Un modelo informático que combina la tecnología tradicional de predicción meteorológica con el aprendizaje automático ha superado a otras herramientas basadas en inteligencia artificial (IA) Predecir escenarios meteorológicos y tendencias climáticas a largo plazo. excedido.

La herramienta, lanzada el 22 de julio enNaturalezafue descrito 1, es el primer modelo de aprendizaje automático que genera pronósticos meteorológicos conjuntos precisos, que representan una variedad de escenarios. Su desarrollo abre la puerta a predicciones que son más rápidas y consumen menos energía que las herramientas existentes y más detalladas que los enfoques basados ​​únicamente en IA.

"Los modelos climáticos tradicionales tienen que ejecutarse en supercomputadoras. Este es un modelo que se puede ejecutar en minutos", dice el coautor del estudio Stephan Hoyer, que estudia el aprendizaje profundo en Google Research en Mountain View, California.

Los sistemas de pronóstico actuales generalmente se basan en modelos de circulación general (GCM), programas que se basan en las leyes de la física para simular procesos en los océanos y la atmósfera de la Tierra y predecir cómo podrían afectar el tiempo y el clima. Sin embargo, los GCM requieren mucha potencia informática y los avances en el aprendizaje automático ofrecen una alternativa más eficiente. "Tenemos terabytes o petabytes (un millón de veces más grandes que un gigabyte) de datos meteorológicos históricos", dice Hoyer. "Al aprender de estos patrones, podemos construir mejores modelos".

Ya existen algunos modelos de pronóstico de aprendizaje automático como Pangu-Weather, creado por el conglomerado tecnológico Huawei con sede en Shenzhen, China, y GraphCast de DeepMind con sede en Londres. Estos modelos tienen niveles de precisión similares a los GCM típicos para pronósticos deterministas, un enfoque que genera un pronóstico meteorológico único. Sin embargo, los GCM no son tan fiables para los pronósticos conjuntos o las predicciones climáticas a largo plazo.

"El problema con los enfoques de aprendizaje automático puro es que sólo se entrena con datos que ya ha visto", dice Scott Hosking, que realiza investigaciones sobre inteligencia artificial y datos ambientales en institutos de Londres. "El clima cambia continuamente, nos dirigimos hacia lo desconocido, por lo que nuestros modelos de aprendizaje automático deben extrapolarse a este futuro desconocido. Al incorporar la física al modelo, podemos asegurarnos de que nuestros modelos estén físicamente limitados y no puedan hacer nada poco realista".

modelo híbrido

Hoyer y su equipo desarrollaron y entrenaron NeuralGCM, un modelo que "combina aspectos de un método tradicional de resolución atmosférica basado en la física con algunos componentes de IA", dice Hoyer. Utilizaron el modelo para producir pronósticos meteorológicos y proyecciones climáticas a corto y largo plazo. Para evaluar la precisión de NeuralGCM, los investigadores compararon sus predicciones con datos del mundo real, así como con los resultados de otros modelos, incluidos los GCM y aquellos basados ​​exclusivamente en aprendizaje automático.

Al igual que los modelos actuales de aprendizaje automático, NeuralGCM podría producir pronósticos meteorológicos deterministas precisos a corto plazo (entre uno y tres días de antelación) utilizando una fracción de la energía requerida por los GCM. Sin embargo, cometió muchos menos errores que otros modelos de aprendizaje automático al producir pronósticos a largo plazo de más de siete días. De hecho, los pronósticos a largo plazo de NeuralGCM eran similares a los pronósticos del modelo conjunto del Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF-ENS), un GCM ampliamente considerado como el estándar de oro para el pronóstico meteorológico.

El equipo también probó qué tan bien el modelo podía predecir diversos fenómenos meteorológicos, como los ciclones tropicales. Descubrieron que muchos de los modelos de aprendizaje automático puro producían predicciones inconsistentes e inexactas en comparación con NeuralGCM y ECMWF-ENS. Los investigadores incluso compararon NeuralGCM con modelos climáticos de alta resolución conocidos como modelos globales de resolución de tormentas. NeuralGCM pudo producir números y trayectorias de ciclones tropicales más realistas en un tiempo más corto.

La capacidad de predecir tales eventos es "muy importante para mejorar las habilidades de toma de decisiones y las estrategias de preparación", dice Hosking.

Hoyer y sus colegas quieren perfeccionar y adaptar aún más NeuralGCM. "Hemos estado trabajando en el componente atmosférico del modelado del sistema terrestre... Es quizás la parte que impacta más directamente el clima cotidiano", dice Hoyer. Añade que al equipo le gustaría incorporar más aspectos de las ciencias de la tierra en futuras versiones para mejorar aún más la precisión del modelo.