Pronosticar el tiempo con precisión sigue siendo un desafío complejo debido a la incertidumbre inherente a la dinámica atmosférica y la naturaleza no lineal de los sistemas meteorológicos. Como tal, las metodologías desarrolladas deben reflejar los resultados más probables y potenciales, especialmente en la toma de decisiones de alto riesgo sobre desastres, gestión energética y seguridad pública. Si bien los modelos de predicción numérica del tiempo (PNT) ofrecen información probabilística a través de la predicción por conjuntos, son computacionalmente costosos y propensos a errores. Aunque los modelos de aprendizaje automático han resultado muy prometedores a la hora de ofrecer predicciones más rápidas y precisas, no representan la incertidumbre en las previsiones, especialmente en eventos extremos. Esto hace que los modelos basados en ML sean menos útiles en aplicaciones del mundo real.
Los modelos de conjuntos basados en la física, como el ENS del Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF), se basan en estas simulaciones para producir pronósticos probabilísticos. Estos modelos representan adecuadamente las distribuciones de pronóstico y las dependencias espaciotemporales conjuntas y requieren altos recursos computacionales e ingeniería manual. Por el contrario, el método basado en ML, como GraphCast o FourCastNet, se centra únicamente en pronósticos deterministas y minimizará los errores en el resultado medio sin considerar ninguna incertidumbre. Ninguno de los intentos de generar conjuntos probabilísticos por parte de MLWP produjo muestras realistas ni compitió con la precisión de los pronósticos operativos por conjuntos. Los enfoques híbridos como NeuralGCM incorporan parametrizaciones basadas en ML dentro de marcos tradicionales, pero tienen una resolución deficiente y un rendimiento limitado.
Investigadores de Google DeepMind lanzaron GenCast, un modelo probabilístico de pronóstico del tiempo que genera pronósticos conjuntos precisos y eficientes. Este modelo de aprendizaje automático aplica modelos de difusión condicional para producir trayectorias estocásticas del clima, de modo que los conjuntos constan de toda la distribución de probabilidad de las condiciones atmosféricas. De manera sistemática, crea trayectorias de pronóstico utilizando los estados anteriores a través de un muestreo autorregresivo y utiliza una red neuronal de eliminación de ruido, que está integrada con un procesador de transformador gráfico en una malla icosaédrica refinada. Utilizando 40 años de datos de reanálisis de ERA5, GenCast captura un rico conjunto de patrones climáticos y proporciona un alto rendimiento. Esta característica le permite generar un pronóstico global de 15 días con una resolución de 0,25° en 8 minutos, lo cual es un ENS de última generación en términos de habilidad y velocidad. La innovación ha transformado la predicción meteorológica operativa al mejorar tanto la precisión como la eficiencia de los pronósticos.
GenCast modela la distribución de probabilidad condicional de estados atmosféricos futuros mediante un enfoque basado en la difusión. Refina de forma iterativa los estados iniciales ruidosos utilizando una red neuronal de eliminación de ruido que comprende tres componentes principales: un codificador que convierte datos atmosféricos en representaciones refinadas en una cuadrícula de malla, un procesador que implementa un transformador de gráficos para capturar dependencias vecinales y un decodificador que mapea mallas refinadas. representaciones de nuevo a variables atmosféricas basadas en cuadrículas. El modelo funciona con una resolución de 0,25° de latitud y longitud, produciendo pronósticos a intervalos de 12 horas en un horizonte de 15 días. El entrenamiento con datos ERA5 de 1979 a 2018 fue un escalamiento de dos etapas de 1° a 0,25° de resolución. Es eficiente para generar conjuntos probabilísticos que lo diferencian de los enfoques tradicionales y basados en ML.
GenCast demostró un rendimiento superior en una amplia gama de métricas de evaluación, superando consistentemente al modelo ENS de última generación. Logró en el 97,2% de los campos seleccionados una precisión probabilística sustancialmente mejorada en variables atmosféricas clave como la temperatura y la humedad, hasta en un 30%. GenCast proporcionó predicciones más confiables para eventos atmosféricos extremos, incluidas olas de calor y ciclones; disminuyó la incertidumbre espacial del movimiento de los ciclones tropicales en aproximadamente 12 horas en tiempos de anticipación críticos. Además, con la asociación espaciotemporal, el modelo dio como resultado una mejor previsibilidad de la energía eólica regional, con un fuerte desarrollo en la capacidad predictiva en plazos de entrega muy cortos y medianos. Estos hallazgos justifican la capacidad de revolucionar el pronóstico meteorológico operativo al ofrecer una alternativa más rápida, precisa y resistente a las técnicas convencionales.
GenCast representa una revolución en el pronóstico meteorológico probabilístico; por lo tanto, utiliza el aprendizaje automático y el modelado generativo para garantizar pronósticos conjuntos realistas, eficientes y de buena calidad. La incertidumbre de la previsión y las dependencias espaciotemporales encajan mejor en su novedoso enfoque basado en la difusión que los tradicionales y los existentes basados en ML. Su capacidad para pronosticar eventos extremos y, eventualmente, apoyar la gestión de energías renovables ha abierto nuevas perspectivas de posibilidades en el pronóstico operativo que señala la influencia significativa de la IA generativa.
Verificar el Papel y Códigos. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa.. No olvides unirte a nuestro SubReddit de más de 60.000 ml.
🚨 [Must Attend Webinar]: ‘Transformar pruebas de concepto en aplicaciones y agentes de IA listos para producción’ (Promovido)
Aswin AK es pasante de consultoría en MarkTechPost. Está cursando su doble titulación en el Instituto Indio de Tecnología de Kharagpur. Le apasiona la ciencia de datos y el aprendizaje automático, y aporta una sólida formación académica y experiencia práctica en la resolución de desafíos interdisciplinarios de la vida real.