Modelos neuronales de circulación general para el tiempo y el clima

Área de la Ciencia:

• Ciencias del Sistema Terrestre
• Modelado del clima
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• Los modelos generales de circulación (GCM) son cruciales para la predicción del tiempo y el clima, basándose en simulaciones basadas en la física.
• Los avances recientes muestran que los modelos de aprendizaje automático coinciden o superan a los GCM en el pronóstico meteorológico determinista.
• Los modelos de aprendizaje automático existentes carecen de estabilidad para las simulaciones climáticas a largo plazo y no han mejorado los pronósticos de conjunto.

Objetivo del estudio:

• Desarrollar un nuevo modelo de circulación general (GCM) que fusione dinámicas diferenciables basadas en la física con el aprendizaje automático.
• Evaluar el rendimiento del GCM en el pronóstico meteorológico determinista, el pronóstico conjunto y las simulaciones climáticas a largo plazo.
• Evaluar la eficiencia computacional y la estabilidad del nuevo GCM híbrido.

Principales métodos:

• Desarrolló un GCM híbrido, llamado NeuralGCM, que combina un solucionador de dinámica atmosférica diferenciable con componentes de aprendizaje automático.
• Entrenado y evaluado NeuralGCM en datos de reanálisis para el pronóstico del tiempo (1-15 días).
• Evaluar las capacidades de simulación climática de NeuralGCM durante varias décadas con las temperaturas prescritas de la superficie del mar a una resolución de 140 km.

Principales resultados:

• NeuralGCM demuestra habilidad competitiva con modelos de aprendizaje automático de última generación para pronósticos meteorológicos a corto plazo (1-10 días).
• Se corresponde con la predicción conjunta del Centro Europeo de Pronósticos Meteorológicos a Mediano Plazo para pronósticos a mediano plazo (1-15 días).
• NeuralGCM rastrea con precisión las métricas climáticas decenales y simula fenómenos emergentes como los ciclones tropicales, ofreciendo ahorros computacionales significativos.

Conclusiones:

• El aprendizaje profundo de extremo a extremo es compatible con las tareas tradicionales de GCM para la ciencia del sistema terrestre y puede mejorarlas.
• El enfoque híbrido proporciona una alternativa computacionalmente eficiente para la predicción del tiempo y el clima.
• NeuralGCM muestra una promesa para las simulaciones físicas a gran escala esenciales para comprender el sistema climático de la Tierra.