Pronóstico del tiempo basado en datos de extremo a extremo

Área de la Ciencia:

• Inteligencia artificial
• Ciencias atmosféricas
• Ciencias computacionales

Sus antecedentes:

• La predicción meteorológica precisa es vital para numerosos sectores y la seguridad pública.
• El aprendizaje automático (ML) ha mejorado la predicción numérica del tiempo (NWP), pero a menudo todavía se basa en componentes NWP.
• Los modelos ML existentes se enfrentan a limitaciones de velocidad y precisión debido a la dependencia de NWP.

Objetivo del estudio:

• Desarrollar y evaluar un sistema de aprendizaje automático de extremo a extremo basado en datos para la predicción del tiempo.
• Para demostrar que un solo modelo ML puede reemplazar toda la tubería NWP.
• Evaluar el rendimiento de este sistema con respecto a las líneas de base establecidas de la PNM.

Principales métodos:

• Desarrollado Aardvark Weather, un sistema de extremo a extremo impulsado por datos que ingiere datos de observación.
• Se han generado pronósticos globales en cuadrícula y pronósticos de estaciones locales utilizando el modelo ML.
• Comparó las previsiones de Aardvark Weather con una línea de base de NWP operativa y un sistema de última generación.

Principales resultados:

• Los pronósticos globales de Aardvark Weather superaron la línea de base operativa de NWP para múltiples variables y plazos de entrega.
• Las previsiones de la estación local demostraron habilidad hasta diez días, rivalizando con los sistemas NWP y asistidos por humanos.
• El ajuste de extremo a extremo mejoró aún más la precisión de los pronósticos locales.

Conclusiones:

• Se puede lograr un pronóstico meteorológico hábil sin depender del NWP en el despliegue.
• Los modelos de aprendizaje automático de extremo a extremo basados en datos ofrecen importantes beneficios de velocidad y precisión.
• Aardvark Weather representa una nueva generación de modelos de predicción del tiempo, reduciendo los costos y permitiendo la personalización.