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 artículo publicado en Nature, presentamos GenCast, nuestro nuevo modelo de conjunto de IA de alta resolución (0,25°). GenCast proporciona mejores pronósticos tanto del tiempo diario como de eventos extremos que el principal sistema operativo, el ENS del Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF), con hasta 15 días de anticipación. 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 modelo meteorológico anterior, que 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 la generación de imágenes, vídeos y música. 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 como entrada el estado meteorológico más reciente.
Para entrenar GenCast, le proporcionamos cuatro décadas de datos meteorológicos históricos del archivo ERA5 del ECMWF. 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.