Aprendizaje hábil de pronóstico del tiempo global a medio plazo | JoVE Visualize

Área de la Ciencia:

Meteorología y Ciencias del Clima
Inteligencia artificial
Modelado de sistemas dinámicos

Sus antecedentes:

Las previsiones meteorológicas globales precisas a medio plazo son vitales para los sectores sociales y económicos.
Los modelos tradicionales de predicción numérica del tiempo mejoran la precisión con más potencia de cálculo, pero no aprovechan directamente los datos históricos.
Los métodos existentes se enfrentan a limitaciones en la velocidad y la utilización directa de patrones climáticos históricos.

Objetivo del estudio:

Introducir GraphCast, un nuevo método de pronóstico del tiempo basado en el aprendizaje automático (ML).
Para demostrar la capacidad de GraphCast para predecir las variables climáticas globales para los próximos 10 días con alta resolución y velocidad.
Evaluar el rendimiento de GraphCast en comparación con los sistemas operativos de pronóstico meteorológico de última generación.

Principales métodos:

Desarrolló GraphCast, un modelo de ML entrenado directamente en datos de reanálisis meteorológicos históricos.
Utilizó una arquitectura de red neuronal gráfica para procesar y aprender de los patrones climáticos espacio-temporales.
Precisión del pronóstico evaluada en 1380 objetivos de verificación para un horizonte de pronóstico de 10 días.

Principales resultados:

GraphCast logró pronósticos globales de cientos de variables meteorológicas con una resolución de 0,25 ° en menos de un minuto.
El modelo ML superó significativamente a los sistemas determinísticos operativos más precisos en el 90% de los objetivos de verificación.
GraphCast demostró capacidades superiores en la predicción de eventos climáticos severos, incluidos los ciclones tropicales, los ríos atmosféricos y las temperaturas extremas.

Conclusiones:

GraphCast representa un avance significativo en el pronóstico meteorológico global de alcance medio preciso y eficiente.
El enfoque basado en ML ofrece una poderosa alternativa a la predicción numérica del tiempo tradicional, aprovechando los datos históricos de manera efectiva.
Este trabajo destaca el potencial del aprendizaje automático para modelar sistemas dinámicos complejos como el clima de la Tierra.