Investigación
Estamos lanzando Weather Lab, con nuestras predicciones experimentales de ciclones, y nos estamos asociando con el Centro Nacional de Huracanes de EE. UU. Para apoyar sus pronósticos y advertencias en esta temporada de ciclones.
Los ciclones tropicales son extremadamente peligrosos, poniendo en peligro vidas y comunidades devastadoras a su paso. Y en los últimos 50 años, han causado $ 1.4 billones en pérdidas económicas.
Estas vastas tormentas giratorias, también conocidas como huracanes o tifones, se forman sobre aguas oceánicas cálidas, alimentadas por calor, humedad y convección. Son muy sensibles incluso a pequeñas diferencias en las condiciones atmosféricas, lo que los hace notoriamente difíciles de pronosticar con precisión. Sin embargo, mejorar la precisión de las predicciones del ciclón puede ayudar a proteger a las comunidades a través de Preparación de desastres más efectiva y evacuaciones anteriores.
Hoy, Google Deepmind y Google Research están lanzando Laboratorio meteorológicoun sitio web interactivo para compartir nuestros modelos meteorológicos de inteligencia artificial (IA). Weather Lab presenta nuestro último modelo experimental de ciclón tropical basado en IA, basado en redes neuronales estocásticas. Este modelo puede predecir la formación de un ciclón, pista, intensidad, tamaño y forma, generando 50 escenarios posibles, hasta 15 días de anticipación.
Animación que muestra una predicción de nuestro modelo de ciclón experimental. Nuestro modelo (en azul) predijo con precisión los caminos de los ciclones Honde y Garance, al sur de Madagascar, en el momento en que estaban activos. Nuestro modelo también capturó los caminos de los ciclones Jude e Ivone en el Océano Índico, casi siete días en el futuro, prediciendo robustos áreas de clima tormentoso que eventualmente se intensificarían en ciclones tropicales.
Hemos lanzado un papel nuevo Describiendo nuestro modelo meteorológico central y proporciona un archivo en el laboratorio meteorológico de los datos históricos de seguimiento de ciclones, para la evaluación y la prueba de retroceso.
Las pruebas internas muestran que las predicciones de nuestro modelo para la pista y la intensidad del ciclón son tan precisas como y, a menudo, más precisas que, Métodos actuales basados en la física. Nos hemos asociado con el Centro Nacional de Huracanes de EE. UU. (NHC), quienes evalúan los riesgos de ciclones en las cuencas del Atlántico y el Pacífico Oriental, para validar científicamente nuestro enfoque y producción.
Los pronosticadores de expertos de NHC ahora están viendo predicciones en vivo de nuestros modelos de IA experimentales, junto con otros modelos y observaciones basados en la física. Esperamos que estos datos puedan ayudar a mejorar los pronósticos de NHC y proporcionar advertencias anteriores y más precisas para los peligros vinculados a los ciclones tropicales.
Predicciones de ciclones vivos e históricos de Weather Lab
Laboratorio meteorológico muestra predicciones de ciclones en vivo e históricas para diferentes modelos meteorológicos de IA, junto con modelos basados en la física del Centro Europeo para pronósticos meteorológicos de mediano alcance (ECMWF). Varios de nuestros modelos meteorológicos de IA se ejecutan en tiempo real: Weathernext Graph, Weathernext Gen y nuestro último modelo de ciclón experimental. También estamos lanzando Weather Lab con más de dos años de predicciones históricas para que los expertos e investigadores descarguen y analicen, lo que permite evaluaciones externas de nuestros modelos en todas las cuencas oceánicas.
Animación que muestra la predicción de nuestro modelo para el ciclón Alfred cuando era un ciclón de categoría 3 en el Mar de Coral. La predicción media del conjunto del modelo (Bold Blue Line) anticipó correctamente el rápido debilitamiento del ciclón Alfred al estado de la tormenta tropical y eventual tierra cerca de Brisbane, Australia, siete días después, con una alta probabilidad de tierra en algún lugar de la costa de Queensland.
Los usuarios de Weather Lab pueden explorar y comparar las predicciones de varios modelos de IA y física. Cuando se leen juntos, estas predicciones pueden ayudar a las agencias meteorológicas y a los expertos en servicios de emergencia anticipar mejor el camino y la intensidad de un ciclón. Esto podría ayudar a los expertos y tomadores de decisiones a prepararse mejor para diferentes escenarios, compartir noticias de los riesgos involucrados y apoyar las decisiones para administrar el impacto de un ciclón.
Es importante enfatizar que Weather Lab es una herramienta de investigación. Las predicciones en vivo mostradas son generadas por modelos aún en desarrollo y no son advertencias oficiales. Tenga esto en cuenta al usar la herramienta, incluida la admitir decisiones basadas en predicciones generadas por Weather Lab. Para pronósticos y advertencias meteorológicas oficiales, consulte su agencia meteorológica local o el Servicio Meteorológico Nacional.
Predicciones de ciclones con IA
En la predicción del ciclón basada en la física, las aproximaciones requeridas para satisfacer las demandas operativas significan que es difícil para un solo modelo sobresalir al predecir tanto la pista de un ciclón como su intensidad. Esto se debe a que la pista de un ciclón se rige por grandes corrientes de dirección atmosférica, mientras que la intensidad de un ciclón depende de procesos turbulentos complejos dentro y alrededor de su núcleo compacto. Los modelos globales de baja resolución funcionan mejor en la predicción de pistas de ciclones, pero no capturen los procesos a escala fina que dicten la intensidad del ciclón, por lo que se necesitan modelos regionales de alta resolución.
Nuestro modelo de ciclón experimental es un sistema único que supera esta compensación, con nuestras evaluaciones internas que muestran precisión de última generación tanto para la pista como para la intensidad del ciclón. Está entrenado para modelar dos tipos distintos de datos: un gran conjunto de datos de reanálisis que reconstruye el clima más allá de toda la Tierra de millones de observaciones, y una base de datos especializada que contiene información clave sobre la pista, la intensidad, el tamaño y los radios de viento de casi 5,000 ciclones observados de los últimos 45 años.
El modelado de los datos de análisis y los datos de ciclones juntos mejora enormemente las capacidades de predicción del ciclón. Por ejemplo, nuestras evaluaciones iniciales de los datos de huracanes observados de NHC, en los años de prueba 2023 y 2024, en las cuencas del Atlántico Norte y el Pacífico Oriental, mostraron que la predicción de la pista de ciclones de 5 días de nuestro modelo es, en promedio, 140 km más cercano a la verdadera ubicación de ciclones que la ENS, el modelo de ensayo de ECMWF basado en física global líder de ECMWF. Esto es comparable a la precisión de las predicciones de 3.5 días de ENS: una mejora de 1.5 días que generalmente se ha tomado Más de una década para lograr.
Si bien los modelos meteorológicos de IA anteriores han luchado por calcular la intensidad del ciclón, nuestro modelo de ciclón experimental superó el error de intensidad promedio de la administración nacional oceánica y atmosférica (NoaaSistema de análisis y pronóstico de huracanes)HAFS), un modelo líder regional basado en la física de alta resolución. Las pruebas preliminares también muestran que las predicciones de tamaño y radios de viento de nuestro modelo son comparables con las líneas de base basadas en la física.
Aquí visualizamos los errores de predicción de la pista y la intensidad, y mostramos los resultados de evaluación del rendimiento promedio de nuestro modelo de ciclón experimental con hasta cinco días de anticipación, en comparación con los ENS y HAF.
Evaluaciones de las predicciones de rastreo e intensidad del modelo de ciclón experimental en comparación con los modelos principales basados en la física ENS y HAFS-A. Nuestras evaluaciones usan las mejores vías de NHC como verdad terrestre y siguen su protocolo de verificación homogéneo.
Datos más útiles para los tomadores de decisiones
Además del NHC, hemos estado trabajando estrechamente con el Instituto Cooperativo de Investigación en la Atmósfera (Cira) en la Universidad Estatal de Colorado. La Dra. Kate Musgrave, una científica de investigación de CIRA, y su equipo evaluaron nuestro modelo y descubrió que tenía “habilidades comparables o mayores que los mejores modelos operativos para la pista y la intensidad”. Musgrave declaró: “Estamos ansiosos por confirmar esos resultados de los pronósticos en tiempo real durante la temporada de huracanes 2025”. También hemos estado trabajando con el Oficina de Metitores del Reino Unido, Universidad de TokioJapón Weathernews Inc. y otros expertos para mejorar nuestros modelos.
Nuestro nuevo modelo de ciclón tropical experimental es el último hito en nuestra serie de pioneros Investigación de texto interno. Al compartir nuestros modelos meteorológicos de IA de manera responsable a través del laboratorio meteorológico, continuaremos reuniendo comentarios importantes de la agencia meteorológica y los expertos en servicios de emergencia sobre cómo nuestra tecnología puede mejorar los pronósticos oficiales e informar las decisiones que salvan vidas.
Expresiones de gratitud
Esta investigación fue desarrollada conjuntamente por Google Deepmind y Google Research.
Nos gustaría agradecer a nuestros colaboradores Noaa’s NHC, CIRA, la Oficina Metecítrica del Reino Unido, la Universidad de Tokio, Weathernews Inc. de Japón, Bryan Norcross en Fox Weather y nuestros otros socios de probadores de confianza que han compartido comentarios invaluables durante todo el desarrollo del Laboratorio Meteorológico.