Investigación
Nuestro modelo de última generación ofrece predicciones meteorológicas de 10 días con una precisión sin precedentes en menos de un minuto.
El clima nos afecta a todos, en formas grandes y pequeñas. Puede dictar cómo nos vestimos por la mañana, proporcionarnos energía verde y, en el peor de los casos, crear tormentas que pueden devastar comunidades. En un mundo con un clima cada vez más extremo, los pronósticos rápidos y precisos nunca han sido más importantes.
en un papel publicado en ciencia, presentamos GraphCast, un modelo de inteligencia artificial de última generación capaz de realizar pronósticos meteorológicos de mediano plazo con una precisión sin precedentes. GraphCast predice las condiciones meteorológicas con hasta 10 días de antelación con mayor precisión y mucho más rápido que el sistema de simulación meteorológica estándar de la industria: el Pronóstico de Alta Resolución (HRES), producido por el Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF).
GraphCast también puede ofrecer advertencias tempranas de fenómenos meteorológicos extremos. Puede predecir las trayectorias de los ciclones con gran precisión en el futuro, identifica ríos atmosféricos asociados con el riesgo de inundaciones y predice la aparición de temperaturas extremas. Esta capacidad tiene el potencial de salvar vidas mediante una mayor preparación.
GraphCast da un importante paso adelante en la IA para la predicción meteorológica, ofreciendo pronósticos más precisos y eficientes, y abriendo caminos para respaldar la toma de decisiones críticas para las necesidades de nuestras industrias y sociedades. Y por código abierto del código modelo para GraphCast, Estamos permitiendo que científicos y pronosticadores de todo el mundo beneficien a miles de millones de personas en su vida cotidiana. GraphCast ya está siendo utilizado por agencias meteorológicas, incluido el ECMWF, que está llevando a cabo un experimento en vivo de Las previsiones de nuestro modelo en su web..
Una selección de predicciones de GraphCast a lo largo de 10 días que muestran una humedad específica de 700 hectopascales (aproximadamente 3 km sobre la superficie), la temperatura de la superficie y la velocidad del viento en la superficie.
El desafío de la previsión meteorológica mundial
La predicción del tiempo es uno de los esfuerzos científicos más antiguos y desafiantes. Las predicciones a mediano plazo son importantes para respaldar la toma de decisiones clave en todos los sectores, desde la energía renovable hasta la logística de eventos, pero son difíciles de hacer con precisión y eficiencia.
Los pronósticos generalmente se basan en la predicción meteorológica numérica (NWP), que comienza con ecuaciones físicas cuidadosamente definidas, que luego se traducen en algoritmos informáticos ejecutados en supercomputadoras. Si bien este enfoque tradicional ha sido un triunfo de la ciencia y la ingeniería, diseñar las ecuaciones y los algoritmos lleva mucho tiempo y requiere una gran experiencia, así como costosos recursos informáticos para hacer predicciones precisas.
El aprendizaje profundo ofrece un enfoque diferente: utilizar datos en lugar de ecuaciones físicas para crear un sistema de pronóstico del tiempo. GraphCast se basa en décadas de datos meteorológicos históricos para aprender un modelo de las relaciones de causa y efecto que gobiernan cómo evoluciona el clima de la Tierra, desde el presente hacia el futuro.
Fundamentalmente, GraphCast y los enfoques tradicionales van de la mano: entrenamos GraphCast en cuatro décadas de datos de reanálisis meteorológico, del conjunto de datos ERA5 del ECMWF. Este tesoro se basa en observaciones meteorológicas históricas, como imágenes de satélite, radares y estaciones meteorológicas que utilizan un PNT tradicional para “llenar los espacios en blanco” donde las observaciones están incompletas, para reconstruir un rico registro del tiempo histórico mundial.
GraphCast: un modelo de IA para la predicción del tiempo
GraphCast es un sistema de pronóstico del tiempo basado en aprendizaje automático y Graph Neural Networks (GNN), que son una arquitectura particularmente útil para procesar datos estructurados espacialmente.
GraphCast realiza pronósticos en alta resolución de 0,25 grados de longitud/latitud (28 km x 28 km en el ecuador). Eso es más de un millón de puntos de cuadrícula que cubren toda la superficie de la Tierra. En cada punto de la cuadrícula, el modelo predice cinco variables de la superficie de la Tierra (incluidas la temperatura, la velocidad y dirección del viento y la presión media al nivel del mar) y seis variables atmosféricas en cada uno de los 37 niveles de altitud, incluida la humedad específica, la velocidad y dirección del viento, y temperatura.
Si bien la capacitación de GraphCast fue computacionalmente intensiva, el modelo de pronóstico resultante es altamente eficiente. Hacer pronósticos a 10 días con GraphCast lleva menos de un minuto en una sola máquina Google TPU v4. En comparación, un pronóstico de 10 días utilizando un enfoque convencional, como HRES, puede requerir horas de cálculo en una supercomputadora con cientos de máquinas.
En una evaluación integral del desempeño frente al sistema determinista estándar de oro, HRES, GraphCast proporcionó predicciones más precisas en más del 90% de 1380 variables de prueba y pronosticó tiempos de entrega (consulte nuestro artículo científico para detalles). Cuando limitamos la evaluación a la troposfera, la región de la atmósfera de 6 a 20 kilómetros de altura más cercana a la superficie de la Tierra donde el pronóstico preciso es más importante, nuestro modelo superó al HRES en el 99,7% de las variables de prueba para el clima futuro.
Para las entradas, GraphCast requiere solo dos conjuntos de datos: el estado del tiempo hace 6 horas y el estado del tiempo actual. Luego, el modelo predice el clima dentro de 6 horas. Luego, este proceso se puede avanzar en incrementos de 6 horas para proporcionar pronósticos de última generación con hasta 10 días de anticipación.
Mejores advertencias para eventos climáticos extremos
Nuestros análisis revelaron que GraphCast también puede identificar eventos climáticos severos antes que los modelos de pronóstico tradicionales, a pesar de no haber sido capacitado para buscarlos. Este es un excelente ejemplo de cómo GraphCast podría ayudar con la preparación para salvar vidas y reducir el impacto de las tormentas y el clima extremo en las comunidades.
Al aplicar un rastreador de ciclones simple directamente a los pronósticos de GraphCast, podríamos predecir el movimiento de los ciclones con mayor precisión que el modelo HRES. En septiembre, una versión en vivo de nuestro modelo GraphCast disponible públicamente, implementado en el sitio web del ECMWF, predijo con precisión con unos nueve días de anticipación que el huracán Lee tocaría tierra en Nueva Escocia. Por el contrario, los pronósticos tradicionales tenían una mayor variabilidad en cuanto a dónde y cuándo ocurriría la llegada a tierra, y solo fijaban en Nueva Escocia con unos seis días de anticipación.
GraphCast también puede caracterizar ríos atmosféricos: regiones estrechas de la atmósfera que transfieren la mayor parte del vapor de agua fuera de los trópicos. La intensidad de un río atmosférico puede indicar si traerá lluvias beneficiosas o un diluvio que provocará inundaciones. Los pronósticos de GraphCast pueden ayudar a caracterizar los ríos atmosféricos, lo que podría ayudar a planificar respuestas de emergencia junto con Modelos de IA para pronosticar inundaciones.
Finalmente, predecir temperaturas extremas es cada vez más importante en nuestro mundo en calentamiento. GraphCast puede caracterizar cuándo el calor aumentará por encima de las temperaturas máximas históricas para cualquier lugar determinado de la Tierra. Esto es particularmente útil para anticipar olas de calor, eventos perturbadores y peligrosos que son cada vez más comunes.
Predicción de eventos graves: comparación entre GraphCast y HRES.
Izquierda: Actuaciones de seguimiento de ciclones. A medida que aumenta el tiempo de espera para predecir los movimientos de los ciclones, GraphCast mantiene una mayor precisión que HRES.
Derecha: Predicción de ríos atmosféricos. Los errores de predicción de GraphCast son notablemente más bajos que los de HRES durante la totalidad de sus predicciones de 10 días.
El futuro de la IA para el clima
GraphCast es ahora el sistema de pronóstico meteorológico global de 10 días más preciso del mundo y puede predecir eventos climáticos extremos en el futuro más allá de lo que era posible anteriormente. A medida que los patrones climáticos evolucionan en un clima cambiante, GraphCast evolucionará y mejorará a medida que haya datos de mayor calidad disponibles.
Para hacer que el pronóstico del tiempo basado en IA sea más accesible, hemos código abierto de nuestro modelo. ECMWF ya está experimentando con los pronósticos de 10 días de GraphCast y estamos entusiasmados de ver las posibilidades que abre para los investigadores, desde adaptar el modelo a fenómenos meteorológicos concretos hasta optimizarlo para diferentes partes del mundo.
GraphCast se une a otros sistemas de predicción meteorológica de última generación de Google DeepMind y Google Research, incluido un regional Modelo de predicción inmediata que produce pronósticos con hasta 90 minutos de anticipación, y MetNet-3un modelo regional de pronóstico del tiempo que ya está en funcionamiento en EE. UU. y Europa y que produce pronósticos de 24 horas más precisos que cualquier otro sistema.
Ser pioneros en el uso de la IA en la previsión meteorológica beneficiará a miles de millones de personas en su vida cotidiana. Pero nuestra investigación más amplia no se trata sólo de anticipar el tiempo: se trata de comprender los patrones más amplios de nuestro clima. Al desarrollar nuevas herramientas y acelerar la investigación, esperamos que la IA pueda empoderar a la comunidad global para abordar nuestros mayores desafíos ambientales.