posibles. Si la mayoría de las predicciones muestran que un ciclón golpeará la misma zona, la incertidumbre es baja. Pero si predicen ubicaciones diferentes, la incertidumbre es mayor. GenCast logra el equilibrio adecuado, evitando exagerar o subestimar su confianza en sus pronósticos.

Un único Google Cloud TPU v5 tarda solo 8 minutos en producir un pronóstico de 15 días en el conjunto de GenCast, y cada pronóstico del conjunto se puede generar simultáneamente, en paralelo. Los pronósticos de conjuntos tradicionales basados ​​en la física, como los producidos por ENS, con una resolución de 0,2° o 0,1°, requieren horas en una supercomputadora con decenas de miles de procesadores.

Pronósticos avanzados para eventos climáticos extremos

Pronósticos más precisos de los riesgos de condiciones climáticas extremas pueden ayudar a los funcionarios a salvaguardar más vidas, evitar daños y ahorrar dinero. Cuando probamos la capacidad de GenCast para predecir calor y frío extremos y altas velocidades del viento, GenCast superó consistentemente a ENS.

Consideremos ahora los ciclones tropicales, también conocidos como huracanes y tifones. Obtener advertencias mejores y más avanzadas sobre dónde tocarán tierra es invaluable. GenCast ofrece predicciones superiores de las trayectorias de estas tormentas mortales.

Unas mejores previsiones también podrían desempeñar un papel clave en otros aspectos de la sociedad, como la planificación de las energías renovables. Por ejemplo, las mejoras en los pronósticos de la energía eólica aumentan directamente la confiabilidad de la energía eólica como fuente de energía sostenible y potencialmente acelerarán su adopción. En un experimento de prueba de principio que analizó las predicciones de la energía eólica total generada por grupos de parques eólicos en todo el mundo, GenCast fue más preciso que ENS.

Previsión climática y comprensión climática de próxima generación en Google

GenCast es parte del creciente conjunto de modelos meteorológicos basados ​​en IA de próxima generación de Google, incluido el basado en IA de Google DeepMind. pronósticos deterministas a mediano plazoy de Google Research NeuralGCM, SEMILLASy modelos de inundaciones. Estos modelos están empezando a potenciar las experiencias de los usuarios en la Búsqueda de Google y Maps, y a mejorar la previsión de precipitación, incendios forestales, inundación y calor extremo.

Valoramos profundamente nuestras asociaciones con agencias meteorológicas y continuaremos trabajando con ellas para desarrollar métodos basados ​​en inteligencia artificial que mejoren sus pronósticos. Mientras tanto, los modelos tradicionales siguen siendo esenciales para este trabajo. Por un lado, proporcionan los datos de entrenamiento y las condiciones climáticas iniciales que requieren modelos como GenCast. Esta cooperación entre la IA y la meteorología tradicional resalta el poder de un enfoque combinado para mejorar los pronósticos y servir mejor a la sociedad.

Para fomentar una colaboración más amplia y ayudar a acelerar la investigación y el desarrollo en la comunidad meteorológica y climática, hemos hecho de GenCast un modelo abierto y hemos lanzado su código y pesascomo hicimos con nuestro modelo determinista de pronóstico del tiempo global de mediano plazo.

Pronto publicaremos pronósticos históricos y en tiempo real de GenCast y modelos anteriores, que permitirán a cualquiera integrar estas entradas meteorológicas en sus propios modelos y flujos de trabajo de investigación.

Estamos ansiosos por colaborar con la comunidad meteorológica en general, incluidos investigadores académicos, meteorólogos, científicos de datos, empresas de energía renovable y organizaciones centradas en la seguridad alimentaria y la respuesta a desastres. Estas asociaciones ofrecen conocimientos profundos y comentarios constructivos, así como oportunidades invaluables de impacto comercial y no comercial, todo lo cual es fundamental para nuestra misión de aplicar nuestros modelos en beneficio de la humanidad.