Aprendizaje hábil de pronóstico del tiempo global a medio plazo

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.