Pronosticar ahora las precipitaciones extremas con NowcastNet

Área de la Ciencia:

• Meteorología
• Inteligencia artificial
• Ciencia de los datos

Sus antecedentes:

• Las precipitaciones extremas causan daños socioeconómicos significativos.
• Los métodos actuales de proyección de precipitaciones tienen problemas de precisión, resolución y plazos de entrega.
• Los modelos existentes basados en la física y en datos tienen limitaciones para capturar dinámicas climáticas complejas.

Objetivo del estudio:

• Desarrollar un nuevo modelo de proyección no lineal para precipitaciones extremas.
• Unificar los esquemas de evolución física con los métodos de aprendizaje condicional.
• Optimizar los errores de pronóstico a través de una red neuronal de extremo a extremo.

Principales métodos:

• Desarrolló NowcastNet, un modelo de transmisión no lineal basado en redes neuronales.
• Esquemas integrados de evolución física y aprendizaje condicional.
• Utilizó la optimización de error de pronóstico de extremo a extremo.
• Utilizó observaciones de radar de los EE.UU. y China para la capacitación y validación.

Principales resultados:

• AhoracastNet genera ahoracasts de precipitación físicamente plausibles con patrones agudos en múltiples escalas.
• El modelo alcanza una alta resolución en grandes áreas geográficas (2.048 km × 2.048 km).
• Se producen pronósticos hábiles con plazos de entrega de hasta 3 horas, superando a los métodos líderes en el 71% de los casos.
• Se hacen predicciones precisas para las tasas de lluvia ligera a pesada, incluidos los eventos extremos con procesos advectivos o convectivos.

Conclusiones:

• NowcastNet representa un avance significativo en las precipitaciones extremas.
• El enfoque unificado supera las limitaciones de los métodos anteriores.
• El modelo demuestra un rendimiento superior y un potencial para mitigar los impactos socioeconómicos de los desastres meteorológicos.