Datos del mundo real a escala global continua
El mayor avance de WeatherNext 3 es lo que aprende. La mayoría de los modelos meteorológicos de IA, incluido WeatherNext 2, se entrenan con datos de modelos de predicción numérica del tiempo (NWP). Aunque útiles, los modelos de PNT son simulaciones físicas complejas impulsadas por supercomputadoras que conllevan un retraso de datos de seis horas. Este retraso puede generar sesgos en variables que cambian rápidamente, como la lluvia o la temperatura de la superficie.
Al incorporar un mosaico de datos de satélites geoestacionarios globales en vivo, nuestro nuevo modelo obtiene una visión rica y en continua actualización de la atmósfera. Esto permite que el modelo genere un nuevo pronóstico cada hora, cada uno basado en las observaciones satelitales más recientes disponibles, con una resolución de hasta 5 kilómetros.
Esto es importante porque el clima crítico se desarrolla rápidamente. Cuando las tormentas, los frentes o los sistemas de precipitación se materializan repentinamente, nuestro ciclo de actualización rápido y una resolución más alta brindan información más temprana y detallada necesaria para ayudar a impulsar una respuesta efectiva.
Algunas variables, como la temperatura y la humedad, pueden fluctuar drásticamente en unos pocos kilómetros, lo que es particularmente relevante para las comunidades cercanas a las costas, valles o cadenas montañosas. Los modelos tradicionales luchan aquí porque se basan en representaciones de la atmósfera que carecen de detalles y pasan por alto variaciones locales extremas.
Para solucionar este problema, WeatherNext 3 se entrena directamente con datos de observación escasos de estaciones meteorológicas. Esto nos permite hacer pronósticos globales en una cuadrícula de 5 kilómetros que tiene en cuenta detalles regionales como la topografía.
Este avance es particularmente vital para las regiones de América Latina, África y Asia-Pacífico que históricamente no han recibido pronósticos de alta resolución debido a los inmensos costos de supercomputación de los modelos regionales tradicionales. Ofrece pronósticos localizados y de alta fidelidad a miles de millones de personas y empresas locales en estas áreas.
Más allá de una resolución mejorada y una frecuencia de pronóstico, nuestro modelo introduce predicciones diseñadas específicamente para la producción de energía renovable. El modelo pronostica velocidades del viento de 100 metros (aproximadamente a la altura de la turbina) para una producción precisa de energía eólica, junto con niveles de cobertura de nubes y radiación solar de alta resolución para ayudar a las granjas solares a estimar cuánta luz recibirán en el suelo.
Estos datos son cruciales para la planificación global de energía limpia, ya que permiten a los operadores de redes y desarrolladores de energías renovables predecir con precisión cuánta energía generarán sus activos de energía limpia y adaptarla a la demanda de los consumidores.
Previsión de precipitaciones con una precisión revolucionaria
Los modelos climáticos globales tienen dificultades para predecir con precisión las precipitaciones. Los sistemas de lluvia y nieve están impulsados por procesos de nubes que se mueven rápidamente en escalas pequeñas que son difíciles de modelar con precisión mediante simulaciones tradicionales basadas en la física. En consecuencia, los pronósticos de IA a menudo producen estimaciones borrosas o pasan por alto por completo los límites de las tormentas severas.
Para resolver esto, entrenamos nuestro modelo en dos fuentes de datos de precipitación de excepcionalmente alta calidad: las Recuperaciones Multisatélite Integradas para GPM (IMERG) basadas en satélites de la NASA y nuestro propio reanálisis de precipitación global basado en radar satelital.
El resultado es un salto significativo en la precisión del pronóstico de precipitaciones. En los pronósticos globales de mediano plazo, las evaluaciones comparadas con las líneas de base muestran una mejora en el puntaje de probabilidad clasificada continua (CRPS) de hasta un 60 % con respecto a IMERG, un 30 % para MRMS y un 10 % con respecto a las mediciones de pluviómetros para los primeros tiempos.