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

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.