Google DeepMind AI logra pronósticos meteorológicos súper precisos para 10 días

Este año fue un desfile sin parar de fenómenos meteorológicos extremos. Un calor sin precedentes arrasó el mundo. Este verano fue el más caliente de la Tierra desde 1880. Desde inundaciones repentinas en California y tormentas de hielo en Texas hasta devastadores incendios forestales en Maui y Canadá, los fenómenos relacionados con el clima afectaron profundamente vidas y comunidades.

Cada segundo cuenta a la hora de predecir estos acontecimientos. La IA podría ayudar.

Esta semana, Google DeepMind lanzó una IA que ofrece pronósticos meteorológicos de 10 días con una precisión y velocidad sin precedentes. Llamado GraphCast, el modelo puede analizar cientos de puntos de datos relacionados con el clima para una ubicación determinada y generar predicciones en menos de un minuto. Cuando se le enfrentó a más de mil patrones climáticos potenciales, la IA venció a los sistemas de última generación aproximadamente el 90 por ciento de las veces.

Pero GraphCast no se trata sólo de crear una aplicación meteorológica más precisa para elegir guardarropas.

Aunque no está entrenada explícitamente para detectar patrones climáticos extremos, la IA detectó varios eventos atmosféricos relacionados con estos patrones. En comparación con métodos anteriores, rastreó con mayor precisión las trayectorias de los ciclones y detectó ríos atmosféricos (regiones fibrosas de la atmósfera asociadas con inundaciones).

GraphCast también predijo la aparición de temperaturas extremas mucho antes que los métodos actuales. Con 2024 será aún más cálido Y los fenómenos meteorológicos extremos van en aumento, las predicciones de la IA podrían dar a las comunidades un tiempo valioso para prepararse y potencialmente salvar vidas.

"GraphCast es ahora el sistema de pronóstico meteorológico global de 10 días más preciso del mundo y puede predecir fenómenos meteorológicos extremos en el futuro más allá de lo que era posible anteriormente", afirman los autores. escribí en una publicación del blog de DeepMind.

Días lluviosos

Predecir los patrones climáticos, incluso con sólo una semana de anticipación, es un problema antiguo pero extremadamente desafiante. Basamos muchas decisiones en estas previsiones. Algunas están arraigadas en nuestra vida cotidiana: ¿Debería coger mi paraguas hoy? Otras decisiones son de vida o muerte, como cuándo dar órdenes de evacuar o refugiarse en el lugar.

Nuestro software de pronóstico actual se basa en gran medida en modelos físicos de la atmósfera terrestre. Al examinar la física de los sistemas meteorológicos, los científicos han escrito una serie de ecuaciones a partir de décadas de datos, que luego se introducen en supercomputadoras para generar predicciones.

Un ejemplo destacado es el Sistema Integrado de Predicción del Centro Europeo de Previsiones Meteorológicas a Plazo Medio. El sistema utiliza cálculos sofisticados basados ​​en nuestra comprensión actual de los patrones climáticos para generar predicciones cada seis horas, brindando al mundo algunos de los pronósticos meteorológicos más precisos disponibles.

Este sistema “y el pronóstico meteorológico moderno en general son triunfos de la ciencia y la ingeniería”, escribió el equipo de DeepMind.

A lo largo de los años, los métodos basados ​​en la física han mejorado rápidamente en precisión, en parte gracias a computadoras más potentes. Pero siguen siendo costosos y consumen mucho tiempo.

Esto no es sorprendente. El clima es uno de los sistemas físicos más complejos de la Tierra. Es posible que hayas oído hablar del efecto mariposa: una mariposa bate sus alas y este pequeño cambio en la atmósfera altera la trayectoria de un tornado. Si bien es solo una metáfora, capta la complejidad de la predicción del tiempo.

GraphCast adoptó un enfoque diferente. Olvídese de la física, busquemos patrones únicamente en los datos meteorológicos pasados.

Un meteorólogo de IA

GraphCast se basa en un tipo de red neural que se ha utilizado anteriormente para predecir otros sistemas basados ​​en la física, como la dinámica de fluidos.

Tiene tres partes. Primero, el codificador asigna información relevante (por ejemplo, temperatura y altitud en un lugar determinado) en un gráfico complejo. Piense en esto como una infografía abstracta que las máquinas pueden entender fácilmente.

La segunda parte es el procesador que aprende a analizar y pasar información a la parte final, el decodificador. Luego, el decodificador traduce los resultados en un mapa de predicción meteorológica del mundo real. En total, GraphCast puede predecir patrones climáticos para las próximas seis horas.

Pero seis horas no son 10 días. Aquí está el truco. La IA puede aprender de sus propios pronósticos. Las predicciones de GraphCast se retroalimentan a sí mismo como entrada, lo que le permite predecir progresivamente el clima a mayor distancia en el tiempo. Es un método que también se utiliza en los sistemas tradicionales de predicción del tiempo, escribió el equipo.

GraphCast se basó en casi cuatro décadas de datos meteorológicos históricos. Adoptando una estrategia de divide y vencerás, el equipo dividió el planeta en pequeños parches, de aproximadamente 17 por 17 millas en el ecuador. Esto resultó en más de un millón de “puntos” que cubren todo el mundo.

Para cada punto, la IA se entrenó con datos recopilados en dos momentos (uno actual y el otro hace seis horas) e incluyó docenas de variables de la superficie y la atmósfera de la Tierra, como temperatura, humedad y velocidad y dirección del viento en muchas altitudes diferentes.

La capacitación fue computacionalmente intensiva y tardó un mes en completarse.

Sin embargo, una vez entrenada, la propia IA es muy eficiente. Puede producir un pronóstico de 10 días con una sola TPU en menos de un minuto. Los métodos tradicionales que utilizan supercomputadoras requieren horas de cálculo, explicó el equipo.

Ray of Light

Para probar sus capacidades, el equipo comparó GraphCast con el estándar de oro actual para la predicción del tiempo.

La IA fue más precisa casi el 90 por ciento de las veces. Sobresalió especialmente cuando se basó únicamente en datos de la troposfera (la capa de la atmósfera más cercana a la Tierra y crítica para el pronóstico del tiempo), superando a la competencia el 99.7 por ciento de las veces. GraphCast también superó Pangu-El tiempo, uno de los principales modelos meteorológicos de la competencia que utiliza el aprendizaje automático.

Luego, el equipo probó GraphCast en varios escenarios climáticos peligrosos: rastreando ciclones tropicales, detectando ríos atmosféricos y prediciendo calor y frío extremos. Aunque no está entrenada en “señales de advertencia” específicas, la IA dio la alarma antes que los modelos tradicionales.

El modelo también contó con la ayuda de la meteorología clásica. Por ejemplo, el equipo añadió software de seguimiento de ciclones existente a los pronósticos de GraphCast. La combinación dio sus frutos. En septiembre, la IA predijo con éxito la trayectoria del huracán Lee a medida que avanzaba por la costa este hacia Nueva Escocia. El sistema predijo con precisión la llegada de la tormenta a tierra con nueve días de anticipación, tres preciosos días más rápido que los métodos de pronóstico tradicionales.

GraphCast no reemplazará los modelos tradicionales basados ​​en la física. Más bien, DeepMind espera poder reforzarlos. El Centro Europeo de Previsiones Meteorológicas a Plazo Medio ya está experimentando con el modelo para ver cómo podría integrarse en sus predicciones. DeepMind también está trabajando para mejorar la capacidad de la IA para manejar la incertidumbre, una necesidad crítica dado el comportamiento cada vez más impredecible del clima.

GraphCast no es el único meteorólogo con IA. Los investigadores de DeepMind y Google construyeron previamente dos regional modelos que puede pronosticar con precisión el tiempo a corto plazo con 90 minutos o 24 horas de antelación. Sin embargo, GraphCast puede mirar más allá. Cuando se utiliza con software meteorológico estándar, la combinación podría influir en las decisiones sobre emergencias climáticas o guiar las políticas climáticas. Al menos, podríamos sentirnos más seguros acerca de la decisión de poner ese paraguas en funcionamiento.

"Creemos que esto marca un punto de inflexión en el pronóstico del tiempo", escribieron los autores.

Crédito de la imagen: Google DeepMind

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/