Pronóstico meteorológico global de rango medio con redes neuronales en 3D

Área de la Ciencia:

• Meteorología
• Inteligencia artificial
• Ciencias computacionales

Sus antecedentes:

• La Predicción Numérica del Tiempo (NWP) es el estándar actual para el pronóstico meteorológico preciso, pero es computacionalmente intensivo.
• Los métodos de inteligencia artificial (IA) son prometedores para acelerar los pronósticos meteorológicos, pero actualmente carecen de la precisión de NWP.
• La precisión de las previsiones meteorológicas mundiales a medio plazo sigue siendo un desafío científico y social importante.

Objetivo del estudio:

• Introducir un método basado en la inteligencia artificial para un pronóstico meteorológico global preciso y a medio plazo.
• Demostrar la efectividad de los modelos de aprendizaje profundo con antecedentes específicos de la Tierra para la predicción del clima.
• Reducir los errores acumulados en las previsiones a medio plazo utilizando una estrategia jerárquica de agregación temporal.

Principales métodos:

• Desarrolló Pangu-Weather, un modelo de aprendizaje profundo que utiliza redes profundas 3D con antecedentes específicos de la Tierra.
• Implementó una estrategia de agregación temporal jerárquica para mitigar la acumulación de errores.
• Entrenó el modelo con 39 años de datos meteorológicos globales.

Principales resultados:

• Pangu-Weather logró resultados de pronóstico determinista superiores en comparación con el sistema operativo de pronóstico integrado del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF).
• El modelo de IA demostró un buen rendimiento en las previsiones a medio plazo en todas las variables probadas.
• Pangu-Weather también mostró efectividad en el pronóstico de clima extremo, pronósticos de conjunto y seguimiento de ciclones tropicales.

Conclusiones:

• Los métodos basados en IA, específicamente Pangu-Weather, pueden lograr pronósticos meteorológicos globales de rango medio muy precisos.
• Las redes profundas con priores específicos de la Tierra y la agregación temporal jerárquica son efectivas para el análisis de patrones climáticos complejos.
• Este enfoque de IA ofrece una alternativa computacionalmente eficiente y precisa a los sistemas NWP tradicionales.