Emulación de modelos que permiten la convección a escala de kilómetro utilizando modelado de difusión generativa

Área de la Ciencia:

• Ciencias de la Atmósfera
• Meteorología
• Aprendizaje automático

Sus antecedentes:

• Los modelos que permiten la convección a escala de tormenta (CAM) son cruciales para predecir fenómenos meteorológicos extremos, pero son intensivos en computación.
• Los modelos de aprendizaje profundo han tenido dificultades para lograr habilidad en simulaciones atmosféricas a escala de kilómetro, a diferencia de resoluciones más gruesas.
• La predicción precisa de fenómenos meteorológicos severos como tormentas y sistemas de convección a mesoescala sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo capaz de simulación atmosférica hábil a escala de kilómetro para la predicción meteorológica.
• Emular el rendimiento de los modelos operativos que permiten la convección utilizando un enfoque de difusión generativa.
• Evaluar la capacidad del modelo para predecir variables atmosféricas clave y fenómenos convectivos.

Principales métodos:

• Desarrollamos StormCast, un modelo de difusión generativa, para emular el CAM operativo High-Resolution Rapid Refresh (HRRR).
• Se utilizó la predicción autorregresiva de 99 variables de estado a escala de kilómetro con un paso de tiempo de 1 hora.
• El modelo se condicionó con 26 variables sinópticas y se incorporó una resolución vertical densa en la capa límite atmosférica.

Principales resultados:

• StormCast demuestra el aprendizaje exitoso de la dinámica atmosférica a escala de kilómetro.
• Se logró una habilidad competitiva de predicción de 1 a 6 horas para la reflectividad radar compuesta.
• Se generó una evolución realista de los cúmulos convectivos, corrientes ascendentes húmedas y morfología de las bolsas de aire frío.

Conclusiones:

• Los modelos de difusión generativa muestran potencial para mejorar la predicción meteorológica por aprendizaje automático regional a escala de kilómetro.
• El rendimiento de StormCast sugiere potencial para mejorar el downscaling dinámico en la investigación de peligros climáticos.
• Este trabajo abre nuevas vías para aprovechar la IA en la predicción meteorológica de alta resolución y los estudios de impacto climático.