Pronóstico del tiempo probabilístico con aprendizaje automático | JoVE Visualize

Área de la Ciencia:

Ciencias atmosféricas
Inteligencia artificial
Ciencia de los datos

Sus antecedentes:

El pronóstico del tiempo tradicionalmente se basa en la Predicción del Tiempo Numérico (PTM), que lucha por representar la incertidumbre y el riesgo del pronóstico.
Los modelos recientes de Predicción del Tiempo de Aprendizaje Automático (MLWP) son prometedores, pero a menudo carecen de la precisión de los pronósticos de conjunto de NWP.

Objetivo del estudio:

Introducir GenCast, un nuevo modelo meteorológico probabilístico diseñado para superar los pronósticos de conjunto de última generación existentes.
Mejorar la precisión y la eficiencia de las predicciones meteorológicas a medio plazo, especialmente para eventos extremos.

Principales métodos:

GenCast es un modelo de predicción meteorológica de ML entrenado en décadas de datos de reanálisis atmosférico.
Genera un gran conjunto de pronósticos estocásticos globales de 15 días para más de 80 variables en alta resolución.
El modelo logra esto aprovechando técnicas avanzadas de aprendizaje automático para una predicción meteorológica rápida y probabilística.

Principales resultados:

GenCast demuestra una habilidad superior en comparación con el conjunto del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ENS) en el 97,2% de los objetivos evaluados.
El modelo muestra capacidades de predicción mejoradas para eventos climáticos extremos, pistas de ciclones tropicales y generación de energía eólica.
GenCast produce pronósticos globales de 15 días en solo 8 minutos, significativamente más rápido que los métodos convencionales.

Conclusiones:

GenCast representa un avance significativo en el pronóstico operativo del tiempo, ofreciendo una mayor precisión, velocidad y conocimientos probabilísticos.
Este enfoque basado en ML facilita una toma de decisiones más informada y eficiente en sectores dependientes del clima.
El desarrollo allana el camino para la próxima generación de sistemas de predicción climática impulsados por IA.